深度学习模型使用交叉序列学习来识别20岁以下患者的X光照中的轨道骨折
Joohui Kim1, Seungeun Lee2, So Min Ahn3,4
1Department of Radiology, Anam Hospital, Korea University College of Medicine, Seoul, Republic of Korea.
Frontiers in bioengineering and biotechnology
|September 18, 2025
概括
这项研究引入了一种深度学习模型,用于使用放射图片检测年轻患者的轨道骨折,从而可能减少不必要的CT扫描和辐射暴露.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 儿科放射学 儿科放射学
背景情况:
- 20岁以下患者的轨道骨折需要紧急手术,通常通过高分辨率CT诊断.
- 减少儿科患者不必要的CT扫描对于最大限度地减少辐射暴露至关重要.
- 放射能可以作为查工具,如果有效地识别没有骨折的患者.
研究的目的:
- 开发和验证一种深度学习 (DL) 模型,用于检测年轻患者的X光片上的轨道骨折.
- 评估一种新的交叉序列学习方法,以改善与单输入模型相比的断裂检测.
- 评估该模型在减少儿童面部创伤病例中需要CT扫描的潜力.
主要方法:
- 使用两家医院 (n=904,n=910) 的数据集进行了回顾性研究,包括接受轨道边缘视图和CT的面部创伤患者.
- 开发一个多输入DL模型,采用交叉序列学习方法,在分割数据集 (7:1:2比) 上进行训练和验证.
- 观察员研究涉及放射科医生,儿科放射科医生和眼科外科医生评估内部测试组,有或没有模型辅助.
主要成果:
- 拟议的DL模型实现了0.802的接收器操作特征曲线 (AUROC) 下的面积,用于轨道断裂检测.
- 模型性能指标包括灵敏度 (65.8%),特异性 (86.5%),正预测值 (PPV) (70.9%) 和负预测值 (NPV) (83.5%).
- 模型辅助显著提高了眼科外科医生 (P < 0.001) 和放射科住院医生 (P < 0.001) 的特异性.
结论:
- 开发的深度学习模型可以有效地识别年轻患者的X光照中的轨道骨折.
- 该模型显示了减少儿童面部创伤中不必要的CT扫描和相关辐射暴露的潜力.
- 人工智能辅助的射线图解读可以提高年轻人的轨道骨折的诊断准确性,特别是特异性.
