Application of Computer-aided Diagnosis System Based on Deep Learning in Rib Fracture Diagnosis
-
摘要: 目的：探讨基于深度学习（DL）的计算机辅助诊断（CAD）系统在肋骨骨折诊断中的应用价值。方法：回顾性分析232例胸部外伤患者CT图像并采用3种方式阅片。CAD系统阅片：应用CAD系统行肋骨骨折检测并记录结果；医师阅片：两名具有6年肋骨骨折CT诊断经验放射科主治医师独立阅片并以两人一致意见作为诊断结果；CAD系统辅助医师阅片：CAD系统辅助两名医师采用共同阅片模式阅片。金标准：两名具有15年以上肋骨骨折CT诊断经验的放射科高年资医师对患者初诊及复诊CT独立阅片，结果不一致时以两人协商一致的意见作为肋骨骨折诊断金标准。计算并比较3种阅片方式的敏感度、假阳性率及阅片时间。结果：232例患者共发现712处肋骨骨折。CAD系统阅片敏感度为81.2％，CAD系统阅片敏感度低于医师，医师阅片敏感度低于CAD系统辅助医师阅片。CAD系统阅片假阳性率为0.48±0.13，在3种方式中最高，医师阅片与CAD系统辅助医师阅片假阳性率差异无统计学意义。CAD系统阅片时间为（2.45±0.92）s，在3种方式中耗时最少，CAD系统辅助医师阅片时间少于医师阅片且阅片时间减少34.2％。结论：进一步提高敏感度并降低假阳性率是CAD改进的重要内容；采用基于深度学习的CAD系统辅助医师阅片可在不增高假阳性率的同时提高敏感度和减少阅片时间。Abstract: Objective: To investigate the application value of computer-aided diagnosis (CAD) system based on deep learning (DL) in rib fracture diagnosis. Methods: The CT images of 232 patients with chest trauma were analyzed retrospectively and the films were read in three ways. CAD system reading: using CAD system to detect and record the results of rib fracture; radiologists reading: two radiologists with 6 years of CT diagnosis experience read the film independently and the diagnostic results were based on the consensus of them; radiologists reading with the assistance of CAD system: one month later, the same two radiologists reassessed the images with the aid of the CAD system using a joint reading mode. Gold standard: two senior radiologists with more than 15 years of experience in the CT diagnosis of rib fractures read the radiographs independently and the consensus of them was used as the diagnostic standard. The sensitivity, false-positive rate and the reading time of the three methods were calculated and compared. Results: A total of 712 rib fractures were found in 232 patients. The reading sensitivity of the CAD system was 81.2%, which was lower than that of the radiologists, and the reading sensitivity of the radiologists was lower than that of CAD system-assisted radiologists. The false positive rate of CAD system was 0.48±0.13 and was the highest . There was no statistical difference in the false-positive rate between radiologists and CAD system-assisted radiologists. The reading time of the CAD system was (2.45±0.92)s and was the shortest. The reading time of CAD system-assisted radiologists was less than that of radiologists and the reading time was reduced by 34.2%. Conclusion: To further improve the sensitivity and reduce the false positive rate is an important part of CAD improvement; the use of CAD system based on deep learning to assist radiologists in reading images can improve the sensitivity of rib fracture diagnosis and reduce the time of reading images without increasing the false positive rate.
-
Keywords:
- deep learning /
- convolutional neural network /
- tomography /
- X-ray computed /
- rib fracture
-
肋骨骨折常见于胸部外伤患者，目前多排螺旋CT扫描已成为胸部外伤的首检方法[1]，其强大的图像后处理功能有助于显示一些轴位不易显示的骨折，使得肋骨骨折检出率显著提高[2-3]。由于薄层CT图像太多，且肋骨骨折需逐侧、逐根仔细观察，此过程繁琐耗时。随着CT检查量的快速增长，采用单纯人工读片方式行肋骨骨折诊断已导致放射科医生不堪重负，而肋骨骨折漏诊或误诊却可能引发医疗纠纷[4]。计算机辅助诊断（computer-aided diagnosis，CAD）系统作为放射科医生的“第二双眼”，可辅助医师提高阅片的敏感度，具有重要诊断价值[5-6]。
本研究评估基于深度学习（deep learning，DL）的CAD系统用于肋骨骨折的诊断效能，探讨其临床应用价值。
1. 资料与方法
1.1 一般资料
回顾性分析自2021年1月至6月间在荆州市中心医院因胸部外伤行胸部CT检查的327例患者胸部CT检查资料，排除因呼吸运动伪影过重影响诊断或存在肿瘤、感染等因素导致肋骨破坏者，共纳入232例。其中男147例，女85例，年龄16～81岁（51±17）岁。115例为外伤后1周内检查，64例为外伤后第2周至第4周检查，51例为外伤后第5周至第8周检查，2例为外伤后第9周至第12周检查。
本研究获医院伦理委员会同意批准，所有患者知情同意豁免。
1.2 方法
1.2.1 影像学检查
使用Philips Incisive 64排螺旋CT，患者取仰卧位，扫描范围从胸廓入口至第12肋下缘，吸气末屏气完成扫描；管电压120 kV，管电流100～200 mAs，层厚5 mm，层间隔5 mm，螺距1.078，图像矩阵512×512，重建层厚1.0 mm，层间隔1.0 mm。
1.2.2 肋骨骨折诊断
CAD系统阅片：使用基于卷积神经网络（convolution neural network，CNN）的CAD软件（商品名care.ai，依图医疗）行肋骨骨折自动检测，自动检测基于3D-CNN架构，用于肋骨骨折特征提取和定位。该神经网络先经过图像特征压缩网络路径提取相应特征，再经过1个与压缩网络对称的去压缩网络恢复到与输入等尺寸的三维矩阵。此软件已经过大于10000例肋骨骨折CT数据集训练，本研究数据未用于训练。软件自动检测1例患者的CT图像约需耗时1～4 s，自动检测界面包含带肋骨骨折标记的横轴位、矢状位及CPR图像（图1）。
![]()
图 1 CAD系统自动检测界面包含横轴位、矢状位及CPR图像，骨折部位会用黄色方框标记出来Figure 1. The automatic detection interface of the CAD system included transverse axial, sagittal and CPR images. The fracture sites were marked with yellow boxes医师阅片：将胸部CT原始资料传到Carestream GCRIS 2.1工作站，两名具有6年肋骨骨折CT诊断经验的放射科主治医师独立阅片，仔细观察薄层CT轴位及多平面重组图像并以两人一致意见作为诊断结果。
CAD系统辅助医师阅片：为避免医师记忆对阅片结果产生影响，1月后，CAD系统辅助两名医师采用共同阅片模式重新阅片。记录每次阅片肋骨骨折部位及阅片所用时间。
1.2.3 肋骨骨折诊断金标准
两名具有15年以上肋骨骨折CT诊断经验的放射科高年资医师对患者初诊（外伤后1周内）及复诊（外伤后第3、5、9周）CT独立阅片，结果不一致时以两人协商一致的意见作为肋骨骨折诊断金标准。
1.3 统计学分析
采用SPSS 23.0软件行统计学处理。计数资料采用频数或率表示，符合正态分布的计量资料采用均数±标准差（
$\bar x \pm s $ ）表示。由于本研究无法统计真阴性骨折数，故将假阳性率定义为每次检查骨折假阳性数[7]。3种方式敏感度比较采用多组配对χ2检验，如果3种方式敏感度存在统计学差异，则采用Bonferroni校正行两两比较，校正后P＜0.017表示差异有统计学意义。假阳性率及阅片时间比较采用单因素重复测量方差分析及两两比较，P＜0.05表示差异有统计学意义。
2. 结果
2.1 金标准
232例患者共有712处肋骨骨折部位。
2.2 敏感度比较
CAD系统阅片敏感度低于医师阅片（χ
${}^2 $ =7.915，P<0.017），医师阅片敏感度低于CAD系统辅助医师阅片（χ${}^2 $ =10.025，P<0.017）（表1）。有37处肋骨折在医师阅片时漏诊却被CAD系统检出（图2）。表 1 三种方式敏感度比较Table 1. Comparison of the sensitivity in three ways参数 阅片方式 统计检验 CAD系统阅片 医师阅片 CAD系统辅助医师阅片 χ${}^2 $ P 真阳性数（n） 578 617 654 敏感度/% 81.2 86.7 91.9 34.882 0.000 注：两两比较可知CAD系统阅片敏感度低于医师阅片（χ${}^2 $=7.915，P=0.005），医师阅片敏感度低于CAD系统
辅助医师阅片（χ${}^2 $=10.025，P=0.002）。![]()
图 2 患者，男，54岁，车祸伤，左侧第6肋骨不完全性骨折。医师阅片漏诊，CAD系统检出Figure 2. The patient, male, 54 years old, was injured in a car accident and had an incomplete fracture in the left sixth rib. The doctor missed the diagnosis by reading the film，but detected it by the CAD system2.3 假阳性率比较
CAD系统阅片假阳性率为0.48±0.13，在3种方式中最高（P<0.05），医师阅片假阳性率与CAD系统辅助医师阅片差异无统计学意义（P>0.05）（表2）。
表 2 三种方式假阳性率（n/例）比较Table 2. Comparison of the false-positive rate (n/example) in three ways参数 阅片方式 统计检验 CAD系统阅片 医师阅片 CAD系统辅助医师阅片 F P 假阳性率 0.48±0.13 0.17±0.06 0.16±0.04 39.189 0.000 注：两两比较可知 医师阅片假阳性率与CAD系统辅助医师阅片差异无统计学意义（P=0.834）。 2.4 阅片时间比较
CAD系统阅片时间为（2.45±0.92） s，在3种方式中耗时最少，CAD系统辅助医师阅片时间少于医师且阅片时间减少34.2％（表3）。
表 3 三种方式阅片时间（s/例）比较Table 3. Comparison of the reading time (s/example) in three ways参数 阅片方式 统计检验 CAD系统阅片 医师阅片 CAD系统辅助医师阅片 F P 阅片时间/s 2.45±0.92 158.39±46.57 104.24±25.71 2661 0.000 3. 讨论
以卷积神经网络为代表的深度学习CAD已在肺结节检出及良恶性预测等方面有了广泛研究[8-9]，近年来在CT肋骨骨折诊断方面也陆续有所研究，如Castro-Zunti等[10]利用基于CNN的CAD系统用于检测不同类型肋骨骨折；谭辉等[11]利用基于CNN的CAD系统诊断急性肋骨骨折等。虽然这些肋骨骨折诊断CAD系统基本原理大多基于CNN，但由于具体网络架构、运算、迭代方法及数据训练集不尽相同，因此，各CAD系统诊断效能可能会存在较大差异[7,10-13]，本研究使用一款基于CNN的CAD系统，该款产品目前尚未见文献报道，本文旨在评价其诊断效能并探讨其临床应用价值。
在敏感度方面，国内外关于基于CNN的CAD系统肋骨骨折诊断敏感度不一，Kaiume等[12]报道其采用的CAD系统肋骨骨折诊断敏感度为64.5％，贾春雪等[13]报道其采用的CAD系统肋骨骨折诊断敏感度为80.0％，本研究结果显示CAD系统肋骨骨折诊断敏感度为81.2％且低于医师阅片，与贾春雪等报道相似。本研究结果显示CAD系统辅助医师阅片敏感度在3种方式中最高，原因可能为CAD系统检出的骨折部位与医师阅片存在差异（有37处肋骨骨折医师阅片时漏诊却被CAD系统检出），医师可通过参考这些差异，完善人工诊断的不足，从而提高肋骨骨折敏感度。
在假阳性率方面，本研究结果显示CAD系统阅片假阳性率为0.48±0.13，在3种方式中最高，这可能与该款CAD系统会将部分骨质疏松所致肋骨骨质密度减低、肋骨形态欠规则及肋骨与肋软骨连接处等误诊为骨折有关。此外，本研究结果显示医师阅片假阳性率与CAD系统辅助医师阅片差异无统计学意义，但较CAD系统降低，这与Jin等 [14]报道一致。
在阅片时间方面，国内外文献[7,11,13]报道，采用CAD系统辅助医师共同阅片方式，阅片时间较医师减少，本研究结果与其相似，结果显示CAD系统辅助医师阅片时间少于医师阅片且阅片时间减少34.2％，一方面缩短患者的诊疗时间，另一方面提高医师的工作效率，从而使医师有更多时间行医患沟通或专注于其他创新性工作。
本研究尚存不足，首先，纳入检测样本偏少且为单中心回顾性研究，存在一定选择偏倚，需进一步行大样本、多中心及前瞻性研究；其次，没有对各类型骨折行具体分析，需进一步评价各类型骨折诊断效能。
综上所述，进一步提高灵敏度和降低假阳性率是CAD改进的重要内容；采用基于深度学习的肋骨骨折CAD系统辅助医师阅片可在不增高假阳性率的同时提高敏感度和减少阅片时间。
-
![]()
图 1 CAD系统自动检测界面包含横轴位、矢状位及CPR图像，骨折部位会用黄色方框标记出来
Figure 1. The automatic detection interface of the CAD system included transverse axial, sagittal and CPR images. The fracture sites were marked with yellow boxes
![]()
图 2 患者，男，54岁，车祸伤，左侧第6肋骨不完全性骨折。医师阅片漏诊，CAD系统检出
Figure 2. The patient, male, 54 years old, was injured in a car accident and had an incomplete fracture in the left sixth rib. The doctor missed the diagnosis by reading the film，but detected it by the CAD system
表 1 三种方式敏感度比较
Table 1 Comparison of the sensitivity in three ways
参数 阅片方式 统计检验 CAD系统阅片 医师阅片 CAD系统辅助医师阅片 χ${}^2 $ P 真阳性数（n） 578 617 654 敏感度/% 81.2 86.7 91.9 34.882 0.000 注：两两比较可知CAD系统阅片敏感度低于医师阅片（χ${}^2 $=7.915，P=0.005），医师阅片敏感度低于CAD系统
辅助医师阅片（χ${}^2 $=10.025，P=0.002）。
下载: 导出CSV
表 2 三种方式假阳性率（n/例）比较
Table 2 Comparison of the false-positive rate (n/example) in three ways
参数 阅片方式 统计检验 CAD系统阅片 医师阅片 CAD系统辅助医师阅片 F P 假阳性率 0.48±0.13 0.17±0.06 0.16±0.04 39.189 0.000 注：两两比较可知 医师阅片假阳性率与CAD系统辅助医师阅片差异无统计学意义（P=0.834）。
下载: 导出CSV
表 3 三种方式阅片时间（s/例）比较
Table 3 Comparison of the reading time (s/example) in three ways
参数 阅片方式 统计检验 CAD系统阅片 医师阅片 CAD系统辅助医师阅片 F P 阅片时间/s 2.45±0.92 158.39±46.57 104.24±25.71 2661 0.000
下载: 导出CSV
-
[1] PETERS S, NICOLAS V, HEYER C M. Multidetector computed tomography-spectrum of blunt chest wall and lung injuries in polytraumatized patients[J]. Clinical Radiology, 2010, 65: 333−338. doi: 10.1016/j.crad.2009.12.008
[2] MURPHY C E, RAJA A S, BAUMANN B M, et al. Rib fracture diagnosis in the panscan era[J]. Annals of Emergency Medicine, 2017, 70: 904−909. doi: 10.1016/j.annemergmed.2017.04.011
[3] CHERNEY A R, RICHARDSON D M, GREENBERG M R, et al. Prevalence and clinical import of thoracic injury identified by chest computed tomography but not chest radiography in blunt trauma: Multicenter prospective cohort study[J]. Annals of Emergency Medicine, 2016, 68: 133−134. doi: 10.1016/j.annemergmed.2016.03.033
[4] Van LAARHOVEN J J E M, HIETBRINK F, FERREE S, et al. Associated thoracic injury in patients with a clavicle fracture: A retrospective analysis of 1461 polytrauma patients[J]. European Journal of Trauma and Emergency Surgery, 2019, 45: 59−63. doi: 10.1007/s00068-016-0673-6
[5] TAN M, WU F, YANG B, et al. Pulmonary nodule detection using hybrid two-stage 3D CNNs[J]. Medical Physics, 2020, 47: 3376−3388. doi: 10.1002/mp.14161
[6] TOPOL E J. High-performance medicine: the convergence of human and artificial intelligence[J]. Nature Medicine, 2019, 25(1): 44−56.
[7] ZHANG B, JIA C X, WU R Z, et al. Improving rib fracture detection accuracy and reading efficiency with deep learning-based detection software: A clinical evaluation[J]. British Journal of Radiology, 2021, 94: 20200870. doi: 10.1259/bjr.20200870
[8] GUO J X, WANG C D, XU X Y, et al. Deep LN: An artificial intelligence-based automated system for lung cancer screening[J]. Annals of Translational Medicine, 2020, 8: 1126. doi: 10.21037/atm-20-4461
[9] LI K W, LIU K F, ZHONG Y H, et al. Assessing the predictive accuracy of lung cancer, metastases, and benign lesions using an artificial intelligence-driven computer aided diagnosis system[J]. Quantitative Imaging in Medicine and Surgery, 2021, 11: 3629−3642. doi: 10.21037/qims-20-1314
[10] CASTRO-ZUNTI R, CHAE K J, CHOI Y, et al. Assessing the speed-accuracy trade-offs of popular convolutional neural networks for single-crop rib fracture classification[J]. Computerized Medical Imaging and Graphics, 2021, 91: 101937. doi: 10.1016/j.compmedimag.2021.101937
[11] 谭辉, 田占雨, 潘宁, 等. 基于深度学习的计算机辅助诊断系统在提高急性肋骨骨折诊断效能上的价值[J]. 临床放射学杂志, 2020,39(12): 2493−2497. doi: 10.13437/j.cnki.jcr.2020.12.030 TAN X, TIAN Z Y, PAN N, et al. The value of deep learning-based computer aided diagnostic system in improving diagnostic performance of acute rib fractures[J]. Journal of Clinical Radiology, 2020, 39(12): 2493−2497. (in Chinese). doi: 10.13437/j.cnki.jcr.2020.12.030
[12] KAIUME M, SUZUKI S, YASAKA K, et al. Rib fracture detection in computed tomography images using deep convolutional neural networks[J]. Medicine (Baltimore), 2021, 100: e26024. doi: 10.1097/MD.0000000000026024
[13] 贾春雪, 张彬, 吴润泽, 等. 基于深度学习的人工智能在肋骨骨折检测中的应用价值[J]. 实用放射学杂志, 2020,36(11): 1861−1864. doi: 10.3969/j.issn.1002-1671.2020.11.039 JIA C X, ZHANG B, WU R Z, et al. The value of artificial intelligence based on deep learning in rib fracture detection[J]. Journal of Practical Radiology, 2020, 36(11): 1861−1864. (in Chinese). doi: 10.3969/j.issn.1002-1671.2020.11.039
[14] JIN L, YANG J C, KUANG K, et al. Deep-learning-assisted detection and segmentation of rib fractures from CT scans: Development and validation of FracNet[J]. EBioMedicine, 2020, 62: 103106. doi: 10.1016/j.ebiom.2020.103106
-
期刊类型引用(8)
1. 敖平，张玉霖，朱丽，修志刚. 查体信息备注联合人工智能在肋骨骨折CT诊断中的应用. 局解手术学杂志. 2025(01): 41-44 . 
百度学术
2. 赵婷婷，郭宇，才佳，罗嗣频，孙志伟，畅卫功. 医学图像检测和分割模型在肋骨骨折诊断中的应用进展. 天津科技大学学报. 2025(01): 1-12+34 . 百度学术
3. 敖平，朱丽，修志刚，肖涵，李为民. 不同重建层厚CT图像对AI诊断肋骨骨折效能的影响. 重庆医学. 2024(05): 723-726 . 百度学术
4. 敖平，张玉霖，朱丽，罗艺，陈聪，俞梅美，修志刚. 多层螺旋CT的MPR及VR重建技术对外伤性肋骨骨折的诊断价值. 中国医药科学. 2024(05): 149-152 . 百度学术
5. 梅珀彰，张馨雨. 基于深度学习的医学辅助诊断系统嵌入式设计. 通讯世界. 2024(03): 175-177 . 百度学术
6. 赵艳红，张晓文，苏治祥，张涛，曹永佩，宋静，哈若水. AI对急诊外伤肋骨骨折诊断效能的应用研究. 宁夏医学杂志. 2024(07): 607-609 . 百度学术
7. 张斌，成跃，杜静波，陈天金，廖建勇. 基于深度学习的计算机辅助诊断系统在诊断肋骨骨折方面的应用价值. 武警医学. 2023(08): 656-659 . 百度学术
8. 吴晨静. 螺旋CT重建层厚/层间距对肋骨不全骨折诊断准确率的影响. 浙江创伤外科. 2023(10): 1977-1980 . 百度学术
其他类型引用(4)
计量
- 文章访问数: 350
- HTML全文浏览量: 142
- PDF下载量: 38
- 被引次数: 12
