Eur Radiol： 想准确地检出CT中的肋骨骨折，又不想看瞎眼，那有什么好办法吗？

     急诊胸部创伤患者做CT检查，简直是放射科医师永远的痛！虽说，胸部多层CT对肋骨骨折的检出、骨折数量及类型的诊断具有重要价值。然而，放射科医师在处理急诊创伤时需要对数百张薄层图像中的24根肋骨逐一、逐层的仔细观察，简直是要看瞎眼啊！同时，外伤患者往往会牵涉到赔偿鉴定中，稍不注意给漏诊了，那可是够倒霉的！

     要想准确地检出肋骨骨折，又不想看瞎眼，那有什么好办法吗？

     近日，Eur Radiol上发表的一篇名为Automatic detection and classification of rib fractures based on patients' CT images and clinical information via convolutional neural network的论文基于临床信息及CT图像开发了自动检出并分类肋骨骨折的卷积神经网络（CNN）模型。

     该项回顾性研究共收集了来自1020名参与者的CT图像和临床信息，包括年龄、性别以及病史，并将这些信息分为一个单中心训练集（n = 760;年龄：55.8±13.4岁;男性：500例）、一个单中心测试集（n = 134；年龄：53.1±14.3岁；男性：90）、以及来自两家不同医院的两个独立的多中心测试集（n = 62，年龄：57.97±11.88，男性：41； n = 64，年龄：57.40±13.36，男性：35）。使用Faster Region-based CNN（Faster R-CNN）模型整合CT图像和临床信息。然后，使用结果合并技术将2D推断转换为3D病变结果。根据受试者工作特性（ROC）曲线、自由响应ROC（fROC）曲线、精度、召回率（灵敏度）、F1得分和诊断时间评估诊断性能。根据ROC曲线下的面积（AUC）、敏感性和特异性评估分类性能。

图.模型I和模型I/T结构框架

     研究结果发现，与仅仅使用CT图像相比，将临床信息和CT图像结合时，CNN模型在诊断新鲜的、愈合的及陈旧性骨折上的诊断效果均得到提升，并且对所有三个类别均表现出良好的分类性能。与经验丰富的放射科医生相比，CNN模型具有更高的灵敏度（平均灵敏度：0.95> 0.77、0.89> 0.61和0.80> 0.55）、相当的精度（平均精度：0.91> 0.87、0.84> 0.77和0.95> 0.70）、以及更短的诊断时间（平均减少126.15 s）。

图.不同类型肋骨骨折在CT图像中的诊断结果

     本研究表明，结合了CT图像和临床信息的CNN模型可以自动检出并分类肋骨骨折，在实际临床实践中具有良好的j价值和可行性。

写在后面

      胸部创伤是急诊，尤其是夜班中常见的病种。放射科医师最基本要做的也是最繁琐的事就是诊断肋骨骨折。由于肋骨结构的曲度、数量及变异，对夜班医师来说是一件让人抓狂的工作。顶着惺忪模糊的睡眼，看着看着半小时，甚至一小时就过去了，看到睡意全无，看到待急诊病号的堆积如山。有了人工智能来辅助放射科医生进行肋骨骨折诊断，虽说不能如虎添翼，但也是让工作处理起来事半功倍！

原始出处：

Qing-Qing Zhou,Wen Tang,Jiashuo Wang,et al. Automatic detection and classification of rib fractures based on patients' CT images and clinical information via convolutional neural network. DOI:10.1007/s00330-020-07418-z