人工智能在MRI检测前交叉韧带撕裂中表现出与放射科医生相当的诊断性能:系统综述与荟萃分析
该系统综述与荟萃分析纳入36项研究、52个AI模型,评估AI在MRI上诊断和分类前交叉韧带撕裂的性能。AI诊断的汇总准确率、敏感度、特异度分别为87.37%、90.73%、91.34%,分类模型分别为90.46%、88.68%、94.08%,与临床医生表现相当,但异质性高(I²>90%),结论认为AI可能作为有价值的辅助工具,尚待前瞻性验证。
要点
- AI诊断前交叉韧带撕裂的汇总敏感度90.73%、特异度91.34%、准确率87.37%,与临床医生表现相当。
- <2 mm层厚的3D PDFS序列结果最有前景,但样本量小;切片厚度亚组间置信区间重叠。
- 异质性高(I²>90%),特异度存在发表偏倚证据(Egger检验P<0.0001),可解释性有限。
核心结论
- AI模型在ACL撕裂检测中表现出与临床医生相当的诊断性能,可能作为有价值的辅助工具,尚待前瞻性验证。
- substantial heterogeneity and limited interpretability remain key challenges,需要进一步研究和标准化评估框架以支持临床整合。
研究设计与样本
- 系统综述与荟萃分析,遵循PRISMA-P 2015清单并在PROSPERO注册(CRD42024593390),检索截至2024年9月22日。
- 纳入36项研究、52个模型;24/36(66.67%)为全自动,28/36(77.78%)为内部验证,8/36(22.22%)为外部验证。
- 采用随机效应模型计算汇总估计,亚组分析要求至少3项研究;使用CLAIM-AI清单和PROBAST框架评估方法学质量与偏倚风险。
诊断标准与关键数值
- AI诊断ACL撕裂汇总准确率87.37%(84.31%,90.43%)、敏感度90.73%(87.92%,93.54%)、特异度91.92%(90.07%,93.77%),异质性p<0.01。
- 10个分类模型的汇总准确率90.46%(85.50%,95.41%)、敏感度88.68%(83.78%,93.58%)、特异度94.08%(91.04%,97.12%)。
- 非放射组学模型准确率86.95%(83.38%,90.51%)、特异度91.22%(88.89%,93.54%)、敏感度92.23%(89.67%,94.80%);放射组学模型准确率87.26%(80.07%,94.45%)、特异度93.03%(89.78%,96.28%)、敏感度84.69%(70.77%,98.62%),差异均未达统计学显著。
- 切片厚度<2 mm敏感度94.47%(91.98%,96.95%)、特异度94.27%(91.45%,97.09%);≥3 mm敏感度92.53%(87.96%,97.10%)、准确率88.34%(84.71%,91.98%)。
- 以关节镜为金标准时准确率93.09%(89.82%,96.36%)、敏感度94.17%(91.21%,97.13%)、特异度93.57%(91.06%,96.08%)。
临床应用与阅片要点
- AI与放射科医生相比,准确率SMD 1.41(−1.23,4.06)、敏感度SMD 0.31(−0.54,1.16)、特异度SMD 0.56(−0.79,1.91),均未达统计学显著。
- 分类任务中AI对临床医生的特异度SMD为1.34(1.08,1.60),提示AI模型在特异度上具有一致优势;敏感度SMD 0.67(−1.26,2.60)未达统计学显著。
- 2D序列汇总敏感度90.77%(86.80%,94.73%)、特异度91.69%(89.77%,93.61%);仅使用3D序列因样本量不足未能进行荟萃分析。
- 作者结论认为AI可能作为ACL撕裂检测的有价值辅助工具,尚待前瞻性验证;原文未据此给出具体阅片流程推荐。
局限性
- 异质性高(I²>90%),汇总结果需谨慎解读。
- 特异度Egger检验提示漏斗图不对称(z=−5.59,p<0.0001),可能存在发表偏倚。
- 仅10/36(27.78%)研究使用可解释性方法,可解释性有限。
- 许多既往系统综述受限于小样本量、排除相关模型及对模型可解释性和金标准标注质量等关键方法学问题分析不足。
- 作者结论指出需要进一步研究和标准化评估框架以支持临床整合。
全文中译20 节 · 点击展开
背景
前交叉韧带(ACL)是第二常见的膝关节损伤韧带,占所有表现为急性肿胀的膝关节损伤的近一半。每年每3500人中就有1人受影响[1]。ACL撕裂的发病率正在上升,尤其是在儿童和青少年中,2005年至2021年间挪威的儿童ACL重建术增加了40%以上[2, 3]。磁共振成像(MRI)仍然是ACL撕裂诊断的金标准,检测率高(95.85%),准确率高(94.87%)[4, 5]。尽管复杂的损伤表现和部分撕裂可能使判读复杂化,导致观察者间变异性和误分类[4, 6]。此外,漏诊率和误诊率分别 reported 为13%和10%[7]。如果不予治疗,周围结构(包括半月板)继发性损伤的风险显著增加,同时还会导致慢性膝关节不稳定和骨关节炎风险增大[8, 9]。
ACL撕裂通常使用MRI序列进行评估,如质子密度脂肪饱和(PDFS)、T2加权和T1加权成像,其中PDFS提供更优越的软组织对比度和液体敏感性,使其在显示韧带结构方面特别有效[10]。2D和3D成像方案均有采用;虽然3D涡轮自旋回波(TSE)序列提供各向同性分辨率并允许多平面重建,但常规2D TSE仍是大多数临床环境中的标准[11, 12]。值得注意的是,2D和3D TSE对ACL撕裂的诊断性能相当,报告的敏感性为93%,特异性为80–85%[13]。尽管成像技术有所进步,诊断准确性可能因放射科医生的经验而有很大差异,与经验更丰富的同事相比,初级阅片者通常表现出较低的敏感性、特异性以及较长的报告时间[14, 15]。
使用人工智能,特别是深度学习,来辅助MRI上ACL撕裂的诊断已日益受到关注,旨在提高放射科医生在临床实践中的诊断效果,尤其是在判读MRI扫描经验较少的中心[16–19]。影像组学已成为基于AI的临床影像检测模型中一个值得关注的领域,特别是针对ACL撕裂等肌肉骨骼疾病[20, 21]。虽然尚无严格定义,影像组学是指从诊断图像中提取定量的、可重复的特征,捕捉人眼可能无法感知的复杂模式和纹理[22]。通过利用影像组学特征,模型可以更准确地判读MRI,检测细微异常,并为诊断ACL撕裂等疾病定义更准确的目标区域(ROI)[23]。与早期的深度学习方法不同,基于影像组学的模型通常使用更聚焦的数据集和精心勾画的ROI,允许进行更细粒度的分析[24–28]。虽然这种方法学上的特异性可能引入一些偏倚——鉴于如此详细的图像标注在日常临床工作流程中并非常规——但它代表了提高诊断精确度的重要一步。因此,基于影像组学的方法仍然是进一步研究的有前景的途径,特别是在弥合算法性能与临床实用性之间差距的努力中。
虽然既往系统综述已评估人工智能在MRI上诊断和分类前交叉韧带(ACL)撕裂的性能,但许多研究受限于样本量小、排除相关模型以及对关键方法学问题(如模型可解释性和真实标注(GT)质量)分析不足[29–31]。相比之下,本综述提供了更近期、全面且聚焦的综合分析,纳入对人工智能性能及其作为临床医生辅助手段潜在用途的评估。本研究旨在提供最新、具体且全面的文献综述,涵盖各种人工智能方法,批判性审视算法相关问题与局限性,并通过荟萃分析进行定量综合。
材料与方法
检索方法
本系统综述与荟萃分析遵循PRISMA-P 2015清单,并在国际前瞻性系统综述注册平台(PROSPERO)注册(CRD42024593390)[32]。从数据库建库至2024年9月22日,使用医学主题词(MeSH)和布尔运算符在主要数据库中进行全面文献检索,未应用语言或发表类型筛选。然而,在筛选过程中仅纳入以英文发表的研究(图1)。检索策略由机构图书馆员协助制定,针对以下问题:“人工智能在MRI上诊断和分类ACL撕裂方面是否有效且准确?”(表s1)。
研究选择与纳入标准
文章上传至COVIDENCE,由两名综述者进行筛选,分歧由第三名综述者解决[33]。手动检索参考文献列表。使用预定义的纳入和排除标准(表s2、s3)评估标题和摘要,并对基于人工智能的MRI ACL诊断研究进行全文筛选。
数据提取
两名综述者独立提取数据,包括敏感度、特异度、准确率、精确率、F1和AUC(表s4)。数据缺失或不明确时联系作者。为本综述目的,诊断定义为对ACL撕裂存在与否的二元识别,区分撕裂与完整韧带。分类指根据结构破坏程度将ACL状态归入更详细的亚组,如完整、部分撕裂或完全撕裂。
批判性评价
使用方法学严谨性采用CLAIM-AI清单评估,同时使用预测模型偏倚风险评估工具(PROBAST)框架评估偏倚风险(RoB)[34, 35]。两名评价者进行评估,分歧由第三名评价者解决。审查了适用性和数据可靠性。
荟萃分析
汇总的人工智能诊断准确性、特异性和敏感性的估计值被计算出来;当无法获得95%置信区间(CI)时,使用基于二项标准误公式的Wald方法计算。随机效应模型用于处理异质性(I²)[36]。在可能的情况下提取验证数据。亚组分析比较了临床医生表现与人工智能模型、前交叉韧带(ACL)撕裂分类、放射组学模型、MRI类型和GT,要求至少有三项研究。作为亚组分析的基于分类的模型被定义为诊断完全厚度、部分或无ACL撕裂。标准化均数差(SMD)用于比较人工智能和临床医生的性能指标,计算为均数差除以合并标准差(Cohen's d)。当无法获得时,使用SMD方差估计95%置信区间。亚组分析仅对研究数≥3的组进行。结果通过森林图可视化,统计显著性设定为p < 0.05。分析在RStudio(版本2024.04.2 + 764;R版本4.4.0)中进行,使用‘meta’(版本8.1-0)和‘metafor’(版本4.6-0)包。
发表偏倚
使用Egger检验评估总体特异性、敏感性和准确性的发表偏倚,并使用‘meta(版本8.1-0)’包通过漏斗图可视化。
结果
在筛选的271项研究中,36项研究(52个模型)被纳入综述和荟萃分析[18, 24–28, 37–66]。研究特征和性能指标总结在表1、s5–s7中。在森林图中观察到高异质性。在这些研究中,24/36(66.67%)为全自动。其余包括11/36(30.56%)需要手动预处理、1/36(2.78%)半自动和1/36(2.78%)监督自动。共有10/36(27.78%)项研究使用了可解释性方法(表s8)。大多数进行了内部验证(28/36,77.78%),其余8/36(22.22%)进行了外部验证,其中3/8(37/5%)为多国研究。
卷积神经网络(CNN)是主要的基线架构,在84.6%(44/52)的案例中使用,而其余模型使用了各种方法,包括作为CNN优化器的改进蜜獾算法(IHBA)和支持向量机(SVM)(表1)。纳入研究的批判性评价总结在图s2和s3中。漏斗图可见图s4。所有森林图可见图2、3、s5–s22。
偏倚风险(RoB)
偏倚风险和适用性评估发现大多数研究为低风险:受试者(91.7%)、预测因子(88.9%)、结局(94.4%)和分析(75.0%),总体低风险为75.0%。高风险出现在8.3%的研究中,均位于分析领域。风险不明确总体见于16.7%,涉及受试者(8.3%)、预测因子(11.1%)、结局(5.6%)和分析(16.7%)。适用性评估未出现高风险评级;风险不明确在一项研究(2.8%)中出现于预测因子和结局。大多数研究在适用性方面为低风险,涉及受试者(97.2%)、预测因子(94.4%)、结局(94.4%)和总体(94.4%)。
Claim AI
36项研究对CLAIM-AI的总体依从率为70.1%。依从性最高的是标准2(“研究设计、方法、结果和结论的摘要”)和标准22(“模型的详细描述”),均为100%,表明方法和模型细节的报告较强。依从性最低的是标准12(“缺失数据的处理方式”),为10.8%;标准11(“去标识化方法”),为18.9%;以及标准18(“评估者间和评估者内变异性的测量”),为27%,突显了在数据处理、匿名化和标注一致性报告方面的差距(图s3)。
发表偏倚
对于准确度,没有显著的不对称性证据(z = −0.48,p = 0.632)。类似地,对于灵敏度,该检验接近显著性但未达到常规水平(z = −1.88,p = 0.060),尽管注意到了关于方差稳定性的警告。相比之下,对于特异度,Egger检验表明存在漏斗图不对称的强证据(z = −5.59,p < 0.0001),提示特异度估计中可能存在发表偏倚(图s4)。
系统综述
在所报告的模型中,80.8%报告了准确度,48.1%纳入了灵敏度,73.1%纳入了特异度作为性能指标。Chen等达到了99.47%的准确度[41],而Wang等报告了98.0%的诊断灵敏度和特异度[40],Zhang等展示了99.2%的特异度[52]。五项研究使用了影像组学模型,采用了多种影像组学特征提取方法[24–28](表s4)。GT来源各异,19/52(36.5%)来自临床医生,10/52(19.2%)来自关节镜检查,22/52(42.3%)来自预标注数据集,主要是KneeMRI(15/52,28.8%)和MRNet(7/52,13.5%),通常未明确指定 ground truth。
这12项研究(13个模型)将人工智能与临床医生进行比较,在准确率、敏感性和特异性指标上一致表现出强劲性能,往往超过临床医生表现[27, 28, 37, 40, 41, 46, 47, 49, 59, 60, 62, 66]。两项研究将人工智能与人工智能辅助的临床医生进行比较[37, 66],在12项研究中有10项人工智能在至少一个指标上优于临床医生,其中Liu等人在敏感性、特异性和AUC方面分别达到96%、96%和98%,与临床医生相当[60],而Xue等人提供了超出本分析范围的精确度数据[28]。Wang等人报告人工智能准确率为91.84%,超过临床医生的80.5%,同时具有更高的特异性(98.57% vs. 95.89%)[37]。同样,Chen等人报告人工智能达到97.5%的准确率,优于初级和中级培训医师[41]。在这些研究中,7项(62.5%)将人工智能与不同级别的放射科医生进行比较[27, 47, 49, 59, 60, 62, 66],2项(50%)与骨科外科医生进行比较[37, 41],2项(25%)将人工智能与放射科医生和骨科外科医生组进行比较[28, 46],其余1项研究(12.5%)与放射科医生和运动医学医生进行比较[40](表s4)。
八项研究(10个模型)将前交叉韧带(ACL)撕裂作为其诊断的一部分进行分类[26–28, 62–66]。三项分类研究采用了影像组学模型[26–28]。七项研究将损伤分为完全撕裂、部分撕裂和无撕裂类别[26, 28, 62–66],而Chen等人将撕裂分为0-IV级,并根据美国骨科医师学会标准进一步将部分撕裂分为稳定型和不稳定型[27, 67]。分类模型一致报告了关键指标,分别有80.8%、68%和65%报告了准确率、敏感性和特异性。值得注意的是,Xue等人[28]达到了94.0%的分类准确率,受试者工作特征曲线下面积为0.99,而Wang等人报告在区分ACL撕裂类型方面准确率为96.8%,敏感性为100%[62]。
四项以分类为重点的研究(五个模型)的结果表明人工智能优于临床医生[27, 28, 62, 66]。一项研究将人工智能辅助的临床医生与独立人工智能进行比较[66],其余研究直接比较临床医生和人工智能的表现[27, 28, 62]。在所有研究中,人工智能在至少一个指标上超过了临床医生的表现。
五项研究将影像组学和机器学习应用于MRI进行ACL撕裂诊断,使用了不同的成像序列,包括T1WI、PDWI、PDW-SPAIR以及先进的脂肪抑制或薄层扫描方案[24–28]。所有研究均进行了强度归一化,四项研究包含了数据增强技术以提高模型的泛化能力[24, 26–28]。特征提取范围从传统的一阶、形状和基于GLCM的指标到深度学习衍生特征,常用的特征选择方法包括LASSO、t检验和SelectKBest。分割方法各不相同:三项研究使用手动标注,一项应用半自动分割[25, 26, 28],一项采用基于CNN的全自动分割[24]。
荟萃分析
ACL损伤的总体诊断
图3突出显示了前交叉韧带(ACL)损伤诊断准确率的较大范围,数值从55.00% [55]至99.68% [64],总体合并准确率为87.37%(84.31%,90.43%)。敏感度从65.09% [24]至完美的100% [39],合并敏感度估计为90.73%(87.92%,93.54%)。特异度从78.90% [55]至99.61% [64],合并估计为91.92%(90.07%,93.77%)。所有结果均具有高异质性(p < 0.01)(图2)。
十个分类模型的总体合并准确率为90.46%(85.50%,95.41%),范围从86.33%至99.68% [62, 64]。敏感度值从80.53%至97% [28, 62],合并敏感度估计为88.68%(83.78%,93.58%)。特异度值从86.87% [26]至99.62% [64],合并特异度为94.08%(91.04%,97.12%)(p < 0.01)(图3)。
影像组学模型与非影像组学模型
与非影像组学模型相比,影像组学模型在准确率和特异度方面表现出相当或更好的性能。非影像组学模型达到86.95%(83.38%,90.51%)的准确率、91.22%(88.89%,93.54%)的特异度和92.23%(89.67%,94.80%)的敏感度。影像组学模型显示出略高的准确率(87.26%(80.07%,94.45%))和特异度(93.03%(89.78%,96.28%)),但敏感度较低(84.69%(70.77%,98.62%))。然而,这些差异均未达到统计学显著性,置信区间存在重叠。
在ACL撕裂分类中,非影像组学模型在ACL撕裂分类中表现出较强的诊断性能,合并准确率为91.11%(84.94%,97.28%),敏感度为89.51%(84.04%,94.98%),特异度为94.45%(90.90%,98.01%)。在分析的三个基于影像组学的模型 [26–28] 中,两个提供了对照数据 [26, 28]。Xue等人的模型报告了97%的敏感度和特异度 [28],优于非影像组学模型的基准值,而Dung等人的模型报告的值(准确率87.87%,敏感度83.68%,特异度88.92%)低于非影像组学基准值 [26]。
临床医生与人工智能(AI)诊断ACL损伤的比较
AI模型在ACL撕裂检测方面表现出与临床医生相当的性能,尽管各项研究结果存在差异。合并标准化均数差(SMD)表明AI在特异度(0.52(−0.31,1.36))和敏感度(0.19(−0.47,0.84))方面略有优势,敏感度值范围从−2.15至2.59 [47, 49],但这些差异无统计学显著性,因为95%置信区间包含零。准确率的合并SMD为1.51(0.61,2.40),范围从−1.23至3.70。与放射科医生相比,AI显示出等效的准确率(1.41(−1.23,4.06))、敏感度(0.31(−0.54,1.16))和特异度(0.56(−0.79,1.91)),但这些差异均无统计学显著性,因为所有置信区间均跨越零。这些比较中存在相当大的异质性(I² = 98.96%)。
在分类准确率方面,SMD值范围从0.11 [28]至3.12,合并准确率为1.53(0.47,2.58)[62]。敏感度SMD值范围从−0.76至2.03,总体合并SMD为0.67(−1.26,2.60)[62],由于置信区间较宽,结果无显著性。特异度SMD值范围从0.77至1.42,合并SMD为1.34(1.08,1.60)[27, 62]。这表明AI模型在特异度方面相对于临床医生具有一致的优势,低异质性表明与其他指标相比特异度结果相对稳定(p = 0.36)(图s10)。
基于MRI层厚和序列诊断前交叉韧带(ACL)损伤
PDFS序列优于质子密度(PD)序列,在数值上实现了更高的准确性和特异性(图s11、s12)。PDFS模型报告的特异性为90.50%(87.87%,93.13%),使用1.5-T和3-T扫描仪的矢状面、冠状面和轴面图像时峰值达99.2% [52]。敏感性平均为90.43%(87.04%,93.82%),使用矢状面和冠状面图像时最高达98% [40]。该组的准确性为86.16%(82.14%,90.09%),峰值达99.6% [40]。PD模型(无FS)的准确性(85.11%(81.24%,88.98%),最高99.47%)和特异性(89.59%(86.80%,94.73%),最高98.84%)略低,尽管CI存在重叠 [41]。敏感性平均为90.77%(85.49%,96.84%),使用1.5-T和3-T扫描仪的冠状面图像时敏感性达100% [48]。
2D序列的合并敏感性为90.77%(86.80%,94.73%),特异性为91.69%(89.77%,93.61%),但被Namiri等人使用质子密度加权3D快速自旋回波(CUBE)序列的研究所超越 [65]。由于仅使用3D序列的样本量不足,无法进行meta分析。
层厚影响诊断性能。层厚< 2 mm的切片实现了最高敏感性(94.47%(91.98%,96.95%))和特异性(94.27%(91.45%,97.09%)),而≥ 3 mm切片的敏感性略低(92.53%(87.96%,97.10%)),但准确性最高(88.34%(84.71%,91.98%))。然而,各层厚亚组之间重叠的CI提示这些差异可能不具有统计学显著性,应谨慎解读。
在分类模型中,由于样本量有限,仅对使用基于PDW序列的模型进行了meta分析。1.5-T FS-PDWI实现了最高准确性(99.68%)和特异性,超过了合并准确性(90.07%(83.75%,96.39%))和特异性(93.99%(90.40%,97.50%))[64]。使用3-T PDW-SPAIR时敏感性峰值达97%,超过了合并敏感性88.18%(82.49%,93.86%)[28]。然而,重叠的CI提示这些比较应视为描述性而非结论性。
基于参考标准诊断前交叉韧带(ACL)损伤
以关节镜作为GT的AI模型具有最高准确性(93.09%(89.82%,96.36%))、敏感性(94.17%(91.21%,97.13%))和特异性(93.57%(91.06%,96.08%)),其次是以临床医生作为GT。虽然这些数值提示使用临床或手术确认时具有性能优势,但亚组之间的差异较小且置信区间重叠,限制了确定性结论。
大多数研究使用放射科医生作为GT,表现最佳的模型使用放射科医生 [65]、骨科外科医生 [37]或两者结合作为GT [41],其中Chen等人报告了最佳性能,他们使用了高级、中级和初级培训人员的组合,每组均包括骨科外科医生和放射科医生。
讨论
本meta分析综合了36项研究的数据,对AI在前交叉韧带(ACL)撕裂诊断和分类中的应用进行了全面评估。总体而言,AI实现了高准确性(87.37%(84.31%,90.43%))、敏感性(90.73%(87.92%,93.54%))和特异性(91.34%(89.17%,93.52%)),支持其临床实用性。对于ACL撕裂分级,十个分类模型的合并准确性为90.46%(85.50%,95.41%),敏感性为88.68%(83.78%,93.58%),特异性为94.08%(91.04%,97.12%)。
目前明显缺乏关于使用影像组学诊断前交叉韧带(ACL)撕裂的高级别证据,例如荟萃分析。在其他骨科膝关节相关领域,影像组学已展现出较强的诊断性能,凸显了其优于传统诊断方法的潜力[68–70]。尽管这些趋势并非前交叉韧带所特有,但它们强调了影像组学在优于传统诊断方法方面的更广泛潜力。这种可推广的优势表明,当应用于前交叉韧带成像时,影像组学,尤其是与深度学习(DL)整合时,可能产生更稳健且更具临床实用性的撕裂评估模型。这可以通过基于影像组学的分析来实现,即通过手工特征识别韧带纹理、形状和周围组织中的细微变化[21, 71]。虽然深度学习模型需要大型数据集,且可能遗漏具有临床相关性的细微差别,但影像组学可以通过量化强度或异质性等细微图像模式来检测早期或部分撕裂。这在前交叉韧带成像中尤为重要,因为其中的异常可能很细微。影像组学流程还允许进行靶向特征选择并具有更高的可解释性,使其非常适合较小数据集以及透明度至关重要的临床环境。因此,与端到端深度学习系统相比,影像组学模型可能对前交叉韧带撕裂提供更准确且具有临床意义的评估,并可整合到深度学习系统中。未来需要开展研究以确定最佳影像组学特征,并在不同平台上验证其性能,因为可靠性和预后价值高度依赖于提取方法和特征集[72]。
在使用特定成像序列训练的模型中观察到的更优诊断性能,例如使用1.5-T FS-PDWI所达到的显著高准确率(99.68%)和特异度,以及使用3-T PDW-SPAIR所达到的97%的峰值敏感度,可能部分由磁场强度的差异来解释。更高的场强,如3 T,与更长的T1弛豫时间相关,这会增强软组织对比度和病灶显著性,从而可能改善撕裂检测[73–76]。此外,这些生物物理因素,包括磁场强度,以及序列优化和层厚,可能导致了观察到的性能差异。较厚的层厚通过增加体素体积并采集更多信号来提高信噪比,从而可增强整体图像质量。然而,这是以降低空间分辨率和增加部分容积效应为代价的,后者可能遮蔽对检测细微或部分前交叉韧带撕裂至关重要的精细解剖细节[77, 78]。这些MRI权衡可能有助于解释不同序列和层厚之间性能的变异性,尽管鉴于可用亚组数据的样本量有限和异质性,此类解释仍属推测。从实践角度看,这些发现强调了在训练和部署用于前交叉韧带评估的人工智能模型时标准化成像方案的重要性。层厚或场强的微小变化都可能显著影响性能,尤其是在检测部分或细微撕裂时。随着人工智能工具越来越接近临床使用,理解这些技术依赖性对于实施和质量保证变得至关重要。
人工智能(AI)作为一种支持工具,可以减少假阴性并提供有价值的裁定,尤其使经验较少的临床医生受益,他们可以利用AI作为裁定者来提升技能并减少诊断错误,这与我们的发现一致[79, 80]。这一裁定层最大限度地减少了不必要的手术,并防止了必要手术的延误。将AI整合到放射学培训中可提高图像报告质量和效率,满足现代医疗保健日益增长的需求[81]。通过实现更快、更可靠的分析并标记潜在问题,AI改善了诊断工作流程。即使是同一位放射科医生,其敏感性和特异性也可能因所评估发现的患病率而有所不同;在此类情境中,当识别罕见或细微异常时,特异性尤为关键。在此,AI可作为有价值的支持工具,以提高特异性并减少日常临床工作流程中对不常见发现的遗漏。然而,在缺乏人工监督的情况下将AI作为独立决策者尚为时过早,因为这需要目前并不存在的稳健、故障安全验证标准,使得将诊断责任完全委托给AI在目前不可行。
Duong等人提出,将AI整合到培训和临床实践中可以标准化诊断质量,为初级临床医生提供一致的、基于证据的反馈,并减少变异性[82]。这种方法不仅有助于培训,还通过提高放射学报告的准确性和一致性来改善患者结局[83]。虽然使用AI的分诊系统在急性场景中已显示成功,例如急诊环境中的颅内出血检测,但将此模型外推到肌肉骨骼病例(如前交叉韧带(ACL)损伤)需要谨慎。尽管对ACL撕裂进行早期手术干预可以改善结局,但这些损伤通常不具有与急性神经科急症相同的紧迫性或发病率[84]。此外,影像学发现表面上的简单性并不总是反映损伤的临床复杂性或功能影响。鉴于对某些ACL损伤保守治疗的兴趣日益增长,基于AI的分类的临床相关性在于其能够为预后提供信息并与患者特定的治疗路径相一致,而不仅仅是僵硬的形态学分类[67, 85]。也可能存在预测保守治疗适宜性的ACL影像学特征,这些特征可能通过放射组学特征提取获得,而未被当前分类框架所捕获。未来的工作应探索这些可能性,并整合患者特定变量和结局来监督训练,确保AI工具支持细致入微的临床决策。成功采用不仅取决于诊断性能,还取决于对临床工作流程的适应性。将AI嵌入放射学基础设施(如PACS和报告系统)并辅以人工监督,对于安全性、信任和可用性至关重要。实施应优先考虑工作流程兼容性、临床医生参与和真实世界验证,以将算法进步转化为持续的临床获益,同样的原则应从一开始就指导行业主导的放射学界面开发,以确保实际整合、透明性和临床相关性。
不同研究间序列的变异性引发了对其模型在临床实践中泛化能力的担忧[48, 52, 65]。即便扫描仪制造商、成像方案和场强存在微小差异,也可能影响模型性能,进而可能导致诊断不一致。尽管区分全层与部分前交叉韧带(ACL)撕裂体现了技术进步,但此类区分的临床相关性仍较为复杂。次全撕裂常被标记为部分撕裂,仍可能导致功能性不稳定并最终需要手术干预。随着对非手术治疗管理的兴趣日益增加,有必要评估基于人工智能(AI)的分类是否反映了真实世界的治疗决策并与临床结局相关[86–88]。大多数纳入的模型侧重于使用二分类(“撕裂”与“无撕裂”)或多分类(“部分”“完全”或“完整”)进行解剖学分级,但很少有模型评估预后有效性或临床实用性。值得注意的是,在对ACL撕裂进行分类的模型中,仅Chen等人使用了经验证的量表,即美国骨科医师学会分级系统[27, 67]。尽管ACL损伤严重程度量表(ACLISS)等较新的工具可评估重建后组织损伤,但目前尚无广泛采用的ACL撕裂分类系统[89]。
在实际应用中,AI可通过预分析图像并为临床医生提供初步诊断以供核实来简化工作流程,减少病例处理时间并使临床医生能够专注于复杂决策[90, 91]。这种协作模式——AI支持而非替代临床判断——可提高报告效率并改善报告数量和质量,同时强调AI使用的伦理性和透明度[92]。然而,AI推理偏差(即人类倾向于认同AI生成的结论)对临床报告的影响仍研究不足,需要进一步研究其对临床决策的影响[93]。一个相关担忧是,过度依赖AI可能使放射学培训从主动的图像判读转向对AI输出的被动核实。这存在核心判读技能逐渐侵蚀的风险,放射科医生可能沦为AI生成报告的审核者而非独立诊断专家。因此,AI不应被视为严格临床培训的替代品,也不应成为培训不足的放射科医生的拐杖,而应作为增强训练有素临床医生专业能力的支持性工具。此外,欧盟《人工智能法案》等监管框架旨在通过区分伦理批准的模型开发与临床部署来保障患者安全[94]。尽管有人担心此类法规可能限制适应性,但该法案并不禁止模型训练或演进[95, 96]。持续的模式训练和优化可在受保护的研究环境中进行,在不损害患者安全的前提下支持创新。应优先考虑透明验证、符合监管的更新路径和联邦学习策略,以平衡AI性能与临床问责。
尽管具有潜力,AI模型可解释性有限仍是临床整合与信任的主要障碍,因为这些系统的“黑箱”性质掩盖了其决策背后的推理过程[97]。目前,很少有模型能提供对决策过程的洞察,这凸显了未来AI系统需要更高的透明度和可解释性[98]。此外,研究间的显著异质性强调了标准化报告实践的重要性,包括一致的观察者间一致性指标,以提升模型质量[66]。使用多样化扫描类型和替代性[84]GT(包括关节镜数据和随访结果)进行进一步验证,将改善外部效度。AI还可进一步发展为利用影像生物标志物预测手术结局,促进患者分层以实现最佳管理。
我们的系统文献检索促成了稳健的汇总分析,但若干方法学局限性需要谨慎对待。许多研究将ACL撕裂分类简化为广泛类别,如完整、部分或完全撕裂,限制了诊断细微差别,而在荟萃分析中,这些被作为诊断类别处理,分类被视为一个亚组。结局指标报告不一致使我们依赖准确度、灵敏度和特异度作为主要指标。数据相关问题,包括类别不平衡、数据集小或质量差,以及通过二项假设估计的缺失置信区间,可能引入偏倚。GT定义各异,一些研究使用预先标注的数据集而缺乏明确的临床医生参与,而基于关节镜的GT可能捕捉更明显的影像学发现,外科医生-放射科医生共识可能更好地反映真实世界解读,可能引入抽样偏倚。按病变类型(如孤立性部分撕裂)进行详细分层的情况罕见,且在这一层面上AI与放射科医生之间的直接比较基本缺失,无法评估哪些病变对AI最具挑战性或这与临床医生表现相比如何。患病率相关变异性也影响准确度,尽管采用分层训练-测试划分,准确度仍对潜在分布敏感,而缺乏完整混淆矩阵进一步限制了对诊断指标的评估。混合的1.5-T和3-T MRI数据妨碍了场强比较,而有限的亚组样本量降低了统计效能并常产生宽置信区间,导致我们避免正式统计检验以防止过度解读。尽管采取了方法学保障措施,这些局限性凸显了需要谨慎解读,并强调了未来研究中标准化报告的重要性。
未来的研究应优先开发标准化的分级系统,以改进人工智能训练和诊断一致性,特别强调将部分前交叉韧带撕裂分类为稳定型和不稳定型分级。这些病例通常表现为细微的影像学特征和诊断模糊性,因此需要以良好平衡且具有代表性的数据集进行针对性努力,以提升模型性能和临床决策。纳入广泛使用的临床结局测量工具,如国际膝关节文献委员会(IKDC)满意度问卷、Lysholm评分和Tegner活动量表,以及保守治疗试验失败等指标,有助于弥合基于影像学的分类与真实世界治疗决策之间的差距。除技术因素外,患者人口学特征如年龄、性别和种族的差异使人工智能模型的泛化能力复杂化,可能引入患者层面的偏倚,限制更广泛的应用[99]。观察到的GTs差异提示模型在KneeMRI和MRNet等数据集上的性能可能存在差异[16, 49]。此外,GTs的差异,无论是基于关节镜检查结果还是临床医生判读,都对实现标准化构成挑战。应特别强调在MRI系统和患者队列中验证人工智能模型,优先将关节镜记录作为金标准,以减少影像设备和人口学特征带来的偏倚。
结论
人工智能模型展现出与临床医生相当的诊断性能,可作为前交叉韧带撕裂检测的有价值辅助工具,尚待在前瞻性临床环境中进一步验证。基于影像组学的模型和新型标准化分类系统是未来发展的关键。在多样化GTs和成像方案中进行验证将确保更广泛的应用,使人工智能成为提升诊断准确性和临床工作流程的有价值工具。
补充信息
电子补充材料
引用
- Gill SS, Haq T, Zhao Y, et al. AI demonstrates comparable diagnostic performance to radiologists in MRI detection of anterior cruciate ligament tears: a systematic review and meta-analysis. Eur Radiol. 2025. PMID: 40996509. doi:10.1007/s00330-025-12020-2
- 全文:PMC13035667(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC13035667/
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。