成年骨高原骨折的深度学习诊断:多中心研究与外部验证

科学领域:

• 放射学和医学成像学 医学成像学
• 医疗保健中的人工智能
• 整形外科手术 整形外科手术

背景情况:

• 骨平原骨折 (TPFs) 的诊断可能具有挑战性,特别是隐形骨折 (OTPFs).
• 准确及时诊断TPF对于有效的患者管理和结果至关重要.
• 经验丰富的医生仍然可能在解释复杂的放射性发现时遇到困难.

研究的目的:

• 评估MobileNetV3-YOLOv8深度学习 (DL) 模型在膝盖放射图上检测TPF,包括OTPF的有效性.
• 评估DL模型是否能提高诊断性能和减少解释时间,特别是对于经验较少的医生.

主要方法:

• 一项回顾性多中心研究包括来自5家三级医院的1543名成年患者.
• 分析了3547张膝盖放射图,其中710张用于外部测试.
• 将DL模型的表现与11名医生 (6名经验丰富,5名缺乏经验) 的表现进行了比较,他们用和没有人工智能辅助来解释图像.

主要成果:

• 对于明显的TPF (91.9%) 和OTPF (88.2%),DL模型实现了高精度.
• 人工智能辅助在经验较少的读者中显著提高了OTPF灵敏度 (67.5%至83.8%).
• DL辅助减少了平均翻译时间 (55.8到34.3秒),并增加了读者之间的一致性 (κ=0.58到0.71).

结论:

• 移动网络V3-YOLOv8 DL模型在检测明显和隐藏的TPF方面都具有很高的准确性.
• 人工智能辅助增强了诊断灵敏度,互读者协议,以及在解释膝关节放射图时的效率.
• 这种人工智能工具为急救部门提供了显著的好处,需要快速准确地检测骨折.