人工智能在肋骨骨折诊断中的临床应用.docxVIP

人工智能在肋骨骨折诊断中的临床应用 [摘要]目的：应用人工智能对胸部薄层CT影像进行智能图像后处理和分析，分析人工智能对肋骨骨折征象的检出敏感性和特异性，探讨人工智能在肋骨骨折诊断中的临床应用。方法：回顾性分析因怀疑肋骨骨折而接受CT三维重建检查的患者资料,由人工智能及影像医生对患者肋骨骨折征象进行标注，通过人机对比验证AI在肋骨骨折征象检出的准确性。结果：AI对肋骨骨折征象的检出率较高、用时短，能够辅助影像科医生提高工作效率和诊断准确性，并有效帮助临床排查肋骨骨折患者，从而提高检出率、准确率。 关键词：人工智能；肋骨骨折；临床应用 肋骨骨折主要由于外来暴力所致，当暴力作用于胸部时，肋骨骨折多发生于受打击的部位，骨折端会向内折断，严重情况下胸内脏器也会造成损伤。许多影像学检查可以诊断肋骨骨折，通常仰卧位胸部X线片作为肋骨骨折的初筛检查，但是50%以上的肋骨骨折会在X线检查中漏诊。因此，CT作为诊断肋骨骨折的主要影像学检查方法是十分必要的[1]。但是受到个体因素、拍摄设备等客观原因的影响，医生在影像学诊断时也容易出现漏诊。随着科技的发展，人工智能应用于医疗的很多领域，如胸部薄层CT影像进行智能图像后处理和分析、乳腺磁共振图像后处理和分析等，为了分析人工智能对肋骨骨折征象的检出敏感性和特异性，节省检出时间，提高检出率、准确率，本文选取2021年11月—2022年8月我院接收的210例肋骨骨折患者作为此次研究的样本进行分析，研究结果报告如下： 1资料与方法 1.1一般资料 此次研究患者为2021年11月—2022年8月我院接收的肋骨骨折患者210例，年龄17—85岁，平均（ 35.56 ± 13.65 ）岁。以有无骨折为研究对象，有骨折110例，无骨折100例。以有无错位为研究对象，有错位120例，无错位90例，两组患者在上述一般基线资料比较上无显著差异（P0.05），可进行对比分析。 1.2临床纳入与排除标准[2]? 纳入标准：（1）因急性外伤而进行胸部CT检查[3]；（2）有完整的CT数据；排除标准：（1）肋骨骨折为病理性自发骨折；（2）胸廓畸形患者。 1.3方法? 对所有患者完成CT图像数据获取，对照组为8位影像诊断专家共同在CT图像上对肋骨骨折进行标注，并记录患者例数。实验组采用AI软件对CT图像进行处理分析。 1.4观察指标? （1）对照组以有无骨折为研究对象，阳性结果为影像专家发现全部肋骨骨折，阴性结果为专家未发现肋骨骨折。以有无错位为研究对象，阳性结果为影像专家发现错位，阴性结果为专家未发现错位。（2）实验组以有无骨折为研究对象，阳性结果为AI发现全部肋骨骨折，阴性结果为未发现肋骨骨折。以有无错位为研究对象，阳性结果为AI发现错位，阴性结果为未发现错位。（3）诊断全程所用时间。 1.5 统计学分析 ?研究获取肋骨骨折患者资料，分别对患者肋骨骨折检出敏感度、特异度和阴阳性结果进行描述，采用SPSS18.0系统软件分析；计数资料用（n，%）表示，使用x2检验，P0.05表示有统计学意义。 2 结果 2.1 检测有无骨折病例数情况比较? 对照专家组共检测阳性结果70例，阴性结果140例，阳性检出率为81.82%。实验AI组共检测出阳性结果100例，阴性结果110例，阳性检出率为90.91%，组间比较P0.05，具体数值见表1。 表1? 两组检测病例数情况比较分析（?x±s） 组别 阳性 阴性 阳性率 实验AI组（n=210） 100 110 90.91%（100/110） 对照专家组（n=210） 90 120 81.82%（90/110） x2 0.0495 P 0.0000 2.2 检测有无错位病例数情况比较? 对照专家组共检测阳性结果20例，阴性结果20例，阳性检出率为77.78%。实验AI组共检测出阳性结果70例，阴性结果20例，阳性检出率为90.00%，组间比较P0.05，具体数值见表1。 表2? 两组检测病例数情况比较分析（?x±s） 组别 阳性 阴性 阳性率 实验AI组（n=100） 90 10 90.00%（90/100） 对照专家组（n=90） 70 20 77.78%（70/90） x2 5.5218 P 0.0211 2.3 检测时间比较 ?实验组总检测时间明显短于对照组，组间比较P0.05，具体数值见表3。 表3 ?两组检测时间比较（?x±s） 组别 总检测时间 实验组（n=210） 3.15±0.34 对照组（n=210） 32.14±1.65 t 249.3699 P 0.0000 3讨论 肋骨骨折可能会导致胸部出现严重创伤，若发生在肺部的肋骨骨折，可能出现气胸、血胸、血气胸等并发症[4]，多处错位的肋骨骨折造成患者出现主动脉夹层等致命性并发症，治疗不及时，会造成患者死亡。但是轻微型骨折影像学诊断