一个基于细分的新型深度学习模型,用于增强骨骨折检测
A Bützow1, T T Anttila1, V Haapamäki2
1Department of Musculoskeletal and Plastic Surgery, University of Helsinki and Helsinki University Hospital, Hartmaninkatu 4, 00029 Helsinki, Finland.
European journal of radiology
|July 13, 2025
概括
一个深度学习 (DL) 模型可以通过手腕X射线检测骨骨折,性能与专家相比. DL模型在识别微妙的,隐藏的骨骨折方面显示出更高的准确性,这可能会提高患者的护理.
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:
- 骨骨折是常见的手腕损伤,通常很难在最初的X射线图上检测到.
- 隐形骨折在普通X射线上看不到,这会给诊断带来挑战,如果错过,可能导致并发症.
研究的目的:
- 开发和评估一种深度学习 (DL) 模型,用于从手腕放射图中检测明显和隐藏的骨骨折.
- 将DL模型的诊断性能与临床专家小组进行比较.
主要方法:
- 来自408名患者的1011张手腕放射图的数据集进行了策划,通过先进成像 (MRI/CT) 证实了骨骨折.
- 在注释图像上训练了基于细分的DL模型,识别了骨和潜在的骨折部位.
- 对DL模型的性能进行了评估,对比了基本事实和三个骨科专家的解释.
主要成果:
- DL模型表现出强大的诊断性能,灵敏度为0.86和特异性为0.83.
- 该模型实现了0.85的整体精度和0.92.9的ROC曲线下的面积.
- 值得注意的是,DL模型检测到41%的隐形骨折,明显优于专家 (6.8%-13.7%).
结论:
- 基于细分的DL模型是用于骨骨折检测的可行工具,与现有的DL模型相似.
- 该DL模型显示性能与专家相提并论的明显骨折和卓越的精度隐藏的骨折.
- 通过DL模型加强隐藏的骨骨折的检测,可能会改善患者的治疗和治疗结果.
