人工智能辅助诊断儿童发育性髋关节发育不良的临床应用

作者：张思成; 孙军^*; 林昱东; 袁亮; 谢康; 方继红; 刘传斌; 谢洪涛

来源：中国骨与关节杂志, 2021, 10(06): 410-417.

• 髋脱位,发育性
• 儿童
• 人工智能

目的开发一种用于辅助诊断儿童发育性髋关节发育不良 （developmental dysplasia of the hip,DDH） 骨盆前后位 X 线片深度学习系统,并分析其临床应用的可行性。方法收集我院自 2014 年 4 月至 2018 年 12 月共 10 219 张骨盆前后位 X 线片,通过影像 PACS 系统用统一的标准进行标注。所有 X 线片按照临床诊断分为"脱位组"（包括脱位和半脱位） 和"非脱位组"（包括正常和髋臼发育不良）。使用 9081 张 X 线片进行训练和优化深度学习系统;使用 1138 张 X 线片作为测试集,对比深度学习系统和临床医生诊断结果。利用 ROC 曲线确定深度学习系统诊断"髋脱位"的精度,并利用 Bland-Altman 散点图评价髋臼指数测量的一致性。结果测试集共 1138 例[其中男 242 例,女 896 例,年龄 0～10 岁,平均 （1.50±1.79） 岁]。深度学习系统诊断髋关节是否脱位的 ROC 曲线下面积、敏感性和特异性分别为:0.975,95.5% （276 / 289） 和 99.5% （1978 / 1987）。由深度学习系统测得的髋臼指数与临床医生测得结果相比,在"非脱位组"和"脱位组"的 Bland-Altman 95% 的一致性界限 （95% LOA） 分别为-3.27°～2.94°和-7.36°～5.36° （P < 0.0001）。结论深度学习系统诊断 DDH 骨盆前后位与临床医生的诊断结果一致性较高,同时具有更方便、更快速的特点。这种方法可以用来诊断 DDH 骨盆前后位 X 线片,改善目前人工复杂的筛查转诊流程。

• 单位
  安徽省儿童医院; 中国科学技术大学