超声人工智能辅助诊断发育性髋关节发育不良

作者：孙锡玮; 吴青杰; 管之也; 何晓刚; 孙军; 方继红; 杨芳; 林昱东; 袁亮; 谢康; 蒋健一; 刘传彬; 谢洪涛; 徐静远; 张思成^*

来源：中华骨科杂志, 2022, 42(16): 1084-1092.

• 人工智能
• 神经网络, 计算机
• 发育性髋关节发育不良
• 超声检查

目的构建一种发育性髋关节发育不良(developmental dysplasia of the hip, DDH)超声图像的人工智能(artificial intelligence, AI)辅助诊断的深度学习系统并验证。方法回顾性收集2019年1月至2021年1月的2 000段儿童髋关节超声影像片段, 并选取影像片段中标准截面2 000张, 所有标准截面均由标注小组通过使用基于Python 3.6环境的自编软件使用图片跨媒体数据标注与人工审核标准化流程用统一的标准进行处理。随机选取其中1 753张用于训练深度学习系统, 余247张用于测试系统。再从测试集中随机选取200张标准截面, 并由8位临床医生独立完成读片标注, 将8份独立结果与AI结果进行比较。结果测试集共247例, 与临床医生测量相比, 判读髋关节是否成熟的诊断受试者工作特征曲线(receiver operating characteristic curve, ROC)下的面积(area under the ROC, AUC)为0.865, 灵敏度为76.19%, 特异性为96.90%。Graf详细分型下的深度学习系统判读的AUC为0.575, 灵敏度为25.90%, 特异性为89.10%。根据Bland-Altman方法确定的α角[95%LoA(-4.7051°, 6.5948°), Bias -0.94, P<0.001]和β角[95%LoA(-7.7191, 6.8777), Bias -0.42, P=0.077], 与8位临床医生相比AI系统判读结果均更为稳定, 且β角效果更为突出。结论新型人工智能系统可快速且准确的测量标准髋关节超声平面的Graf法相关指数。

• 单位
  中国科学技术大学; 安徽省儿童医院