文献速递儿科影像骨肌DR

卷积神经网络在儿童骨折检测中的应用:系统综述与Meta分析的汇总证据

Convolutional neural networks in paediatric fracture detection: pooled evidence from a systematic review and meta-analysis.
PubMed 文献 · Eur Radiol · 2026-03-21

该系统综述与Meta分析遵循PRISMA-DTA指南,检索至2025年5月,纳入17项研究,其中11项(超过10000张儿童四肢骨折X线片)进入Meta分析。AI模型汇总敏感度0.92(95%CI 0.89-0.94)、特异度0.90(95%CI 0.85-0.94),HSROC曲线显示高总体判别能力,但多数研究为回顾性、单中心且外部验证有限,广泛临床采用仍需稳健外部验证和前瞻性整合。

要点

  • AI模型检测儿童四肢骨折的汇总敏感度0.92、特异度0.90,HSROC曲线显示高总体判别能力。
  • 上肢骨折亚组敏感度0.91、特异度0.89;下肢骨折亚组敏感度0.89、特异度0.94。
  • 多数纳入研究为回顾性、单中心且外部验证有限,广泛临床采用仍需稳健外部验证。

核心结论

  • AI模型尤其深度学习架构在X线片上检测儿童四肢骨折具有高诊断准确度,接近专家水平并能提升初级临床医生的诊断能力。
  • 更广泛的临床采用需要稳健的外部验证和前瞻性整合到临床工作流程中。

研究设计与样本

  • 系统综述与Meta分析,遵循PRISMA-DTA指南,检索MEDLINE、Scopus、Cochrane Library和Web of Science自建库至2025年5月。
  • 纳入17项研究,其中11项提供足够定量数据进入Meta分析,涉及超过10000张儿童X线片。
  • 纳入人群为年龄小于21岁的儿科患者,以人类阅片者作为参考标准,主要结局为汇总敏感度、特异度、诊断比值比、阳性似然比和阴性似然比。
  • 采用QUADAS-2评估偏倚风险,应用随机效应模型和分层汇总受试者工作特征曲线。

诊断标准与关键数值

  • 总体汇总敏感度0.92(95%CI 0.89-0.94),特异度0.90(95%CI 0.85-0.94),假阳性率0.098(95%CI 0.06-0.15)。
  • 诊断比值比104.6(SD 31.3),阳性似然比9.32(SD 2.22),阴性似然比0.089(SD 0.016)。
  • 上肢骨折亚组汇总敏感度0.91(95%CI 0.87-0.94),特异度0.89(95%CI 0.82-0.94),假阳性率0.1(95%CI 0.06-0.12)。
  • 下肢骨折亚组汇总敏感度0.89(95%CI 0.64-0.96),特异度0.94(95%CI 0.70-0.98),假阳性率0.06(95%CI 0.02-0.3)。

临床应用与阅片要点

  • AI作为第二阅片者时,Kavak等报告急诊医师敏感度从93.7%升至97.0%,总体准确率从88.0%升至94.9%。
  • 在直接比较AI与儿科亚专科放射科医师的有限研究中,迄今未证明AI具有统计学显著优势。
  • 作者认为AI可将初级或非专科医生的表现提升至接近专家水平,而非独立替代专家的临床判断。

局限性

  • 多数纳入研究为回顾性研究,引入潜在偏倚并限制真实世界适用性。
  • 部分研究采用选择性抽样(如确诊骨折与明确对照),可能高估准确度。
  • 许多研究样本量小,部分亚组分析事件数少,导致置信区间宽。
  • 尽管按每张X线片分析,儿科检查常每次就诊包含多个投照角度,残余的患者内聚集可能低估不确定性。
  • 原文此处写作「We also observed substantia」,该句在提供的节选文本中不完整,原文未写明后续局限性内容。
全文中译16 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. 2026 Mar 21;36(8):6312–24. doi: 10.1007/s00330-026-12462-2

引言

骨折是儿童最常见的损伤之一,研究显示高达60%的男孩和40%的女孩在成年之前至少经历过一次骨折[1]。附肢骨骼最常受累,仅桡骨远端骨折就约占病例的四分之一[2]。这些损伤具有临床重要意义,是长期患病的主要原因,因此及时诊断对于避免并发症至关重要[3, 4]。

平片摄影是疑似骨折的一线影像学工具,但解读儿童X线片可能具有挑战性,尤其是在繁忙的急诊科(ED)。多种因素导致诊断困难,包括患者体位不理想、缺乏对比片(因尽量减少辐射的努力)、报告延迟导致漏诊骨折,以及生长中骨骼复杂且不断演变的解剖结构[5]。隐匿性骨折如青枝骨折或生长板损伤常被漏诊,尤其是非专科医生,研究报告高达10%的骨折在急诊初次审阅时被忽视[6–9]。这一诊断差距凸显了在儿科急诊环境中增强骨折检测策略的必要性。

近年来,人工智能(AI),特别是使用卷积神经网络(CNNs)的深度学习,在提高医学影像诊断准确性方面显示出前景。AI模型在成人骨折检测中已表现出与放射科医生相当的性能,灵敏度和特异度分别接近96%和94%[10, 11]。近期研究表明,现代AI模型在检测X线片上的肢体骨折方面可以匹配或超过经验较少的临床医生的表现[12–14]。虽然大多数AI工具集中于成人群体[15],但对儿科应用的兴趣正在增长。早期结果令人鼓舞;一个深度学习模型在儿科骨折方面达到了超过90%的灵敏度和特异度[15],另一项研究表明AI作为第二读者提高了急诊医生的灵敏度和总体准确性[10]。这些发现表明AI可能有助于减少漏诊骨折、提升诊断信心并优化儿科骨折工作流程。

然而,迄今为止大多数研究集中于成人,关于AI在儿科骨折中性能的证据仍然有限。2022年的一篇综述仅识别出九项儿科研究,并强调了对异质性、外部验证有限以及骨折检测模型泛化性不确定的担忧[16]。为更好地刻画这一差距,我们进行了一项系统综述和荟萃分析,采用方法学一致的按X线片分析框架,综合AI模型检测儿科附肢骨折的诊断准确性,同时刻画与外部验证和泛化性相关的局限性。

材料与方法

纳入标准

本综述遵循PRISMA-DTA指南[17],采用PICOS框架进行研究筛选。人群(P):儿科患者(< 21岁),选择年龄上限以考虑骨骼成熟较晚,特别是锁骨内侧骨骺,其约在21岁融合[18]。干预(I):索引测试为使用人工智能(AI)模型评估平片以检测骨折。对照(C):人类阅片者作为参考标准。结局(O):诊断准确性指标,包括每张X线片的敏感度、特异度、准确率、曲线下面积(AUC)、真阳性(TP)、假阳性(FP)、假阴性(FN)和真阴性(TN)。具有定量数据的研究进行荟萃分析;其他研究纳入定性综述。研究设计(S):随机对照试验、队列研究和观察性研究,语言为英文,无时间限制。

排除标准如下:涉及成人或混合人群(儿科和成人)且无法单独提取儿科数据的研究。使用AI模型以外的索引测试或人类阅片者以外的参考标准的研究。诊断准确性不是主要或次要结局的研究。综述文章、病例报告和病例系列。评估替代结局(如积液检测)、骨折愈合预测或无二分类骨折存在/缺失终点的多分类分类的研究被排除在定量合成之外,仅在定性讨论中涉及。

结局

主要结局是AI模型在每张X线片上检测儿科附肢骨折的诊断准确性,通过敏感度、特异度、诊断比值比(DOR)和似然比(LR+和LR−)衡量。次要结局包括按解剖部位(如腕部、前臂、踝部)的区域特异性性能。当混淆矩阵数据(TP、FP、FN、TN)不可用时,使用敏感度和特异度重建以进行分析。

检索策略

两位作者于2025年5月5日在MEDLINE、Scopus、Cochrane Library和Web of Science上进行了全面检索,从建库至检索日期。参照Shelmerdine等[16]的方法,使用布尔运算符组合与“骨折”、“人工智能”、“影像”和“儿童”相关的术语。还筛选了纳入研究的参考文献列表以查找其他符合条件的文章。检索策略旨在捕获评估基于AI的骨折检测的同行评审诊断准确性研究,未包括监管数据库、设备注册库或未发表的商业报告,这些超出PRISMA-DTA指导的系统综述范围。

数据提取

使用标准化表格提取数据,包括关键研究特征(目的、场所、国家、纳入/排除标准)、参与者人口统计学(样本量、年龄、性别分布)、骨折和影像学细节(骨折部位、X线片数量)、AI模型信息(模型类型、数据集来源、训练/验证/测试细节)、诊断准确性指标(敏感度、特异度、准确率、AUC、PPV、NPV、TP、FP、FN、TN)以及风险评估所需的数据。

统计分析

分析的主要诊断准确性数据为TP、TN、FP和FN。计算DOR并使用森林图展示。分析以每张X线片的骨折检测为单位,而非每位患者的骨折检测。使用最大似然估计对敏感性和特异性进行双变量分析,以构建HSROC曲线。该模型运行5000次迭代,预热1000次,使用三条链。汇总指标如LR+、LR−和DOR通过DerSimonian–Laird方法的随机效应模型计算,置信区间为95%,必要时应用0.5的连续性校正。按解剖区域(上肢 vs. 下肢)进行亚组分析。由于纳入研究数量有限,未使用Deeks漏斗图不对称检验评估小样本研究效应。所有分析使用R版本4.x进行,以RStudio(版本1.4.1717)作为集成开发环境。类似的方法和统计分析也已被其他研究使用[19, 20]。

方法学质量

纳入研究的方法学质量由两名使用者使用诊断准确性研究质量评估-2(QUADAS-2)工具由两名独立评价者进行评估[21]。该工具评估四个领域:“患者选择”、“指标试验”、“参考标准”和“流程与时间”。每个领域评估偏倚风险,评为“低”、“高”或“不清楚”。此外,前三个领域还评估了适用性关注。评价者之间的分歧通过共识解决。

结果

研究选择

文献检索于2025年5月5日使用上述策略进行,初步检索到2344篇文章。去除1211篇重复文献后,剩余1133条唯一记录供筛选。经过标题和摘要筛选,837篇文章因相关性被排除,剩余296篇文章进行全文审查。其中,17项研究符合纳入标准并被纳入系统评价[10, 13, 15, 22–35]。其中,11项研究提供了足够的定量数据被纳入荟萃分析[10, 13, 27–35]。研究选择过程见图1(PRISMA流程图)。

图1 PRISMA 2020流程图,展示系统评价和荟萃分析中纳入研究的选择过程。通过四个数据库共识别2344条记录,其中1133条被筛选,17项符合纳入标准。11项研究提供了足够的定量数据用于荟萃分析 查看原图 ↗

人口学数据

大多数数据集来源于美国(n = 8)[15, 23, 26, 31–35],其次是奥地利(n = 3)[22, 24, 27]。患者年龄范围为0至21岁,以男性为主。大多数研究在单中心三级儿科医院进行。除两项研究外,所有研究均由放射科医师作为参考标准;在其余两项研究中,骨科医师作为参考标准。总共使用16,514张图像进行测试(报告的16,514张测试图像总数仅指纳入定量荟萃分析的研究,不代表系统评价中所有研究的汇总)。大多数研究包括训练、验证和测试阶段(表1和表2)。

表1 人口学数据 查看原表 ↗
表2 使用的数据集和AI训练详情 查看原表 ↗

定性分析

多项研究对Rayvolve®和BoneView™等商业化人工智能工具进行了大规模回顾性验证[15, 28, 30],而其他研究则使用机构特定数据集开发了内部模型[31, 32]。外部验证与自主开发的结合凸显了对可靠临床工具和持续创新的双重需求。大多数研究使用卷积神经网络(CNN),但架构各不相同;从Faster R-CNN [35]和YOLOv8 [10]到模拟专家多视角分析的CNN–RNN混合组合[31]。人工智能性能通常与初级临床医生相当,但一般落后于经验丰富的儿科专科医生。

在解剖学重点方面,这些研究主要涉及附肢骨骼损伤,尤其关注腕部、前臂、肘部、踝部和肩部。一些研究处理了诊断上具有挑战性的病例,如隆起骨折[34]或典型干骺端病变[33],强调了人工智能不仅在常规骨折分诊中具有潜在效用,而且在识别细微且具有临床意义的病变方面也有价值。对于边界清晰的骨折,诊断准确性最高;对于细微或年龄特异性模式(如撕脱伤),性能略低。

定量分析

总体诊断准确性

荟萃分析纳入了11项研究[10, 13, 27–35],涵盖超过10,000张用于评估附肢骨折的儿科X线片。合并敏感度为0.92(95% CI:0.89–0.94),特异度为0.90(95% CI:0.85–0.94),假阳性率为0.098(95% CI:0.06–0.15)(图2)。分层汇总受试者工作特征(HSROC)曲线(图3)显示总体诊断准确性较高,同时存在可测量的研究间变异,表现为置信区域紧密且聚集于ROC左上象限。双变量HSROC模型显示,logit敏感度和特异度的研究间方差均非零,两者之间存在中等相关性,表明研究间存在残余异质性。logit敏感度与特异度之间的相关性以及HSROC的视觉检查提示研究间可能存在阈值效应。其他指标:LR+为9.32(SD 2.22),LR−为0.089(SD 0.016),诊断比值比(DOR)为104.6(SD 31.3),进一步强调了人工智能模型的强大诊断性能。

图2 纳入的11项研究中人工智能检测儿科附肢骨折的敏感度和特异度森林图。每个方块代表一项研究的点估计值,水平线表示95%置信区间 查看原图 ↗
图3 HSROC曲线,显示所有纳入研究的合并敏感度和特异度。置信区域(实线)和预测椭圆(虚线)反映精确度和研究间变异 查看原图 ↗

上肢

对5项关于上肢骨折(腕部、前臂、肘部、肩部)的研究[13, 27, 31, 34, 35]进行的亚组荟萃分析纳入了超过2500张儿童放射影像。合并敏感度为0.91(95% CI:0.87–0.94),特异度为0.89(95% CI:0.82–0.94)。估计假阳性率为0.1(95% CI:0.06–0.12),表明其正确排除非骨折病例的能力较高。HSROC曲线(图4)显示出较强的诊断性能,不同AI模型和数据集之间紧密聚集。诊断强度进一步得到支持:LR+为8.6(SD 2.7),LR−为0.10(SD 0.02),DOR为83.2(SD 32.1),表明AI在检测儿童上肢骨折方面具有高可重复性和准确性。

图4 上肢骨折检测的HSROC曲线。该图显示研究高度聚集于左上象限,表明AI模型在识别上肢骨折方面具有较强的诊断性能 查看原图 ↗

下肢

该亚组分析纳入2项研究[32, 33],包含300余张儿童放射影像。合并敏感度为0.89(95% CI:0.64–0.96),合并特异度为0.94(95% CI:0.70–0.98),表明AI模型在准确检测下肢骨折方面表现出稳健的性能,假阳性率较低,为0.06(95% CI:0.02–0.3)。HSROC曲线(图5)在视觉上支持这些发现。由于纳入研究数量有限(n = 2)及由此导致的模型不收敛,下肢亚组的预测区域无法可靠估计。相应的诊断性能指标包括LR+为15.1(SD 9.8)、LR−为0.11(SD 0.09)以及诊断比值比(DOR)为132.9(SD 162.7)。

图5 下肢骨折检测的HSROC曲线。由于纳入研究数量有限(n = 2),预测区域无法可靠估计,仅显示置信区域 查看原图 ↗

方法学质量

采用QUADAS-2评估的总体方法学质量较高。大多数研究在全部四个领域均具有低偏倚风险。患者选择在83%的研究中为低风险,其中一项研究(Malek 2016)因招募情况不明确而被评为高风险。指数试验领域除一项研究外均为低风险,部分研究因盲法细节不足而被评为不明确。大多数研究在参考标准方面也显示低风险,但有一项研究因应用不一致而被评为高风险。流程和时间方面通常为低风险,少数病例时间安排不明确。各研究的适用性关注度较低,仅因报告有限而存在轻微不确定性。完整评估见图6。

图6 所有纳入研究的偏倚风险和适用性关注度汇总,采用QUADAS-2工具进行评估。大多数研究在所有领域被评为低风险,在患者选择和参考标准方面发现轻微关注。每个领域分别评估偏倚风险(左侧)和适用性(右侧)。绿色表示低风险/关注度低,黄色表示不明确,红色表示高风险 查看原图 ↗

讨论

本综述表明,人工智能(AI)模型能够在X线片上检测儿童附肢骨折,诊断准确率高,接近人类专家水平。本研究的主要贡献在于通过严格遵循PRISMA-DTA指南减少了分析单位偏倚,同时透明地强调了外部验证持续缺乏及其对通用性的影响。我们的合并敏感度(约92%)和特异度(约90%)表明,现代深度学习算法能够正确识别绝大多数骨折,同时保持较低的假阳性率。这一性能水平与已有报道中经验丰富的放射科医师和骨科临床医生在骨折检测中的表现相当[36]。事实上,既往在成人中的研究表明,若干AI系统在识别骨折方面表现与非专科医生相当甚至更优[37–39]。与这些发现一致,我们观察到当前以儿童为重点的AI算法通常至少达到与全科医生或初级医生相似的准确率。值得注意的是,在直接将AI系统与儿科放射学亚专科医师进行比较的有限研究中,迄今尚未证明AI具有统计学显著的優勢[16]。这强调虽然某些AI模型可能达到专家级性能,但目前没有证据表明它们能持续超越亚专科阅片者。

近期关于该主题的综述进一步强调了方法学严谨性的重要性。Ashworth等[40]和Ximenes等[41]最近发表的两篇文章评估了AI用于儿童骨折检测,但未遵循PRISMA-DTA指南;相反,尽管聚焦于诊断准确性研究,他们应用了标准PRISMA框架。PRISMA-DTA明确建议综述者报告诊断准确性是基于每患者还是每X线片测量,并警告跨这些单位合并可能引入偏倚(PRISMA-DTA指南表1和表2中的第13项)[17]。这些研究未重视聚类和通用性偏倚的重要性,在荟萃分析中同时纳入每患者和每X线片研究,且未形成严格的纳入标准。将每患者数据与每X线片数据合并存在分析单位错误、精度虚高和临床意义丧失的风险,产生看起来比实际更可靠的合并估计[42]。

例如,Ximenes等[41]在其荟萃分析中纳入了16项研究,其中6项[15, 43–47]报告了每患者测量指标,其余10项报告了每X线片测量指标。然而,作者未说明他们优先采用哪种分析单位,也未在方法或讨论中处理该问题。同样,Ashworth等[40]在进行无荟萃分析的系统综述时,在制定纳入标准时未考虑这一问题。因此,这些综述的发现可能受到聚类偏倚、精度高估和通用性有限的影响。相比之下,我们的综述严格应用PRISMA-DTA指南,设定了明确的纳入框架,并根据评估单位分析研究,从而降低了此类偏倚的风险。

人工智能的价值在支持经验较少的阅片者方面尤为明显。我们综述中的多项研究显示,当临床医生将人工智能作为第二阅片者时,诊断敏感性有所提高[10, 34]。例如,Kavak等[10]报告称,人工智能辅助使急诊医生的敏感性从93.7%提高到97.0%,总体准确率从88.0%提高到94.9%。这些发现凸显了人工智能在儿科急诊环境中作为诊断“安全网”的潜力,有助于弥合全科医生与儿科放射学专家之间的专业差距。数据表明,人工智能能够使初级或非专科医生的表现更接近专家水平,而非作为专家临床判断的独立替代。

尽管诊断性能令人鼓舞,但用于训练和验证这些人工智能模型的数据集仍存在显著局限性。大多数算法是在狭窄的单机构数据集上开发的,几乎没有外部验证,这引发了对过拟合和泛化能力有限的担忧。只有少数研究使用了开放获取或多中心数据[40],这限制了这些模型在不同人群、成像方案或设备上可靠运行的能力。这种多样性的缺乏可能导致模型在内部表现良好,但在不同人群、成像方案或设备上难以适用。既往研究表明,人工智能在外部数据集上测试时准确率往往会下降[48]。正如Shelmerdine等(2022)[16]所强调的,研究的异质性和缺乏外部验证使得难以评估泛化能力。我们的发现与此一致——人工智能模型显示出前景,但其在真实世界中的稳健性仍未得到证实。在临床部署之前,使用多中心队列进行严格的外部验证至关重要[16]。

除准确性外,将人工智能整合到儿科骨折诊断中还引发了重要的伦理和实践问题。一个关键问题是信任——临床医生必须对人工智能有信心,但又不能过度依赖它。过度依赖可能导致漏诊骨折或不必要的治疗,研究表明不准确的人工智能输出可能误导临床医生[49, 50]。明确的临床方案应规定如何使用人工智能结果——例如,作为必须由医生确认的辅助手段,而非真相的裁决者。与此密切相关的是责任问题:如果人工智能漏诊了一处骨折,而放射科医生因信任人工智能也忽略了它,谁应对该错误负责?目前,责任仍由临床医生承担,这带来了需要正式指导的医疗法律挑战。合乎伦理的使用还要求透明度和偏见缓解。由于儿科人群具有多样性,在狭窄数据集上训练的模型可能在代表性不足的群体中表现不佳。确保数据的代表性和定期进行偏见检查对公平性至关重要。最终,成功实施人工智能不仅需要强大的性能,还需要临床医生培训、可解释系统和强有力的监督,以建立适当的信任。

我们的研究有几项关键优势。我们采用了广泛的检索策略,并纳入了截至2024年的研究,与Shelmerdine等[16]、Ashworth等[40]和Ximenes等[41]相比,形成了 substantially 更大、更准确的证据基础。通过遵循PRISMA-DTA指南并对方法学质量进行全面的QUADAS-2评估,与近期综述文章相比,我们确保了研究选择、数据提取和偏倚评估的严谨性和透明性。此外,我们进行了详细的亚组分析和敏感性分析以探讨异质性。这些方法使我们能够识别不同解剖区域的性能差异,并探索研究间异质性的潜在来源,从而提高了研究结果的可靠性和适用性。

尽管如此,我们的综述存在值得讨论的局限性。大多数纳入的研究为回顾性研究,引入了潜在偏倚并限制了真实世界适用性。部分研究使用了选择性抽样(例如,确诊骨折 vs. 明确对照),这可能高估了准确性估计值。许多研究样本量较小,部分亚组分析涉及的事件数很少,导致置信区间较宽。尽管分析以每张X线片为单位进行,但儿科检查通常每次就诊包含多个投照体位,患者内残留的聚类效应可能导致不确定性被低估。我们还观察到研究间存在因设计、人群和统计指标差异导致的显著异质性,尽管使用了随机效应模型和亚组分析,部分异质性仍无法解释。此外,我们的分析以每张X线片而非每位患者为单位进行,虽然在PRISMA-DTA指南下方法学上是适当的,但限制了个体水平的临床推断;且大多数AI模型缺乏外部验证,引发了对泛化性的担忧。由于我们的纳入标准要求以人类专家作为参考标准,因此无法评估直接评价AI模型优于放射科医师的头对头比较。发表偏倚可能使结果偏向更有利的结局。我们承认,一些已商业部署的AI系统在监管或卫生技术评估文件中报告了儿科骨折性能;然而,这些来源很少提供适合PRISMA-DTA合规荟萃分析的经同行评审的可提取诊断准确性数据,因此不在本综述的预定义范围之内。最后,我们聚焦于附肢骨骼骨折且仅纳入英文研究,可能限制了研究结果对其他解剖区域和非英文文献的适用性。

未来方向:为进一步推动人工智能在儿童骨折诊断中的开发与安全实施,未来研究出现了若干方向。首先,需要前瞻性验证研究在真实临床环境(如急诊科)中检验人工智能模型,评估其对诊断准确性、工作流程效率和患者结局的影响。此类研究将为人工智能工具在受控研究环境之外的临床效用提供高质量证据。其次,未来研究应为多中心并纳入多样化人群,以提高跨机构和患者亚组的泛化性。第三,应优化其融入临床工作流程——人工智能可作为分诊工具或交互式第二阅片者以增强决策。此外,研究应评估成本效益、工作流程效率以及非预期后果,如过度依赖或警报疲劳。最后,人工智能工具必须使用新数据持续改进,但须在确保持续外部验证、监测和审核的框架内进行,以维持安全性和效用。

结论

人工智能模型,尤其是深度学习架构,在检测儿童附肢骨折的X线片上表现出高诊断准确性,接近专家级性能并改善初级临床医生的诊断能力。尽管结果令人鼓舞,但大多数证据来自回顾性和内部验证研究,引发了对泛化性的担忧。未来研究应优先开展前瞻性多中心验证、工作流程整合以及临床影响评估,之后才能广泛临床采用。人工智能有潜力成为儿童骨折诊断中的有价值的辅助手段,提高检测准确性并优化诊疗路径,但其实施必须以稳健证据、伦理监督和明确临床方案为指导。

引用

  1. Pervez A, Hasan SU, Norrish AR, et al. Convolutional neural networks in paediatric fracture detection: pooled evidence from a systematic review and meta-analysis. Eur Radiol. 2026. PMID: 41863613. doi:10.1007/s00330-026-12462-2
  2. 全文:PMC13341820(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC13341820/

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。