文献速递骨肌MR

深度学习辅助的多病种膝关节MRI分析可提升住院放射科医师的诊断表现

Comprehensive deep learning-assisted multi-condition analysis of knee MRI studies improves resident radiologist performance.
PubMed 文献 · Eur Radiol · 2025-10-17

这项回顾性双中心研究基于3121例常规膝关节MRI训练3D切片Transformer网络,对23种膝关节病变进行二分类,外部测试集458例的平均AUC绝对差为0.05±0.03。由2名低年资和2名高年资住院医师对50例外部测试集进行有无模型辅助的读片,结果显示模型辅助提高了低年资医师的准确率和敏感度、提高了两组医师的读者间一致性,并使高年资医师敏感度提高、读片时间缩短10%(p=0.045)。

要点

  • 模型在内部数据集对18/23种病变AUC≥0.75,外部测试集平均AUC绝对差0.05±0.03,泛化较稳定。
  • 模型辅助可提高住院医师诊断敏感度并增加读者间一致性,高年资医师读片时间缩短10%(p=0.045)。
  • 纳入模型表现低(AUC<0.75)的病变时特异度轻度下降;仅看AUC≥0.75病变时低年资医师准确率、敏感度、特异度均显著提高。

核心结论

  • 该深度学习模型在多种膝关节病变上表现良好,并能有效辅助住院放射科医师读片。
  • 作者认为未来工作应聚焦于对细微或罕见病变进行更精细的预测,以在临床实践中实现全面的关节评估。

研究设计与样本

  • 回顾性双中心研究,内部数据集来自私人放射科诊所2012年9月至2019年12月的3121例MRI(3018名成人),外部测试集来自大学医院2022年1月至2023年12月的458例MRI(429名成人)。
  • 内部数据集用于训练、验证和内部测试,采用五折交叉验证;外部数据集用于外部测试。
  • 纳入常规非增强膝关节MRI序列:轴位、冠状位、矢状位质子密度加权脂肪饱和2D快速自旋回波序列及矢状位T1加权序列。
  • 对软骨、半月板、骨髓、韧带及其他软组织共23种病变进行手动二分类标注,标注由经过培训的医学生初步提取、两名未参与原报告的放射科医师审核。
  • 读者研究于2024年9月至2025年1月使用50例外部队列MRI,参考标准由两名分别有6年和12年经验的肌骨放射科医师共识复阅确定;纳入2名无膝关节MRI阅片经验的一年级住院医师和2名已完成基础MRI培训、在监督下阅过至少70例膝关节MRI的末年住院医师。

关键影像表现/征象

  • MCL撕裂(部分/完全)为高表现病变:真阳性例显示股骨侧MCL完全撕脱、近端韧带结构不可辨;假阳性例为韧带周围软组织水肿和腱鞘囊肿而MCL结构完整。
  • 髌后软骨病变为中等表现病变:真阳性例显示髌骨嵴全层软骨缺损延伸至相邻内、外侧髌面及软骨下骨,伴反应性骨髓水肿;假阴性例为髌骨嵴小部分厚度缺损、未累及软骨下骨且运动伪影明显。
  • PCL病变(撕裂与非撕裂)为低表现病变:真阳性例显示PCL股骨侧完全撕脱并撕裂延伸至中段;假阳性例为股骨金属内固定物所致明显磁化率伪影而PCL结构完整。

诊断标准与关键数值

  • 模型性能按AUC分为高(绿色,AUC>0.85)、中等(黄色,0.75≤AUC≤0.85)、低(红色,AUC<0.75)三级。
  • 内部数据集:中位AUC 0.85(范围0.57–0.99)、中位敏感度76%(范围27%–97%)、中位特异度81%(范围57%–99%);高、中、低表现分别为10、8、5种病变。
  • 外部测试集:中位AUC 0.78(范围0.57–0.99)、中位敏感度70%(范围13%–94%)、中位特异度80%(范围48%–99%);高、中、低表现分别为8、6、9种病变。
  • 敏感度和特异度阈值由Youden J统计量确定,95%CI采用t分布计算。
  • 外部与内部数据集AUC平均绝对差为0.05±0.03;23种病变中有11种AUC差异无统计学意义,除关节积液外外部数据集AUC均低于内部数据集。

临床应用与阅片要点

  • 模型辅助以预填二分类预测(有/无)形式提供,住院医师可接受或修改;并以三色编码标示各病变基于完整外部测试集的模型表现等级。
  • 模型独立表现介于低年资与高年资住院医师之间,对两组影响不同;低年资医师更常接受模型的替代建议从而改善准确率,高年资医师较少改变初始判断。
  • 对低表现病变(AUC<0.75),高年资和低年资医师接受模型更改的比率分别为52%和78%,对应的诊断改善接近随机(47%和50%),提示不可靠模型输出的获益有限但准确率未明显下降。
  • 读片时间:低年资医师由3.5分钟降至3.4分钟(降低4%,p=0.28),高年资医师由4.7分钟降至4.2分钟(降低10%,p=0.045)。

局限性

  • 训练所用报告并非总是高质量的参考标准,因其主要用于临床沟通。
  • 部分病变如PCL、LCL或髌前滑囊病变较罕见,导致样本量小。
  • 为保持足够样本量,研究采用了较宽泛的病理定义,将分类简化为二分类(PCL)和三分类(MCL、LCL)。
  • 软骨病变、骨髓水肿、半月板退变或非撕裂性韧带病变影像特征细微、缺乏明确诊断标准或依赖主观分级,导致读者间一致性相对较低。
  • 模型辅助下考虑全部病变时特异度显著下降,仅在AUC≥0.75的病变中该下降不再出现。
全文中译12 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. 2025 Oct 17;36(4):2563–75. doi: 10.1007/s00330-025-12052-8

引言

全球范围内磁共振成像(MRI)的使用率稳步上升[1],在许多西方国家,平均使用率超过每年每1000名居民100次MRI检查[2]。与MRI使用率激增同时发生的是每次MRI检查复杂性的不断增加,尤其是由于图像数量的增多,这意味着每次MRI检查的图像内容大幅增加[3, 4]。虽然MRI检查无疑通过促进更准确和更早期的诊断改善了患者护理,但检查复杂性和数量的增加加重了放射科医生的工作负荷,并对维持诊断质量构成挑战。较高的工作负荷仅部分通过增加人员配置得到缓解,并可能导致诊断性能下降、错误率增加、工作时间延长以及倦怠和疲劳的患病率升高[5]。这一问题因近期的发展而进一步加剧,这些发展大幅提高了放射学实践中的患者流通量。特别是,AI加速图像采集的日益普及使以往不可想象的5分钟方案——用于膝关节及 beyond——成为临床现实[6, 7]。结合临床对膝关节MRI(被认为是“终极成像模态”[4, 8])日益增长的需求,基于AI的图像分析尚未跟上步伐[9]。大多数以往研究集中于单一组织或单一病变[10–13],而初步的多病变方法使用了研究序列和研究队列,未能反映临床实际[11]。

因此,存在一个未被满足的临床需求,即需要能够为膝关节MRI提供全面诊断辅助的AI模型,帮助放射科医生管理日益增多的待阅片和解读的图像内容。我们的目标是开发一个用于辅助阅读膝关节MRI检查的AI模型,并评估其对住院放射科医生的潜在价值。我们假设这样的模型将(i)在识别常见膝关节病变方面表现出足够的诊断性能,(ii)能够很好地泛化到外部数据,以及(iii)帮助住院医生更准确、更高效地阅读膝关节MRI检查。

材料与方法

研究设计

本回顾性研究按照当地数据保护法规进行。经当地伦理委员会批准(德国亚琛工业大学医学院:EK 22-319)后,豁免了个体知情同意的要求。

数据集特征

本研究使用了两个非增强膝关节MRI检查数据集,这些检查作为临床常规工作的一部分从两个放射学机构获取(图1)。第一个数据集来自一家私立放射学诊所(Praxis im Köln Triangle,德国科隆),包含2012年9月至2019年12月期间获取的3018名患者的3121次MRI检查。该数据集用于模型训练、验证和(内部)测试(内部数据集)。第二个数据集来自一家大学医院(德国亚琛),包含2022年1月至2023年12月期间获取的429名患者的458次MRI检查。该数据集用于外部测试(外部数据集)。

图1 内部(A)和外部(B)数据集的工作流程。经过随机抽样并应用排除标准后,对常规膝关节MRI检查就23种相关病变的存在与否进行人工标注。使用内部数据集(A)通过五折交叉验证评估模型性能,并使用外部保留测试集(B)进行评估。(*)常规膝关节MRI检查为平扫,包括轴位、冠状位和矢状位质子密度加权脂肪饱和序列以及矢状位T1加权序列 查看原图 ↗

内部数据集

在指定时间段内,从本地PACS(Centricity,GE HealthCare)中随机抽取成人患者的MRI检查,包括轴位、冠状位和矢状位质子密度加权脂肪饱和序列以及矢状位T1加权二维快速自旋回波序列。未应用特定排除标准,以反映临床常规。图像采集使用两台MRI扫描仪:一台1.5-T扫描仪(Intera,Philips Medical Systems)和一台3-T扫描仪(Magnetom Skyra,Siemens Healthineers)。补充表1详述了采集参数。

三名委员会认证的普通放射科医师(主要专注于肌骨放射学,且具有至少10年临床经验)作为其临床常规工作的一部分阅读了这些MRI检查。报告基于补充表2中的基本和支持性诊断标准,并为后续患者诊疗提供了依据。四名医学预科生使用最终放射学报告手动提取标签,并在需要时参考MRI检查。经过细致培训——辅以在线问答文档和定期反馈会议——学生们使用由23种病变组成的结构化模板,为每项MRI检查分配二分类标签,指示每种病变的存在或不存在(表1)。这些病变包括(i)交叉韧带和副韧带的撕裂及非撕裂性病变,(ii)半月板撕裂、突出和退行性半月板病变,(iii)软骨病变,以及(iv)其他病变,如骨髓水肿、关节积液(包括贝克囊肿)、髌前滑囊炎和髌骨位置异常。两名未参与原始报告的额外委员会认证普通放射科医师审查了所有标签,以确保准确性和一致性。

使用分层随机抽样,在患者层面将数据集分为五个大小和分布相似的折(补充表3)。

表1 数据集特征和病变计数 查看原表 ↗

外部数据集

纳入所有连续接受上述常规非增强膝关节方案的成人患者,未应用额外排除标准。可获取来自四台MRI扫描仪(均来自Philips)的检查:两台1.5-T扫描仪(Ingenia、Ingenia Ambition X)和两台3-T扫描仪(Ingenia Elition X、Achieva)(补充表1)。14名委员会认证的主治放射科医师报告了这些MRI检查,他们均具有临床MRI的高级专业知识,但临床经验水平各不相同。

手动提取标签,并按上述详细方法进行质量检查。

数据预处理

直方图归一化[14]分别应用于每个图像序列。归一化参数使用内部数据集计算,然后应用于内部和外部数据集。所得强度值在其各自的第99.9百分位数处截断,并线性重新缩放至[0,1]。然后,应用使用ImageNet均值和方差的归一化[15]。每个图像堆栈在平面内三线性调整为256×256像素,在平面间调整为32层,以提高训练效率和模型收敛。图像数量固定为32,因为用于训练的数据集中99%包含少于33幅图像。在训练过程中,每个图像堆栈均接受数据增强(补充表4)。

模型开发

我们的深度学习(DL)模型架构(图2)基于TransMed模型[16],该模型使用ResNet[17]将各层面单独编码为令牌,输入仅编码器Transformer。在我们的方法中,ResNet18骨干网络经过修改,将每个层面编码为一个令牌,同时整合来自相邻层面的上下文信息。残差3D模块被整合到预训练ResNet18骨干网络的标准层之间,置于初始最大池化层之后以及每个基本残差块内。这一修改保留了原始ResNet18架构,同时利用了高质量的预训练ImageNet[15]权重。每个残差3D模块由一个3×3×3卷积、随后的3D批归一化和双曲正切(Tanh)激活函数组成。通过将残差3D模块初始化为输出零,模型在训练过程中逐渐纳入3D信息,最终每个层面产生一个3D增强令牌。随后,添加可学习的位置嵌入,并在序列前添加一个类别令牌。这些令牌被输入仅编码器Transformer[18]进行分类。补充文本1提供了关于模型架构和训练的更多细节。我们的代码可在以下网址获取:https://github.com/spacecheck/Res3DKneeModel。

图2 深度学习模型架构。该深度学习模型处理临床常规膝关节MRI检查,即矢状面、冠状面、轴面质子密度加权(PD)2D turbo自旋回波序列加脂肪饱和(FS),以及矢状面T1加权序列。每个序列被调整为256×256像素和32层,并使用修改后的ResNet18骨干网络进行处理(右侧为示意图详述)。该骨干网络将残差3D卷积(橙色)与标准ResNet18模块(蓝色)相结合,将每个层面编码为单个令牌,同时保留来自相邻层面的上下文信息。位置嵌入被添加到令牌序列中,并在输入仅编码器Transformer进行分类之前添加一个类别令牌。输出预测膝关节23种情况的存在或不存在。带加号的箭头表示残差连接。Conv,卷积;BN,批归一化;AVG Pool,平均池化;CLS 类别(令牌) 查看原图 ↗

诊断辅助

为评估该模型的诊断辅助潜力,我们于2024年9月至2025年1月开展了一项阅片者研究,使用外部数据集的50例MRI检查。采用分层随机抽样以确保充分纳入罕见病变。该数据集的参考标准标签由两位经验丰富的肌肉骨骼放射科医师(M.S.和S.N.,分别具有6年和12年经验)通过共识复阅确定。关于模型性能的初步发现不足以支持纳入专家放射科医师,因此仅招募了住院放射科医师(n = 4):两名处于放射科培训第一年、无膝关节MRI阅片经验的新手住院医师,以及两名处于最后一年、已完成基础MRI培训并在监督下至少阅读过70例膝关节MRI检查的经验丰富的住院医师。MRI检查在院内放射科工作站上阅读,参与者在整个研究过程中对参考标准结果保持盲态。

共进行两次阅片会话,间隔四周洗脱期以减轻回忆偏倚。使用符合数据隐私法的在线调查工具(s2survey.net (SoSci Survey GmbH))设计了专用报告模板(补充图1)。在对研究进行广泛介绍并强调AI模型尚在开发中之后,每例膝关节MRI检查(在PACS (isite, Philips)中)与相应的报告模板(在调查工具中)及人口学数据(即年龄和性别)一同呈现,但不提供临床背景信息。在第一次(无辅助)会话中,阅片者独立报告所选病变是否存在。在第二次(辅助)会话中,MRI检查以不同顺序重新阅读。AI辅助通过预填的二值化模型预测提供,指示每种病变的存在(是)或不存在(否)。参与者可以接受这些AI生成的选择,或根据认为合适的方式进行修改。此外,使用三色编码系统根据完整外部测试集指示每种病变的模型性能。每种病变的模型性能根据受试者工作特征曲线下面积(AUC)分类为高(绿色,AUC > 0.85)、中等(黄色,0.75 ≤ AUC ≤ 0.85)或低(红色,AUC < 0.75)(表2)。

表2 深度学习模型性能随病变和测试集变化的详细信息 查看原表 ↗

模型评估与统计分析

统计分析由R.V.使用Python(v3.10.14)及其库pandas(v2.2.1)、scikit-learn(v1.3.0)、scipy(v1.12.0)和statsmodels(v0.14.4)完成。模型性能在五次交叉验证运行中取平均值,并使用AUC、灵敏度和特异度对每种病变进行量化。使用t分布计算95%置信区间。灵敏度和特异度阈值使用Youden J统计量确定[19]。数据集之间的AUC值使用配对t检验进行比较。

对于阅片者研究,准确率、灵敏度、特异度、诊断效率和阅片者间一致性(以Cohen κ量化)在每个经验水平和会话内的所有MRI检查中取平均值,并使用配对t检验在会话之间进行比较。p值 < 0.05被认为具有统计学意义。

结果

内部数据集包括来自3018例患者的3121次MRI检查,平均年龄45±16岁;51%(n=1524)为女性。这些检查的申请目的为创伤后评估(26%)、非创伤性评估(55%)和术后评估(19%)。外部数据集包括来自429例患者的458次MRI检查,平均年龄43±16岁;45%(n=192)为女性。这些检查的适应证为创伤后评估(53%)、非创伤性评估(33%)和术后评估(14%)。

图3以数据集、病情和阳性标签率为函数展示了模型的性能。在内部数据集中,模型在识别大多数病情方面表现出稳健且大体良好至优秀的性能(表2)。中位AUC为0.85(范围,0.57–0.99),中位灵敏度为76%(范围,27%–97%),中位特异度为81%(范围,57%–99%)。分别有十种、八种和五种病情表现为高、中和低性能。

这些发现在外部测试集中大体得到反映(表2)。中位AUC为0.78(范围,0.57–0.99),中位灵敏度为70%(范围,13%–94%),中位特异度为80%(范围,48%–99%)。分别有八种、六种和九种病情表现为高、中和低性能。补充表5按数据集和病情详细列出了这些指标。

尽管患者人口统计学特征、临床环境和图像采集参数存在差异,模型性能在内部和外部数据集之间仍大体保持稳定,AUC值的平均绝对差异为0.05±0.03。在23种病情中,有11种的AUC值无统计学显著差异。除积液外,外部数据集的AUC值均低于内部数据集。

图4、图5和图6提供了示例图像,以对三种不同性能类别进行定性了解:内侧副韧带(MCL)撕裂(部分/完全)(高性能)、髌后软骨病变(中等性能)和后交叉韧带(PCL)病变(撕裂与非撕裂)(低性能)。补充图2和图3提供了前交叉韧带(ACL)撕裂(部分/完全)和内侧半月板撕裂的更多示例。

在阅片者研究中,模型的独立性能介于经验不足和经验丰富的住院医师之间,并对这两组产生了不同的影响(表3)。在考虑所有病情时,经验不足和经验丰富的住院医师在模型辅助下均表现出灵敏度显著提高、特异度降低。此外,经验不足的住院医师表现出准确度显著改善。对于模型预测更可靠的病情(AUC≥0.75),经验不足的住院医师在准确度、灵敏度和特异度方面均获得显著改善。经验丰富的住院医师表现出灵敏度显著改善、准确度非显著提高以及特异度边缘性(非显著)降低。在没有模型辅助的情况下,经验丰富的住院医师表现出比经验不足的住院医师更高的评估者间一致性。然而,模型辅助显著改善了 both 组的评估者间一致性,达到相当的水平。

与这些发现一致,经验不足的住院医师更常接受替代模型建议,从而提高其诊断准确性(表4)。相比之下,经验丰富的住院医师较少改变其初始评估,并且与模型建议之间的差异较少。

当模型性能较高时,两组都更可能接受替代建议。然而,在低性能条件下,相对较高的接受改变率(经验丰富者52%,经验不足者78%)与接近随机水平的诊断改善相关(47%和50%),表明来自不太可靠模型输出的获益有限,但准确性没有显著下降。每项研究的平均阅读时间对经验不足的住院医师减少了4%(3.5至3.4分钟;p = 0.28),对经验丰富的住院医师减少了10%(4.7至4.2分钟;p = 0.045)。

图3 深度学习模型在检测各种膝关节病变中的性能随数据集和阳性标签率的变化。内部数据集(蓝色)和外部数据集(绿色)已标示。柱形显示各条件下受试者工作特征曲线下面积(AUC),误差线代表95%置信区间。各数据集中阳性标签的百分比以红色标示 查看原图 ↗
图4 MCL撕裂(部分/完全)的模型预测与真实标签对比。可能的预测结果按列排列,肌肉骨骼放射科医师的真实标签评估按行呈现:真阳性:模型正确识别了MCL撕裂的存在。MCL完全股骨撕脱(绿色箭头),近端韧带结构不再可辨认,而远端韧带部分仍可见。膝关节脱位后会发生包括交叉韧带在内的许多其他韧带损伤。真阴性:模型正确识别了MCL撕裂不存在(绿色箭头)。假阴性:模型在MCL撕裂存在时未能识别。模型漏诊了股骨附着处的部分MCL撕裂(红色箭头)。假阳性:模型在MCL撕裂不存在时错误预测其存在(红色箭头)。韧带周围软组织水肿和腱鞘囊肿,但MCL结构完整。冠状面切片中的蓝色垂直线表示相应的轴位平面(插图框) 查看原图 ↗
图5 髌后软骨病变的模型预测与真实结果对比。图组织方式同图4。真阳性:模型正确识别出髌后软骨病变的存在。髌骨嵴的实质性全层软骨缺损延伸至相邻的内侧和外侧髌骨面及软骨下骨,伴有反应性骨髓水肿(绿箭)。滑膜增生和关节积液提示慢性病程。真阴性:模型正确识别出无髌后软骨病变,分区结构规则,无缺损(绿箭)。假阴性:模型在髌后软骨病变存在时未能识别。髌骨嵴小范围部分层缺损,未累及软骨下骨。因运动伪影导致明显图像模糊。假阳性:模型在不存在髌后软骨病变时错误预测其存在。膝关节脱位后广泛结构损伤,包括髌骨脱位:内侧髌股韧带和交叉韧带断裂、内侧滑车面骨软骨缺损和骨折,以及明显的软组织水肿 查看原图 ↗
图6 后交叉韧带(PCL)病变(撕裂与非撕裂)的模型预测与真实结果对比。图组织方式同图4。真阳性:模型正确识别出PCL撕裂的存在(作为PCL病变)。PCL完全性股骨侧撕脱和撕裂,延伸至韧带中段实质,远端韧带部分磨损(绿箭),伴有邻近关节内和关节周围软组织水肿。真阴性:尽管结构完整且呈低信号的PCL前方有一条粗大的前半月板股韧带(绿箭),模型仍正确识别出无PCL病变。假阴性:模型在PCL病变存在时未能识别。PCL近端三分之一的细微信号改变(红箭),可能为退变性。假阳性:模型在不存在PCL病变时错误预测其存在,因为PCL结构完整。股骨内金属硬件所致的明显磁敏感伪影 查看原图 ↗
表3 深度学习模型和放射科住院医师在模型辅助和病变选择条件下的性能指标 查看原表 ↗
表4 模型对放射科住院医师诊断评估的影响:按住院医师经验和模型性能分组 查看原表 ↗

讨论

在本研究中,我们开发了一个深度学习模型,用于常规膝关节MRI检查的自动化多病种分析,并评估了其辅助住院放射科医师的临床效用。该模型表现出稳健的性能,在内部数据集上对23个病种中的18个达到了中等或较高的AUC(≥ 0.75)。它对外部数据集具有良好的泛化能力,平均绝对AUC差异为0.05 ± 0.03。模型辅助显著提高了住院医师的敏感度和读者间一致性,并缩短了有经验住院医师的阅片时间。虽然在校正所有病种时,无经验和有经验住院医师的特异度均出现显著下降,但当仅考虑中高性能病种(AUC ≥ 0.75)时,这一情况不再存在。在此设定下,无经验住院医师的准确度、敏感度和特异度均显著提高,而有经验住院医师的敏感度提高,准确度和特异度无显著下降,使模型辅助严格获益。

模型性能受架构、数据质量和形态学多样性的影响。我们的模型基于一个成熟的多序列框架[16],并通过残差3D模块增强以获取高分辨率上下文信息。ImageNet初始化和跨序列共享切片编码器等正则化策略有助于缓解过拟合和跨数据集的性能下降。用于训练的MRI检查和基于报告的标注数据集来源于一家高业务量的放射学执业机构。此类报告并不总是高质量的参考标准[20],因为它们主要用于临床沟通。为平衡质量和数量,由受过培训的医学生(本科在读)进行初步标注,并由委员会认证的放射科医师确保标注质量。尽管如此,某些病种(如影响PCL、LCL或髌前滑囊的病变)较为罕见,导致样本量较小。为在本研究中保持足够的样本量,我们采用了更宽泛的病理学定义,将分类简化为二分类(PCL)和三分类(MCL、LCL)类别。

形态学多样性进一步影响了模型性能。软骨病变、骨髓水肿、半月板退变或非撕裂性韧带病变表现出细微的影像学特征、缺乏明确的诊断标准或依赖于主观分级,导致读者间一致性相对较低[21, 22]。对于这些病种,区分病理性改变与生理性(年龄相关)改变具有挑战性,尤其是对于在没有上下文(如患者病史或体格检查发现)的情况下解读MRI检查的深度学习模型。相比之下,St. p. ACL重建、腘窝囊肿、积液、髌前滑囊炎和半月板撕裂具有明确的影像学特征和成熟的诊断标准。

与以往聚焦于单一疾病或组织的研究[10–13]相比,我们的模型涵盖了更广泛的临床谱系。尽管直接比较受限于方法和数据的不同,我们的模型总体上与已发表的基准表现相当。Liu等[23]和Xue等[24]使用切片级标签或前交叉韧带分割等详细标注,报告了完全性前交叉韧带撕裂的高AUC(0.98–0.99)。我们的模型在没有此类标注的情况下,对部分性和完全性前交叉韧带撕裂达到了0.89的AUC。同样,我们的模型对内侧半月板撕裂(0.88(内部)、0.83(外部))和外侧半月板撕裂(0.84、0.77)的AUC与其他研究者报告的结果[25, 26]相当。虽然引入分割和感兴趣区域可能提升模型性能,但我们选择了一种更简单且更少针对特定疾病的方法,统一处理标签并消除了额外大量标注的需求。

Astuto等[11]开发了唯一另一个已发表的多疾病模型,构建了依赖于多组织分割的分层处理流程,以定性评估软骨、半月板、前交叉韧带和骨髓。他们的模型在骨髓水肿方面表现与我们的模型相似(AUC 0.83 vs. 0.82(外部)),尽管其他比较受限于疾病分组和定义的不同。与他们的研究导向方法基于单一3D序列不同,我们的模型是为常规临床方案而设计的。

在研究环境之外,Keros(Incepto)是目前唯一获得CE认证的用于膝关节MRI诊断辅助的AI工具。它可自动检测前交叉韧带和内侧副韧带撕裂、半月板和软骨病变、骨髓水肿、关节积液和腘窝囊肿,并提供髌骨高度、滑车形态和TT-TG距离的定量测量[27–29]。相比之下,我们的模型涵盖更广泛的23种膝关节疾病谱,并提供透明的、疾病级别的性能报告,包括后交叉韧带和外侧副韧带撕裂等具有挑战性的领域。这种全面的覆盖和透明度旨在使用户对模型的优势和不足有切合实际的理解,指导未来有针对性的模型改进。

我们的研究存在若干局限性。当前的深度学习模型使用二元(或在某些情况下为三元)决策对23种膝关节疾病进行分类,这不能反映临床决策中通常所需的细微严重程度分级和形态学细节。某些疾病(如前交叉韧带、外侧副韧带、髌前滑囊病变)较为罕见,因此采用了更宽泛的病理学定义,这降低了诊断粒度。训练数据来自单一高容量中心,主要基于常规临床报告和放射科医师阅片,而非重复的专家共识或关节镜确认。尽管独立性能指标较高,这可能引入了系统性标注错误,损害了模型的准确性和辅助能力。此外,依赖单中心数据集可能引入了偏倚,这反映在观察到某些疾病从内部测试到外部测试的性能下降上。再者,两个数据集均仅包含常规采集的图像,使模型在AI加速MRI方案上的性能未经测试。

此外,我们研究结果的普适性受到读者研究若干方面的限制。该研究仅纳入了少量住院医师,未包括获得专科认证的专科医师,这限制了临床验证的范围。我们聚焦于住院医师,是因为预期他们从AI辅助中获益最大,而模型的独立性能介于低年资和高年资住院医师之间,不太可能提高专家的准确率。这一选择也避免了对专家时间的不必要占用。尽管如此,对专家级肌骨放射科医师的影响仍属未知,先前在神经放射学(以及颅内出血检测)领域的前瞻性研究表明,专科放射科医师可能不会从AI辅助中获益[30]。此外,为了保持与模型的公平比较——模型无法获取更广泛的临床背景信息——我们未向读者提供转诊信息及其他相关临床细节。虽然这降低了读者对病例的记忆,但可能影响了他们的诊断表现。除模型准确性外,人机交互界面对于实际部署至关重要,尤其是随着更先进的AI模型传递更细致的诊断信息。在我们的研究中,模型预测通过简单的复选框界面显示。何种方法能有效、安全地传递AI输出且不分散读者注意力,这一问题尚无答案,各种传递方式(如预填充报告模板、集成可视化或图像标注)有待评估。未来研究还应考虑纳入更大规模、更有经验的读者群体(包括接受亚专科培训的肌骨放射科医师)以及更丰富的临床背景,以更好地评估模型的临床效用。

总之,我们的深度学习(DL)模型在众多相关膝关节病变中展现了稳健的性能和普适性,提高了敏感性、读者间一致性和效率——尤其对经验不足的住院医师而言。然而,特异性降低以及对模型输出过度依赖的迹象提示需谨慎实施。未来研究应扩大病变覆盖范围、细化分级,并评估真实世界工作流程的兼容性。

补充信息

补充材料

引用

  1. Vuskov R, Hermans A, Pixberg M, et al. Comprehensive deep learning-assisted multi-condition analysis of knee MRI studies improves resident radiologist performance. Eur Radiol. 2025. PMID: 41107495. doi:10.1007/s00330-025-12052-8
  2. 全文:PMC13035746(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC13035746/

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。