European Radiology：深度学习在检测x线片舟状骨骨折方面的价值

舟状骨骨折是最常见的腕骨骨折类型（82-89%），通常通过临床和常规放射检查进行诊断。然而，众所周知，舟状骨骨折在最初的X光片上很难被发现：据报道，舟状骨骨折的漏诊率从7％到50％不等。如果遗漏的舟状骨骨折没有得到治疗而发生移位，发生不愈合的风险会很高（14-50%）。不愈合的骨折会有严重的并发症，如腕骨的逐渐退化和塌陷。因此，半数以上的患者出于谨慎而接受不必要的腕部固定。

一般来说，文献中讨论了两种诊断策略。第一种策略是用后续的常规X线检查（10-14天）或进一步的成像方式如CT和MRI来补充或取代最初的常规X线检查。第二种策略涉及通过人工智能（AI）软件利用常规x线检查的诊断价值。

越来越多的文献表明，基于深度学习的人工智能软件可以获得与临床医生在成像时检测骨折的诊断性能相媲美。最近，Hendrix和Yoon等人学者分别证明了人工智能软件在常规X光片中的舟状骨骨折诊断可以达到放射科医生的水平，并且可以高准确率地检测出隐匿性骨折。然而，多项研究都缺乏对舟状骨骨折诊断的性能测量，而且只有Duron等学者让肌肉骨骼（MSK）放射科医生参与到他们的观察者研究。

此外，以前关于舟状骨骨折自动诊断的工作只涉及使用前后位（AP）和后前位（PA）X线图像，而在临床实践中则使用多个方位的视图。这些局限性提出了这样一个问题：当用多视角X光片进行舟状骨骨折诊断时，以前的发现是否依然成立，以及人工智能软件是否能提高放射科医生在这种情况下的表现，特别是MSK放射科医生的表现。

近日，发表在European Radiology杂志的一项研究评估了人工智能算法在检测传统多视角X光片上的舟状骨骨折时与有经验的MSK放射医师表现之间的比较，并评估了其在临床实践中协助MSK放射医师诊断的能力。

本项研究在两家医院（A医院和B医院）回顾性地获得了四个常规手部、手腕和肩胛骨X光片的数据集。数据集1（来自3353名患者的12990张X光片，A医院）和数据集2（来自394名患者的1117张X光片，B医院）被用来训练和测试舟状骨骨折的定位和分类。数据集3（来自840名患者的4316张X光片，医院A）和数据集4（来自209名患者的688张X光片，医院B）被用来训练和测试骨折检测器。在一项观察者研究中将算法与放射科医生进行了比较，评价指标包括敏感性、特异性、阳性预测值（PPV）、特征操作曲线下的面积（AUC）、Cohen的卡帕系数（κ）、骨折定位精度和阅读时间。 

该算法检测肩胛骨骨折的灵敏度为72%，特异性为93%，PPV为81%，AUC为0.88。该算法的AUC与每个放射科医生没有差异（0.87[放射科医生的平均值]，P≥0.05）。人工智能辅助改善了10对观察者之间的Cohen's κ协议中的5对（p < .05），并减少了4名放射医师的阅读时间（p < .001），但没有改善大多数放射医师的其他指标（p ≥ .05）。 

 图 a 舟状骨骨折检测算法的结果和没有人工智能（AI）协助的肌肉骨骼（MSK）放射专家在数据集4（65个骨折病例，154个非骨折病例；每个病例代表一个病人的一只手）上的接收操作特征（ROC）曲线。 b 肩胛骨骨折检测算法的结果和有人工智能协助的MSK放射学家在同一数据集上的ROC曲线

本研究结果表明，人工智能算法在检测传统多视角X光片上舟状骨骨折方面可以达到MSK放射科医生的水平。此外，有初步证据表明，人工智能辅助可以提高MSK放射科医生的诊断效率。

原文出处：

Nils Hendrix,Ward Hendrix,Kees van Dijke,et al.Musculoskeletal radiologist-level performance by using deep learning for detection of scaphoid fractures on conventional multi-view radiographs of hand and wrist.DOI:10.1007/s00330-022-09205-4