深度学习在骨断裂检测和愈合预测:对手术中人工智能应用的系统性审查
Gaurav Jha1, Roopkaran Dhanjal2, Surya Malasani1
1Trauma and Orthopaedics, University Hospitals of Leicester NHS Trust, Leicester, GBR.
Cureus
|December 1, 2025
概括
深度学习模型在检测骨骨折方面显示了放射科医生级别的准确性,并有望预测愈合. 先进的AI方法,包括转移学习和多视图分析,是临床整合的关键.
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.
- 人工智能的人工智能
背景情况:
- 骨骨折是常见的手腕损伤,延迟结合或不结合的比例很高.
- 诊断的挑战和解释的变化导致错过的伤害和糟糕的结果.
- 深度学习 (DL) 显示了提高肌肉骨成像准确性的潜力.
研究的目的:
- 系统地审查DL模型在骨骨折检测和愈合预测中的应用.
- 评估DL算法的性能与传统方法和人类专家相比.
- 确定有前途的DL架构和临床实施方法.
主要方法:
- 根据PRISMA 2020指南,对PubMed,Embase和PMC进行系统审查 (2015年1月至2025年3月).
- 包括应用DL用于骨骨折检测/分类或联合/非联合预测的研究.
- 排除传统的机器学习,尸体研究和非同行评审的出版物.
主要成果:
- 14项研究符合标准,12项专注于检测,2项专注于治疗预测.
- 基于CNN的模型实现了81-96%的准确性,骨折检测AUC高达0.97.
- 转移学习,多视图融合和细分提高了检测准确度,特别是在隐形骨折方面.
- 人工智能增强支持增强了新手放射科医生的表现 (AUC +9-14%).
- DL模型显示高准确度 (91-93.6%) 预测断裂联合和非联合.
结论:
- 在骨骨折检测方面,DL模型实现了放射科医生级别的性能.
- DL显示了预测骨骨折愈合的显著潜力.
- 分段化,转移学习和多视图输入对临床工作流来说是有前途的.
- 为了例行实施,需要进一步的多中心验证和可解释性.
