应用AI配合影像科住院医师阅片对肋骨隐匿性骨折的诊断准确性分析

【摘要】目的：分析应用人工智能（AI）配合影像科住院医师阅片对肋骨隐匿性骨折的诊断准确性。方法：选择2023年1月-2023年12月100例急性胸部外伤疑似肋骨隐匿性骨折患者，分别通过AI单独阅片、影像科住院医师单独阅片、AI配合影像科住院医师阅片三种诊断方式诊断，以放射科高级职称医师的诊断结果作为“金标准”，比较三种诊断方式的准确性。结果：放射科高级职称医师的诊断结果显示，100例疑似肋骨隐匿性骨折患者中，阳性87例，阴性13例。kappa检验显示：AI配合影像科住院医师阅片与放射科高级职称医师的诊断结果的一致性良好（kappa值=0.957，P=0.000）高于AI单独阅片（kappa值=0.624，P=0.000）、影像科住院医师单独阅片（kappa值=0.676，P=0.000）。AI配合影像科住院医师阅片诊断肋骨隐匿性骨折的灵敏度98.85%（86/87）、准确度99.00%（99/100）、阴性预测值92.86%（13/14），高于AI单独阅片、影像科住院医师单独阅片（P＜0.05）。结论：应用AI配合影像科住院医师阅片对肋骨隐匿性骨折的诊断准确性明显优于AI单独阅片和影像科住院医师单独阅片，具有较高的灵敏度、准确度和阴性预测值，可作为一种有效的诊断辅助手段。

【关键词】肋骨隐匿性骨折；人工智能；影像科

然而，由于肋骨特殊的解剖结构和骨折形态多样性，某些肋骨骨折可能会呈现隐匿性表现，导致容易被漏诊或误诊[1]。传统上，影像科医师在诊断肋骨骨折时主要依靠X线、CT等影像学检查，但由于肋骨受周围组织遮挡以及骨折位置难以明显显示，部分隐匿性骨折容易被忽略[2]。尤其是在急诊情况下，住院医师可能面临时间紧迫、患者病情复杂等挑战，容易出现漏诊或误诊的情况[3]。因此，如何提高肋骨隐匿性骨折的准确诊断率成为临床工作中亟待解决的问题。近年来，人工智能（AI）技术的发展为医学影像诊断带来了革命性的变革[4]。基于深度学习算法的AI系统通过大量的医学影像数据训练，能够快速、准确地识别图像中的病变信息，辅助医生进行诊断[5]。在肋骨隐匿性骨折的诊断中，AI技术有望成为一种有力的辅助工具，提高诊断准确性和效率。本研究旨在探讨应用人工智能技术配合影像科住院医师对肋骨隐匿性骨折进行诊断的可行性和准确性。通过比较AI辅助诊断和单纯影像科医师诊断的差异，评估AI技术在肋骨骨折诊断中的作用，为提高肋骨隐匿性骨折的准确率提供参考依据。

1资料与方法

1.1一般资料

选择2023年1月-2023年12月100例急性胸部外伤疑似肋骨隐匿性骨折患者，其中男68例，女32例；年龄22-70岁，平均年龄（45.12±5.33）岁；体重指数18.5-25.7kg/㎡，平均体重指数（21.96±0.83）kg/㎡；受伤至就诊时间1-19h，平均受伤至就诊时间（8.42±1.03）h。

1.2入选标准

纳入标准：（1）胸部急性外伤；（2）认知正常；（3）接受影像学检查且图像质量良好；（4）依从性良好；（5）精神、意识正常。排除标准：（1）病理性骨折；（2）影像学检查禁忌症；（3）肋骨先天性畸形；（4）恶性肿瘤。

1.1方法

使用128层螺旋CT进行扫描，设置扫描参数为：管电流设置为100-300mAs，管电压设置为120kV，层厚设置为5.0mm，矩阵设置为512×512，采用骨算法进行薄层重建，且层厚设置为0.625mm，患者取仰卧位，指导患者深吸气候屏气，对患者两侧24根肋骨均进行扫描，获得图像。通过AI单独阅片、影像科住院医师单独阅片、AI配合影像科住院医师阅片三种诊断方式诊断。AI片：采用AI检测系统（uAIBoneCare）（上海联影公司）进行检测分析，直接将图像导入AI系统，由AI单独阅片，对两侧肋骨进行分割分段，标记骨折位置。以放射科高级职称医师的诊断结果作为“金标准”。

1.2统计学分析

应用SPSS 25.0软件处理数据，以x±s表示计量资料，应用t检验，用%表示计数资料，应用c2检验，三种诊断方式诊断肋骨隐匿性骨折的与“金标准”放射科高级职称医师的诊断结果的一致性使用kappa检验，P＜0.05为差异有统计学意义。

2结果

2.1三种诊断方式诊断肋骨隐匿性骨折的诊断结果及一致性放射科高级职称医师的诊断结果显示，100例疑似肋骨隐匿性骨折患者中，阳性87例，阴性13例。kappa检验显示：AI配合影像科住院医师阅片与放射科高级职称医师的诊断结果的一致性良好（kappa值=0.957，P=0.000）高于AI单独阅片（kappa值=0.624，P=0.000）、影像科住院医师单独阅片（kappa值=0.676，P=0.000）。见表1。

表 1  三种诊断方式诊断肋骨隐匿性骨折结果

2.2  三种诊断方式诊断肋骨隐匿性骨折的诊断价 值

AI配合影像科住院医师阅片诊断肋骨隐匿性骨折的灵敏度98.85%（86/87）、准确度99.00%（99/100）、阴性预测值92.86%（13/14），高于AI单独阅片、影像科住院医师单独阅片（P＜0.05）。见表2。

表2  三种诊断方式诊断肋骨隐匿性骨折的诊断价值n （%）

3讨论

肋骨隐匿性骨折是一种常见但易被忽视的骨折类型，其症状不明显，容易与其他胸部疾病混淆，因此提高对这类骨折的早期诊断意义重大[6]。肋骨骨折一旦延误治疗，可能会引发各种并发症，如呼吸困难、肺部感染等，严重者还会导致内出血或器官受损[7]。通过早期确诊肋骨骨折，及时采取有效治疗措施，可以促进骨折的愈合，减少愈合时间，缩短康复周期，可以减少并发症的风险，保障患者身体健康，且患者可以更快地恢复正常生活和工作，减少因骨折而导致的不便和损失。

影像学技术如X射线、CT扫描和MRI能够提供高分辨率的图像，有助于观察微小的骨折线，能够直观显示受损部位的情况，帮助医生准确确定骨折的位置、类型和程度。而且，随着治疗的进行，影像学可以用来跟踪骨折愈合的进展情况，以确保骨折得到正确愈合。影像学在诊断肋骨隐匿性骨折中具有非常重要的作用，可以帮助医生做出准确的诊断并制定有效的治疗计划。然而，肋骨隐匿性骨折的表现隐蔽，在临床诊断中常常存在困难和挑战，需要仔细观察和判断才能确诊[8]。AI技术作为辅助工具，能够快速、准确地分析大量影像数据，发现微小骨裂或缺损等病变特征，提供更客观和全面的诊断信息，进而降低漏诊和误诊的风险，提高诊断准确性[9]。AI技术具有快速处理大规模数据的优势，能够帮助影像科住院医师快速筛查和诊断影像资料，缩短诊断时间，提升工作效率[10]。通过AI与医生的联合作用，可以更快速地完成肋骨隐匿性骨折的诊断，为患者提供及时有效的治疗方案，减少等待时间和病情恶化的风险。通过AI技术的辅助，结合影像科住院医师的临床经验和专业知识，可以更全面地了解患者的病情特点，有助于制定个性化的治疗方案，提高治疗效果和患者生活质量。本研究放射科高级职称医师的诊断结果显示，100例疑似肋骨隐匿性骨折患者中，阳性87例，阴性13例。kappa检验显示：AI配合影像科住院医师阅片与放射科高级职称医师的诊断结果的一致性良好（kappa值=0.957，P=0.000）高于AI单独阅片（kappa值=0.624，P=0.000）、影像科住院医师单独阅片（kappa值=0.676，P=0.000）。AI配合影像科住院医师阅片诊断肋骨隐匿性骨折的灵敏度98.85%（86/87）、准确度99.00%（99/100）、阴性预测值92.86%（13/14），高于AI单独阅片、影像科住院医师单独阅片。分析原因为：应用AI技术与影像科住院医师共同进行肋骨隐匿性骨折的诊断，这种协作模式整合了AI的计算能力和医师的临床经验，发挥了各自优势，从而实现更高水平的诊断效果[11]。AI技术具有快速处理大量数据和精准识别病变特征的优势，通过深度学习算法，AI可以在瞬间分析海量影像资料，发现微小骨裂或缺损等隐匿性骨折特征，提高检出率和灵敏度[12-13]。AI不受主观因素影响，能够全面、系统地筛查影像信息，避免漏诊情况的发生，从而提高诊断准确度[14]。结合影像科住院医师的专业知识和临床经验，能够为AI提供人类无法替代的人文关怀和医疗判断[15]。医师对患者的个体情况有更深入的了解，能够根据临床表现和影像特征做出更精准的诊断。与AI相比，医师具有更强的推理能力和判断力，能够对复杂情况进行综合考量，进一步提高诊断的准确性。

综上所述，应用AI配合影像科住院医师阅片诊断肋骨隐匿性骨折能够充分发挥两者的优势，实现协同作用，提高诊断的灵敏度、准确度和阴性预测值。AI的高效率和全面性与医师的临床经验和专业判断相结合，不仅减少了漏诊和误诊的风险，还为患者提供了更可靠和有针对性的诊断服务。这种整合模式有助于优化医疗资源配置，提高医疗质量，并为患者提供更安全、高效的诊疗体验。

参考文献

[1]周文才，王世奎，宣拓.DR片与多层螺旋CT三维重建技术在肋骨隐匿性骨折诊断中的应用[J].中国CT和MRI杂志，2023，21（8）：94-96.

[2]Pieracci FM，Leasia K，Bauman Z，et al.A multicenter，prospective，controlled clinical trial of surgical stabilization of rib fractures in patients with severe，nonflail fracture patterns（Chest Wall Injury Society NONFLAIL）.J Trauma Acute Care Surg.2020;88（2）：249-257.

[3]林海洋.多层螺旋CT三维重建技术诊断隐匿性肋骨骨折的临床价值分析[J].医学影像学杂志，2022，32（5）：888-890.

[4]Tan H，Xu H，Yu N，et al.The value of deep learning-based computer aided diagnostic system in improving diagnostic performance of rib fractures in acute blunt trauma.BMC Med Imaging.2023;23（1）：55.

[5]朱雅茹，祁良，徐磊，王等.人工智能软件辅助诊断新鲜肋骨骨折的效能评估[J].南京医科大学学报（自然科学版），2022，42（2）：227-232.

[6]周清清，王佳硕，唐雯，等.基于卷积神经网络成人肋骨骨折CT自动检测和分类的应用研究[J].影像诊断与介入放射学，2020，29（1）：27-31..

[7]Azuma M，Nakada H，Takei M，et al.Detection of acute rib fractures on CT images with convolutional neural networks：effect of location and type of fracture and reader’s experience[published correction appears in Emerg Radiol.2021 Dec 15;：].Emerg Radiol.2022;29（2）：317-328.

[8]白岩，蔡显圣，张传臣，等.人工智能在肋骨骨折诊断中应用价值[J].中华实用诊断与治疗杂志，2023，37（10）：1020-1024.

[9]Dipnall JF，Page R，Du L，et al.Predicting fracture outcomes from clinical registry data using artificial intelligence supplemented models for evidence-informed treatment（PRAISE）study protocol.PLoS One.2021;16（9）：e0257361.

[10]刘想，谢辉辉，许玉峰，等.人工智能对提高放射科住院医生诊断胸部肋骨骨折一致性的价值[J].北京大学学报（医学版），2023，55（4）：670-675.

[11]Xiong S，Hu H，Liu S，Huang Y，Cheng J，Wan B.Improving diagnostic performance of rib fractures for the night shift in radiology department using a computer-aided diagnosis system based on deep learning：A clinical retrospective study.J Xray Sci Technol.2023;31（2）：265-276.

[12]李秀涛，谭理连，邱绍清，等.人工智能在早期胸部CT肋骨骨折的临床应用价值及局限性分析[J].中国CT和MRI杂志，2023，21（10）：115-118.

[13]梁洁，孙金磊，李梦远，等.基于深度学习人工智能辅助系统用于CT检出肋骨新鲜骨折[J].中国介入影像与治疗学，2023，20（9）：555-560.

[14]李星宇，雷禹，黄晓旗，等.基于AI与人工阅片对肋骨骨折性质诊断价值的比较[J].中国医疗设备，2022，37（8）：32-36.

[15]刘想，谢辉辉，许玉峰，等.AI软件自动检出胸部CT图像上肋骨骨折的诊断效能研究[J].临床放射学杂志，2021，40（7）：1369-1374.

作者简介：魏成波（1986年10月），男，云南宣威人，本科，主治医师，研究方向：影像诊断。