文献速递骨肌DR

人工智能在传统X线片上自动检测和测量腕关节不稳定征象的研究

Artificial intelligence for automated detection and measurements of carpal instability signs on conventional radiographs.
PubMed 文献 · Eur Radiol · 2024-04-18

本研究回顾性开发并验证了一套人工智能系统,用于在传统手/腕X线片上测量舟月关节距离、舟月角与头月角并检测腕弧中断;测试集测量误差(MAE)分别为0.65 mm、7.9°和5.9°,腕弧中断检测敏感度83%、特异度64%,测量表现与多数临床医生相当。

要点

  • AI系统可自动测量舟月距离、舟月角和头月角,测试集MAE分别为0.65 mm、7.9°和5.9°。
  • AI检测腕弧中断的敏感度83%、特异度64%、AUC 0.80(阈值11%)。
  • 观察者研究中AI测量舟月距离和舟月角的准确度等于或高于多数临床医生(p<0.05)。

核心结论

  • 新开发的自动化AI系统能在传统X线片上准确测量和检测腕关节不稳定征象。
  • 该系统有潜力改善腕弧中断的检测,并可能成为支持临床医生检测腕关节不稳定的有前景工具。

研究设计与样本

  • 回顾性病例对照研究,在三家医院(A、B、C)获取手和腕X线片数据集。
  • 数据集1(2178张X线片,1993例患者,医院A和B,2018–2019年)用于开发AI系统。
  • 数据集2(481张X线片,217例患者,医院C,2017–2021年)用于测试,其中174张X线片(87例患者)用于与五名临床医生比较的观察者研究。
  • 参考标准由两名肌肉骨骼放射科医生(分别有27年和26年经验)共识阅片确定。
  • 评估指标包括平均绝对误差(MAE)、敏感度和特异度。

关键影像表现/征象

  • AI系统输出舟月关节距离(mm)、舟月角(度)、头月角(度)、腕弧折线及腕弧潜在中断标记和总体中断评分。
  • 腕弧中断通过比较观察到的腕弧折线与未中断时重建的假想形状(由点分布模型获得)来判定。
  • 新开发的热图技术使用向量和颜色编码在原始图像上可视化腕弧中断的程度(z-score)和位置。

诊断标准与关键数值

  • 舟月关节距离在正位/后前位舟月关节面中点测量,中立位阈值3.0 mm、尺偏位(Stecher位)阈值3.7 mm,超过阈值视为异常。
  • 儿童(6–14岁)舟月距离阈值按Kaawach等报告的各年龄组正常值上限设定。
  • 舟月角和头月角在侧位片上测量,中立位腕关节舟月角正常范围为30–60度,头月角应小于30度,超出参考值视为异常。
  • 腕弧按Gilula方法在中立正位/后前位片上定义,腕骨脱位、腕骨塌陷或脱位性腕骨骨折时视为中断或异常。
  • AI测量舟月距离、舟月角和头月角的MAE分别为0.65 mm(95%CI: 0.59, 0.72)、7.9度(95%CI: 7.0, 8.9)和5.9度(95%CI: 5.2, 6.6)。

临床应用与阅片要点

  • 原文结论指出该系统有潜力改善腕弧中断检测,并可能成为支持临床医生检测腕关节不稳定的有前景工具。
  • 观察者研究显示AI测量舟月距离和舟月角的准确度等于或高于多数临床医生(分别对四名和五名医生p<0.05)。
  • AI测量头月角的准确度低于多数临床医生(对三名医生p<0.05),但差异轻微(MAE 6.0度 vs 临床医生平均4.0度)。

局限性

  • 原文在失败案例分析中报告了AI系统的测量和后续检测错误,未在摘要或结论中另述研究设计层面的局限性。
全文中译17 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者,按 CC BY 许可使用,本译文为翻译改编。出处:Eur Radiol. 2024 Apr 18;34(10):6600–13. doi: 10.1007/s00330-024-10744-1

引言

当腕骨在生理负荷和运动下无法维持其正常排列时,即存在腕关节不稳[1]。大多数类型的腕关节不稳由急性创伤引起,如韧带断裂和移位骨折。非创伤性原因较少见,包括炎性关节炎、感染和先天性疾病。虽然腕关节不稳的真实患病率仍不清楚,但已发现创伤性韧带损伤常与急性腕部骨折同时发生。在使用手术验证数据(即腕关节镜)的研究中,据报道其存在于所有舟骨骨折的34%[2]以及所有桡骨远端骨折的13–64%[3–5]中。舟月(SL)韧带撕裂在这两种骨折类型中均常见。早期识别这些损伤很重要,因为若不治疗,它们可能导致SL分离和SL进行性塌陷(SLAC)[6]。已有报道称,与急性腕部骨折同时存在的腕关节不稳征象在常规X线片上常被忽视[7–9]。由于常规X线摄影通常是疑似腕部创伤后的首选影像学检查方法[10],将研究重点放在常规X线片上检测腕关节不稳征象是值得的。

为在常规X线摄影上识别腕关节不稳,建议评估腕骨间关节间距增宽和腕骨角异常[1, 11]。SL关节增宽可提示SL韧带的创伤性撕裂。此外,腕骨弧线排列的中断是识别该病症及其他腕关节不稳原因的有用影像学特征[12]。然而,腕骨测量已被证明受个体变异和误差影响[13–15],且对于肌肉骨骼(MSK)放射科医师和(手)外科医师以外的临床医师而言可能并不熟悉。因此,一个可靠且自动化的系统来测量和检测腕关节稳定性征象,可能被证明是日常临床实践中的宝贵工具。

近年来,人工智能(AI)软件在肌肉骨骼放射学领域各种任务的自动化方面表现出高性能[16–19]。这些任务从量化评估(如骨龄评估和身体成分测量)到病变检测(如骨折和肿瘤)。鉴于这些进展,我们提出了一个可解释且统一的框架,用于自动测量和检测多种腕关节不稳。为限制研究范围,我们展示了该框架在评估SL关节间距、SL角和头月(CL)角以及腕骨排列方面的价值。本研究的目的有二:(a)开发和验证一个能够准确测量和检测腕关节不稳征象的AI系统;(b)评估该系统在常规X线片上测量和检测腕关节不稳征象方面与不同专科临床医师相比的表现。

材料与方法

数据集

本回顾性研究经荷兰拉德堡德大学医学中心(Radboudumc)、Jeroen Bosch医院(JBZ)和Gelderse Vallei医院(ZGV)当地机构委员会批准。豁免知情书面同意,数据收集、匿名化和存储均按照当地指南进行。准备了两个手、腕和舟骨X线摄影数据集,用于训练和评估人工智能系统。这些数据集特征的概况见表1。额外的成像参数见附录E1(在线)。

表1 实验数据集详情 查看原表 ↗

数据集1

数据集1由2018-2019年在Radboudumc和JBZ获取的2178张X线摄影(1993例患者)组成。其包含等比例的正位视图(包括中立位、尺偏位、握拳前后位[AP]或后前位[PA]以及斜位)和侧位视图X线摄影。当因金属植入物和石膏或骨骼过度退变、融合或破坏而无法勾勒腕骨轮廓时,X线摄影被排除。后述情况可由高能量创伤或慢性疾病引起,如终末期类风湿关节炎。注释方案和训练数据选择(数据集1)的流程图分别见附录E2和E3(在线)。

数据集2

数据集2由2017-2021年在ZGV获取的481张X线摄影(217例患者;每例患者一项检查)组成。该数据集用于评估人工智能系统的自动测量。这些检查根据原始放射学报告进行预选,以平衡有和无腕关节不稳征象的患者数量。测试数据选择(数据集2)的流程图见图1。与数据集1相比,应用了更严格的排除标准,排除了具有以下情况的X线摄影:(a) 任何由金属植入物和石膏引起的重叠投影,(b) 无中立(放松)腕关节侧位位置,(c) 腕骨未骨化或部分骨化及发育未成熟(儿童)。添加第一条标准以最大化测量的可靠性。后两条标准是执行测量所需的最低要求(见“测量定义”部分)。注释方案在“参考标准”部分描述。

数据集2的一个子集用于进行后续的观察者研究(见“观察者研究”部分)。该子集由87项检查(来自87例患者的193张X线摄影)组成。该子集通过为以下每种情况纳入至少20项检查来平衡:CL角异常、SL角异常、SL关节距离异常、腕骨弧中断和无异常测量。数据集2(完整集和子集)的距离和角度测量值分布见附录E4。

图1 数据集2(测试集)中检查纳入和排除的流程图。每个步骤的检查数量用n表示。检查从文本搜索结果中以随机顺序预选。a基于检查元数据(如检查日期、患者人口统计学、报告),发现这些检查是已纳入检查的重复项 查看原图 ↗

测量定义

本研究中调查的测量值根据文献[20]定义。舟月(SL)关节距离在正位/后前位视图上于舟骨-月骨面的中点测量。Dornberger等[21]表明,分别在中立位和尺偏位视图(Stecher投影)上,3.0 mm和3.7 mm的阈值是最佳的。本研究中,超过这些阈值的舟月关节距离被认为异常。对于儿童(6-14岁),阈值设定为Kaawach等[22]报告的各年龄组正常值上限。

舟月(SL)角和头月(CL)角定义为侧位X线片上舟骨或头状骨长轴与月骨中平面轴之间的角度[11]。在腕关节中立位,舟月角应在30至60度之间,头月角应小于30度。超过这些参考值的数值被认为异常。儿童和青少年使用相同的阈值。

腕骨弧线根据Gilula[12]的提议在中立位正位/后前位视图上定义。在腕骨脱位、腕骨塌陷或脱位的腕骨骨折情况下,弧线被认为中断或异常。仅导致弧线延长的分离不被视为中断,除非骨骼向近端半脱位进入增宽的关节间隙。这同样适用于正常解剖变异(即三角骨缩短或双叶/II型月骨形态[23])或关节间隙狭窄。

参考标准

参考标准由两名经验丰富的肌肉骨骼(MSK)放射科医师(M.R.和B.M.,分别具有27年和26年经验)的共识阅片确定。他们独立标注了测试数据集(数据集2),并使用附录E5(在线)中描述的共识阅片程序解决任何分歧。

人工智能流程

人工智能系统的流程总结于图2。该系统设计为以X线片作为输入,并返回以下输出(取决于所提供的视图):(a) 舟月关节距离(毫米),(b) 舟月角(度),(c) 头月角(度),(d) 腕骨弧线的折线,以及(e) 腕骨弧线潜在中断的标记及总体中断评分。该流程包括三个一般步骤。两个卷积神经网络(CNN)首先分别在正位/后前位视图和侧位视图上分割腕骨的前面和侧面。接下来,使用主动外观模型(AAM)确定骨骼的方位(长轴/短轴)和关节面。最后,所有测量值及随后从关节面和骨轴进行的检测由人工智能系统自动导出。腕骨弧线的中断通过比较观察到的和重建的假设腕骨弧线折线形状(如果未中断)(从点分布模型[PDM]获得)来确定。一种新开发的利用向量和颜色编码的热图技术可视化原始图像中腕骨弧线中断的程度(z分数)和位置(图2)。该系统公开 available 于 https://grand-challenge.org/algorithms/,可在网络浏览器中运行。处理步骤和训练程序的详细描述见附录E6和E7(在线)。

图2 用于在正位和侧位X线片上测量和检测腕骨不稳征象的(AI)流程概览。通过分割确定相关腕骨的空间和几何属性,然后用于识别关节面关节表面。基于所获得的骨表面和角度,可进行腕骨不稳的测量和检测。生成的腕骨弧以颜色编码点(n = 100)可视化,形成易于解读的热图。较暖的颜色表示与重建的假设正常弧的显著偏差(以z分数表示)。这些偏差或距离由附着于点上的小尾迹(位移向量)显示。更多信息见附录E6(在线) 查看原图 ↗

观察者研究

在五名临床医生中进行了一项观察者研究:肌肉骨骼(MSK)放射科医生(M.V.)、非MSK放射科医生(S.K.)、手外科医生(S.Z.,EBHS认证)、普通外科初级医生(J.v.A.)和急诊(ER)医生(T.O.-B.),分别具有14、12、16、1和24年经验。临床医生独立在数据库2的子集中测量了“测量定义”部分所定义的舟月(SL)关节距离、SL和CL角(源自轴线)。他们以五点Likert量表表示对腕骨弧是否中断的信心。最低和最高评分分别表示腕骨弧肯定正常和异常,而中性选项(不确定,中断可能存在或不存在)是随访检查临床决策的切点。临床医生使用网络平台Grand Challenge(版本2022.07,2022)[24]上的Cirrus Core工作站评估所有病例,并可访问每例患者的所有放射学视图。

统计分析

评价指标

AI系统的分割和标志点定位组件分别在数据集1上评估。评估细节见附录E8(在线)。整个AI系统在数据集2上评估。测量和生成的腕骨弧的准确性分别使用平均绝对误差(MAE)和平均Fréchet距离(MFD)评估。与参考标准的测量一致性使用从Bland-Altman图分析[25]获得的偏倚和一致性界限(LoA)评估。检测异常距离、角度和腕骨弧中断的能力使用以下指标评估:敏感性、特异性和受试者工作特征(ROC)曲线下面积(AUC)(仅弧中断)。为评估腕骨弧中断检测,选择使Youden指数最大化的AI系统检测阈值。Fréchet距离使用similarity measures Python库(版本0.7.0,2023)[26]计算。Bland-Altman图分析使用pyCompare Python库(版本1.5.4,2022)[27]进行。其他指标使用scikit-learn Python库(版本1.2.1,2023)[28]计算。

显著性检验

采用分层自举法(1000次迭代)估计95%置信区间(CI),但Bland-Altman图按[25]所述方法计算。分层依据为:距离按1 mm分组、角度按10度分组、二分类标签(检测结果)分组。显著性检验采用双侧配对置换检验(1000次迭代),使用MLxtend Python库(版本0.21.0,2022)[29];AUC比较除外,采用DeLong检验[30],使用pyroc Python库(版本0.2.0,2022)[31]。p值小于0.05的差异视为显著。

结果

测试数据特征

根据放射学报告预选了574例有或无腕关节不稳征象的检查。经过初步视觉评估后,排除了196例检查。这些检查涉及以下情况:腕关节石膏固定和/或含内固定材料(n = 111)、单手X线摄影中同时显示双手(n = 61)、腕骨未完全显示(n = 10)、腕骨退变或破坏过于严重(n = 8)、患者年龄过小(≤ 6岁;n = 6)。严重退变或破坏的病例(如SLAC、移位骨折)仅在因关节面消失而无法标注(n = 6)、骨质疏松过度(n = 1)或完全孤立性舟骨脱位(n = 1)时才被排除。

接下来,从随机抽取用于共识阅片流程的220例检查中,排除了2例重复检查和1例腕骨骨化不足患者的检查。分别有3例SL距离和SL角度测量因月骨前侧和舟骨外侧显示不足而被排除。最终选取了来自217例患者的217例检查(平均年龄51岁 ± 23 [标准差{SD}];女性133例)。由于这些检查包含多个X线序列,测量包括258个SL距离、189个SL角度、191个CL角度和217组标注的腕骨弧。所有入选观察者研究的检查(数据集2的子集)均包含至少一张AP/PA位和侧位X线摄影(无排除测量),因此所有测量均可由临床医生完成。

AI系统的评估

测量和检测结果

表2呈现了AI系统在数据集2中测量SL关节距离、SL角和CL角以及腕骨弧的测量误差(MAE、偏倚、LoA、MFD)及其95%CI。在总数据集上测量SL关节距离、SL角和CL角的MAE分别为0.65 mm、7.9度和5.9度。相应的Bland-Altman图见图3,检测结果见附录E9。在总数据集上测量近端、中段和远端腕骨弧的MFD分别为1.34、1.15和1.25 mm。检测腕骨弧中断的敏感性、特异性和AUC分别为83%(95%CI:74%,91%)、64%(95%CI:56%,71%)和0.80(95%CI:0.73,0.87)(检测阈值设为11%)。相应的ROC曲线及95%CI带见图4a。

表2 AI系统在数据集2上的测量结果 查看原表 ↗
图3 人工智能系统与GT在数据集2中SL距离(n=258,见a)、SL角(n=189,见b)和CL角(n=191,见c)测量一致性比较的Bland-Altman图。每个标记代表一次配对测量。虚线代表平均差值(蓝色)和一致性界限(LoA)(橙色)。阴影带代表95%CI 查看原图 ↗
图4 a 人工智能系统在数据集2(70例阳性病例,147例阴性病例)上腕弧中断检测结果的ROC曲线及工作点。b 人工智能系统与临床医生在观察者研究子集(44例阳性病例,43例阴性病例)上腕弧中断检测结果的ROC曲线。每个病例代表一名患者的一次检查。阴影带代表95%CI。黑线代表无法区分中断弧与非中断弧。AUC=ROC曲线下面积 查看原图 ↗

辅助系统组件的结果

腕骨分割和标志点定位结果见附录E10和E11(在线)。

人工智能系统与临床医生的比较

测量和检测结果

表3展示了人工智能系统和临床医生对SL关节距离、SL角和CL角的测量误差(MAE、偏倚、LoA)及其95%CI和p值。相应的Bland-Altman图见附录E12。表4展示了人工智能系统和临床医生对腕弧中断的检测性能(敏感度、特异度、AUC)及其95%CI和p值。腕弧中断检测的ROC曲线见图4b。

表3 人工智能系统与临床医生测量结果的比较 查看原表 ↗
表4 人工智能系统与临床医生腕弧中断检测结果的比较 查看原表 ↗

失败案例分析

对人工智能系统和临床医生失败病例的定性分析显示,人工智能系统产生了13个临床医生均未出现的测量及后续检测错误(在人工智能系统总共52个错误中:4/12[舟月距离]、5/16[舟月角]、3/8[头月角]、1/16[腕骨弧])。与舟月距离、舟月角和头月角相对应的示例失败病例见图5,与腕骨弧相对应的示例失败病例见图6。在4个异常舟月距离检测错误(假阴性)中,舟骨或月骨的分割被拉长进入增宽的舟月关节间隙(n=2),或测量在月骨非前侧进行(n=2)。在前一类失败病例中,桡骨远端移位的骨折部分进入舟月关节间隙。在5个异常舟月角检测错误(4个假阳性、1个假阴性)中,月骨轴线因月骨-桡骨关节面中点预测错误而显著偏斜。在3个头月角检测错误(2个假阳性、1个假阴性)中,月骨轴线(n=3)和头状骨轴线(n=2)因月骨-桡骨、月骨-头状骨或头状骨-第三掌骨关节面中点预测错误而显著偏斜。在异常角度检测失败病例中,月骨要么显著变圆或骨折(伴移位),要么月骨和头状骨存在明显的重叠投影(来自其他骨骼)。在1个腕骨弧中断检测错误(假阳性)中,近端腕骨弧存在非相关性中断,因为月骨近端轮廓偏离桡骨,且舟骨轻度倾斜。

有20个由大多数临床医生产生而人工智能系统未产生的测量及后续检测错误(在临床医生总共52个错误中:3/8[舟月距离]、6/16[舟月角]、2/5[头月角]、9/23[腕骨弧])。与舟月距离、舟月角和头月角相对应的示例失败病例见图5,与腕骨弧相对应的示例失败病例见图6。在3个增宽舟月距离检测错误(假阳性)中,临床医生对月骨前侧位置存在分歧(由于假性勾勒或不规则轮廓)(n=2)或舟骨前侧位置存在分歧(由于假性拱形表面)(n=1)。在6个异常舟月角检测错误(3个假阳性、3个假阴性)中,舟骨轴线因背侧重叠投影而偏斜,尤其是来自三角骨的重叠投影。在2个异常头月角检测错误(1个假阳性、1个假阴性)中,头状骨轴线因骨骼形状不对称而偏斜。在9个腕骨弧中断检测错误(1个假阳性、8个假阴性)中,头状骨和月骨分别向增宽的舟月关节间隙(n=5)和桡腕关节(n=3)轻度近端半脱位,或临床医生对月骨与其周围骨骼之间关节面的 congruity 存在分歧(n=1)。

图5 AI系统和临床医生对异常SL关节距离、SL角和CL角进行测量及后续检测误差的示例。黄色、青色和橙色线条分别代表AI、临床医生和GT测量值。角度测量的轴线以白色显示,采用密集图案(AI或临床医生)和虚线图案(GT)。本图中对应临床医生和GT的线条起点和终点坐标已取平均值。每个面板下方提供测量值和相应的GT。a 77岁男性,SL关节距离增宽(> 3 mm)。b 37岁男性,SL关节距离正常。c 36岁男性女性,SL角正常。d 37岁男性,CL角正常。e 74岁女性,SL角正常。f 68岁女性,CL角异常(> 30度) 查看原图 ↗
图6 AI系统(a)和临床医生(b和c)对腕弧中断进行检测误差的示例。每张图像的左上角显示AI预测和GT标签。每张图像下方显示临床医生的中断评分(范围从0%[无中断]到100%[中断])。AI系统生成的腕弧以颜色编码点叠加在原始图像上。这些点对应z分数:z分数越高,该点越异常,因而越能指示中断(更多信息见附录E6[在线])。腕弧与假设正常形状的偏差由附着于点上的小尾巴(位移向量)显示。a 53岁女性,远端桡骨骨折,桡腕关节轻度狭窄,但腕骨排列正常。b 82岁男性,头状骨向近端半脱位,方向朝向增宽的SL关节间隙。c 26岁男性,月骨轻度成角,伴有SL关节间隙增宽和亚急性舟骨骨折。ER Doc = 急诊医生,H Surg = 手外科医生,Jr Doc = 初级医生,MSK Rad = 肌肉骨骼放射科医生,Rad = 放射科医生 查看原图 ↗

讨论

传统X线片上腕关节不稳定的测量在不同检查者之间可能不一致,且对经验较少的临床医生而言可能不熟悉。这项多中心研究表明,人工智能驱动的测量和腕关节不稳定影像学征象的检测在临床可接受的水平上是可行的。测量舟月(SL)距离、SL角和头月(CL)角的平均绝对误差(MAE)分别为0.65 mm、7.9度和5.9度。检测弧线中断的敏感度和特异度分别为83%和64%。观察者研究显示,AI系统在测量SL距离和SL角方面与大多数临床医生具有相当的准确度(分别与四名和五名临床医生相等或更高[p < 0.05])。其在测量CL角方面的准确度低于大多数临床医生(对三名临床医生p < 0.05),但差异轻微(MAE,6.0 vs. 4.0度[临床医生平均值])。在检测腕弧中断方面,AI系统在相同特异度下敏感度高于三名临床医生(敏感度/特异度,73%/91% vs. 45%/95%[临床医生平均值],p < 0.05[敏感度]和p ≥ 0.05[特异度])。据我们所知,仅有Keller等[32]研究了AI在其中一项任务中的应用,并同样证明SL距离测量可以准确自动化。基于我们的发现,我们预期AI有可能改善腕关节不稳定征象的检测,并在不增加临床医生额外工作量的情况下实现高效筛查。

失败案例分析显示,AI系统与临床医生之间存在定性差异。研究发现,系统检测错误的25%(13/52)未由任何临床医生犯下。然而相反,系统未犯下大多数临床医生所犯检测错误的38%(20/52)。与临床医生相比,系统在测量CL角以及对腕部移位骨折患者进行测量方面显示出轻微劣势。鉴于韧带损伤与急性腕部骨折共存,这是一项相关发现,应在未来研究中加以解决。尽管如此,它并未导致总体检测性能降低。

该人工智能系统在存在重叠投影时确定舟骨轴线的能力优于临床医生,在检测因半脱位导致的细微弧线中断方面也具有优势。在这方面,被认为更专业化(即肌肉骨骼放射科医生、手外科医生)和较不专业化(即初级医生、急诊科医生)的临床医生在评估腕骨不稳方面没有明显差异。这表明该系统在这些病例中可能对两类临床医生都具有价值。然而,需要注意的是,一般而言,更专业化的临床医生往往比不太专业化的临床医生具有更低的测量和检测误差。此外,虽然该系统对弧线中断的敏感性高于急诊科医生、非肌肉骨骼放射科医生和手外科医生,但AUC的差异仅对急诊科医生具有统计学意义。这表明手外科医生和放射科医生的置信评分偏向保守(即最佳阈值低于Likert量表的中性点)。对于这些临床医生,该系统可能有助于确认对腕骨弧线中断的怀疑。需要在每个专业纳入更多临床医生进行后续研究以确认我们的发现。

本研究存在若干局限性。首先,测试数据集中的研究以病例对照方式收集,主要基于原始放射学报告进行(预)筛选。使用放射学报告进行筛选是由于电子健康记录(EHR)系统中缺乏可靠且特异的诊断代码。腕骨不稳的细微征象可能并非总被报告,这可能引入了选择偏差,尽管我们发现测试数据集包含了足够多样的测量值。其次,测试数据集中排除了带有内固定材料(如金属板、螺钉、克氏针)和石膏固定的病例,以最大限度地提高测量的可靠性。我们预计只要关节间隙和关节面能够自由投影,这不会显著影响软件性能,但这一点应在未来研究中加以探讨。第三,我们仅关注评估自动测量的准确性,而未将推导出的腕骨不稳征象检测与诊断相关联。腕骨不稳可通过腕关节镜或MRI和CT关节造影进行诊断。尽管如此,评估测量的诊断价值超出了本研究的范围,应在后续开发阶段加以解决。最后,该软件与由不同专业临床医生组成的小组进行了比较,因为腕骨不稳的诊断和治疗通常涉及多学科方法。虽然这一比较提供了跨临床医生性能的估计,但小组的异质性也意味着无法得出普遍适用的性能指标。

总之,本研究提供了初步证据,表明自动化人工智能系统能够准确测量和检测腕关节不稳的影像学征象。研究发现,自动测量和检测结果在很大程度上与临床医生的结果相当,可能有助于提高临床实践中对腕关节不稳的认识。该系统在提高专科医生和非专科医生对腕弧中断的检测方面显示出潜力。所提出的框架可能有助于实现其他腕关节不稳测量以及 other 肌肉骨骼结构测量的自动化。未来研究应在观察者研究中验证该人工智能系统,每个专业纳入更多临床医生,并研究其在同步阅片环境中对患者结局的潜在影响。

补充信息

电子补充材料

引用

  1. Hendrix N, Hendrix W, Maresch B, et al. Artificial intelligence for automated detection and measurements of carpal instability signs on conventional radiographs. Eur Radiol. 2024. PMID: 38634877. doi:10.1007/s00330-024-10744-1
  2. 全文:PMC11399222(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC11399222/

供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。