开发一种深度学习算法,用于放射检测脚骨折中的综合性不稳定性,并进行手术内验证
Joshua Kubach1, Tobias Pogarell2, Michael Uder2
1Department of Traumatology and Orthopedics, University Hospital Erlangen, Friedrich-Alexander-Universität Erlangen-Nürnberg, Krankenhausstr.12, 91054, Erlangen, Germany. Joshua.kubach@uk-erlangen.de.
Scientific reports
|August 14, 2025
概括
一个深度学习模型准确地检测到从X射线图的脚骨折中的综合性不稳定性. 这种人工智能工具有助于在复杂的脚创伤病例中进行手术前决策.
科学领域:
- 整形外科手术 整形外科手术
- 放射学 放射学是一门学科.
- 医学中的人工智能
背景情况:
- 传统的X射线图在识别脚骨折中的综合性不稳定性方面存在挑战.
- 准确的诊断对于有效的治疗计划和患者的结果至关重要.
研究的目的:
- 开发和验证一个卷积神经网络 (CNN) 用于使用AO分类系统对脚骨折进行分类.
- 为了同时检测常规射线图中的综合性不稳定性,使用手术内应力测试作为黄金标准.
主要方法:
- 这是一项追溯性研究,涉及700名旋转脚骨折患者和1588张数字X射线图.
- 训练和验证一个CNN使用手术内杆测试结果和手术前AO分类.
- 使用指导分数类激活地图 (GSCAM) 进行算法可视化和质量控制.
主要成果:
- 在所有子类中,CNN在AO44分类方面实现了91%的灵敏度.
- 综合症不稳定性检测显示灵敏度为0.84 (95% CI 0.78-0.92) 和特异性为0.8 (95% CI 0.67-0.9).
- GSCAMs提供了一致的可视化,确认了算法的可解释性.
结论:
- 一个可解释的深度学习算法可以可靠地检测脚骨折中的综合性不稳定性.
- 人工智能工具提供了临床上可解释的输出,有可能在复杂的脚创伤中增强手术前决策.
- 这种方法可以提高足骨折的诊断准确性和治疗策略.
