在荷兰人口中,对常规放射学上的骨折分类和定位人工智能工具的交叉验证
Huibert C Ruitenbeek1, Sahil Sahil2, Aradhana Kumar2
1Department of Radiology and Nuclear Medicine, Erasmus MC, University Medical Center Rotterdam, Rotterdam, The Netherlands.
Insights into imaging
|July 3, 2025
概括
这项研究验证了在荷兰数据集上用于骨折检测的AI工具,显示了强大的分类性能但可变的本地化准确性. 对人工智能精确地定位骨折需要进一步的改进.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 越来越多地开发了用于骨折检测的AI工具.
- 对不同数据集的验证对于临床实施至关重要.
- 这项研究评估了在荷兰临床环境中对印度数据进行训练的AI工具.
研究的目的:
- 用荷兰数据集验证人工智能工具在分类和定位骨折方面的有效性.
- 评估人工智能工具对来自西欧队列的真实世界临床数据的性能.
- 评估人工智能工具对来自不同人口群体的数据进行训练的通用性.
主要方法:
- 一个多任务深度神经网络分析了14311张常规放射图 (2019-2022年).
- 在印度数据上训练的AI工具识别了17个身体部位的骨折.
- 患者智能和骨折智能评估使用了二进制和交叉与欧盟 (IoU) 的指标.
主要成果:
- 人工智能工具实现了87.1%的灵敏度和87.1%的特异性 (针对患者).
- 整体骨折检测率为60%,关节骨的高准确度 (90%) 和肋骨的低准确度 (7%).
- 曲线下的面积 (AUC) 为0.92,表明了强大的诊断性能.
结论:
- 人工智能工具在荷兰数据集上证明了临床稳定性和有效的骨折分类.
- 虽然分类很强,但骨折定位的准确性各不相同,需要进一步开发.
- 人工智能显示了通过优先考虑骨折阳性病例来优化放射学工作流的潜力.
