基于深度学习人工智能辅助CT检测肋骨骨折的价值

摘要：目的：分析DL-AI辅助CT检查肋骨骨折临床应用效果，探究DL-AI对于提高检测效率、诊断准确度的作用。方法：选择本医院收治的120例疑似肋骨骨折患者为研究对象，根据检测方法的不同将患者分为观察组（60例）和对照组（60例）。对照组用常规CT检查，观察组采用深度学习的人工智能辅助CT检查（。比较两组检测准确率、检测耗时两项观察指标，用统计学方法分析组间差异。结果：经过检测发现，观察组检测准确率明显高于对照组，检测耗时明显短于对照组，两项观察指标组间比较均满足P<0.05。结论：深度学习的人工智能辅助CT检查肋骨骨折，可以有效地缩短检查时间、提高诊断的准确性、减少漏诊、误诊的情况，为肋骨骨折的早期准确诊断提供了可靠的支持，有很高的临床推广价值。

关键词：深度学习；人工智能；CT检测；肋骨骨折；诊断价值

肋骨骨折大多因为车祸、高处坠落、重物打击等外力造成，占胸外伤的60%以上[1]。肋骨骨折早期准确诊断及时治疗，可防止气胸、血胸、肺挫伤等并发症的发生，有利于患者预后。目前CT检查为临床诊断肋骨骨折首选影像学方法，分辨率高、成像清晰、可多方位重建等优势明显，可以清楚地显示骨折部位、数目、移位情况及周围组织损伤程度[2]。但是常规CT检测需要放射科医师阅片经验，受肋骨解剖结构复杂（肋骨数量多、形态不规则、容易与锁骨、肩胛骨等结构重叠）、医师工作负荷大、阅片疲劳等因素的影响，容易造成漏诊、误诊，对于微小骨折、隐匿性骨折的识别准确率较低[3]。随着深度学习技术在医学影像学领域的迅速发展，人工智能（AI）辅助诊断系统凭借强大的图像识别、特征提取和数据分析能力，被越来越多地应用于骨折、肿瘤、脑血管疾病等各种疾病的影像学诊断当中。深度学习人工智能辅助CT检测，依靠算法模型对CT图像展开自动分析、精准标注，迅速找出骨折的部位和特点，给医师阅片赋予协助，有望弥补常规CT检测的不足。本研究以70例疑似肋骨骨折患者为研究对象，比较深度学习人工智能辅助CT检查与常规CT检查的临床效果，探究其临床应用价值，现将结果报告如下。

1 资料与方法

1.1 临床资料

选择2024年1月至2024年12月住院的120例疑似肋骨骨折患者作为研究对象，按照检测方式不同将这120例患者分成观察组60例和对照组60例。所有患者都是胸外伤引起的，临床表现为胸痛、压痛、活动受限，部分病人还伴有胸闷、气短，均需要做CT检查来明确诊断。排除标准：合并严重的心、肝、肾等脏器功能障碍者；合并胸骨、锁骨等其他部位骨折者；CT图像质量不佳（如运动伪影、扫描不全）影响阅片者；既往有肋骨骨折病史、胸廓畸形者；妊娠期、哺乳期女性。在观察对象当中，男性有40例，女性有20例；年龄22岁至76岁，平均年龄为（48.5±12.3）岁。对照组中男性39人，女性21人；年龄21至75岁，平均年龄(47.8±12.5)岁。两组患者性别、年龄、受伤原因、受伤到就诊时间等一般资料比较，差异无统计学意义（P>0.05），具有可比性。

1.2 方法

两组患者均使用联影uct760进行扫描检测，扫描参数设置为管电压120kV、管电流200mA、层厚1mm、层间距1mm、扫描范围自胸廓入口至膈下，扫描结束后进行多平面重建（MPR）、容积再现（VR）处理，得到清晰的CT图像。

对照组采用常规的CT检测方法，2名阅片医生具有5年以上的CT阅片经验，独立阅片并判断肋骨形态结构，看有无骨折及骨折部位、数目、移位，如两人的意见有差异，则由高级职称放射科医师复核最后确定。

观察组采取深度学习人工智能辅助CT检测法：把患者的CT图像输入到深度学习人工智能辅助诊断系统（该算法为卷积神经网络算法，通过大量的肋骨骨折CT图像训练优化，能自动识别肋骨骨折的特征并标注出来）中，系统会逐帧分析CT图像，提取特征，快速识别出疑似骨折部位，并标注骨折位置、范围、类型，生成初步检测报告；再由对照组2名放射科医生根据AI系统标注结果，仔细阅片，修正AI系统的误标，最后得出确诊结果。

1.3 观察指标

本研究设置两项观察指标，分别用于评估两组检测方法的效率和准确性，具体如下：①记录两组患者从CT图像生成完成，到最终出具诊断报告所用的时间，单位为分钟(min)，取两名医师阅片耗时的平均值作为最终检测耗时，用以评价两种检测方法效率。

②检测准确率真阳性例数加上真阴性例数除以总例数再乘以100%。真阳性指CT诊断骨折并手术病理证明骨折，真阴性指CT无骨折而实际存在，假阳性指CT诊断有骨折但其实无骨折，假阴性指CT无骨折而病理确有。用于评价两种检测方法的诊断准确性。

1.4 统计学方法

将本组数据输入SPSS21.0软件中进行分析，计量资料用（x±s）来表示，用t检验；计数资料用%来表示，用χ²检验。P<0.05，差异有统计学意义。

2 结果

2.1 两组患者检测耗时对比

通过两组患者使用不同的检测方法后得出结论，观察组的检测耗时比对照组短（P<0.05）。具体结果见表1。

表1两组患者检测耗时对比

2.2 两组患者检测准确率对比

观察组检测准确率显著高于对照组（P<0.05）。具体结果见表2。

               表2两组患者检测准确率对比

3 讨论

肋骨骨折是临床常见胸外伤，早期准确诊断对治疗及预后十分重要，CT检查为其首选影像学方法，但是常规CT检查依靠医师阅片经验，受肋骨解剖结构复杂、医师工作负荷大等因素影响，漏诊、误诊率较高，尤其是微小、隐匿性骨折漏诊风险较大，严重影响治疗时机。深度学习人工智能依靠快速准确的图像识别、特征提取功能，已经被用在医学影像的诊断当中。在比较两组检测时间以及准确率的时候，观察组的检测时间短于对照组，并且准确率比对照组高（P<0.05），说明AI辅助CT检查自动分析标注可以减少医师阅片时间，准确地识别出常规阅片漏诊、误诊的病变。另外AI辅助检测稳定、一致性较好，可以给各级别的医院医师提供统一的辅助支持，能够有效提升基层放射科医师的诊断水平，在基层医院医师人数不足时也有很好的应用。

综上所述，深度学习人工智能辅助CT检测肋骨骨折，可有效缩短检查时间、提高诊断准确率、减少漏诊误诊的发生率，对急诊和基层医院具有较大的临床价值。后期可以利用优化算法、增加样本量来完善AI辅助诊断系统。

参考文献：

[1]于新辉,李森,郑年鹏,等. 血清可溶性CD40配体、P-选择素联合检测对多发肋骨骨折术后深静脉血栓的预测价值[J].微循环学杂志,2025,35(02):51-54+60.

[2]李鹏飞,王伟,张军朝,等. 血清NETs、CCL3联合检测对多发肋骨骨折患者术后发生深静脉血栓的预测价值[J].国际检验医学杂志,2025,46(05):629-632.

[3]徐海旺,李大胜,王娜娜,等. AI辅助软件在胸部CT肋骨骨折临床诊断中的应用价值初探[J].影像研究与医学应用,2023,7(23):20-22.