深度卷积神经网络技术自动诊断肋骨骨折的CT应用初探

作者：孟祥虹; 吴迪嘉; 马信龙^*; 刘爱娥

来源：天津医科大学学报, 2022, 28(02): 205-210.

• 人工智能
• 深度学习
• 卷积神经网络
• 肋骨骨折
• CT

目的：探讨深度卷积神经网络(DCNN)模型在胸部CT图像上对肋骨骨折自动定位和诊断的作用。方法：回顾性纳入2 300例因胸外伤于门急诊初诊、行胸部CT检查的患者图像，其中300例为测试集。应用分割网络、关键点检测网络和骨折检测网络建立DCNN模型，对肋骨骨折定位和诊断进行训练和验证。以高年资医师诊断为金标准，应用χ2分割检验和单因素方差分析比较低年资医师、DCNN模型和在DCNN模型辅助下的低年资医师诊断肋骨骨折的精确率、召回率、F1-score和诊断用时。统计DCNN模型诊断的假阳性和假阴性病例数量。结果：在300例测试集胸部CT图像中，共发现797处肋骨骨折，DCNN模型有22例假阳性病例和62例假阴性病例。低年资医师、DCNN模型和在DCNN模型辅助下的低年资医师诊断肋骨骨折的精确率(χ2=8.85,P=0.012)和召回率(χ2=43.2,P<0.001)有明显差别。低年资医师诊断肋骨骨折的精确率(94.2%)低于DCNN模型(97.1%)，在DCNN模型辅助下，低年资医师诊断的精确率有所增加(96.4%),DCNN模型和在DCNN模型辅助下低年资医师诊断的精确率无明显差别(96.4%)。低年资医师诊断肋骨骨折的召回率(84.8%)低于DCNN模型(92.2%)，在DCNN模型辅助下医师诊断的召回率明显升高(94.0%)。低年资医师的诊断用时平均为(155.0±31.9)s，而DCNN模型诊断肋骨骨折仅需(4.8±1.4)s，在DCNN模型辅助下医师诊断用时可缩短至(40.6±7.0)s，三者有明显差别(F=328.1,P<0.001)。结论：DCNN模型在胸部CT图像上可准确定位、诊断肋骨骨折，显著缩短诊断用时，减少漏诊、误诊率。

• 单位
  天津市天津医院; 上海联影智能医疗科技有限公司