文献速递儿科影像骨肌DR

开发用于检测虐待性骨折的人工智能工具:初步发现

Developing an artificial intelligence tool for detecting fractures of child abuse: preliminary findings.
PubMed 文献 · Eur Radiol · 2026-04-04

本研究为单中心回顾性诊断准确性初步研究,纳入1740例5岁以下疑似身体虐待接受骨骼检查的儿童,评估并重新训练了基于BoneView的深度学习模型检测虐待性骨折。基线模型AUC为0.46,重新训练后AUC提升至0.55,敏感度和特异度分别提升8%和6%,作者认为值得完成标注和进一步训练以望达到临床可接受性能。

要点

  • 基线BoneView检测虐待性骨折性能低(AUC 0.46),重新训练后AUC升至0.55,但尚未达临床可用水平。
  • 肋骨骨折亚组重新训练后AUC从0.29升至0.56,敏感度仍低(23%),提示肋骨骨折检测仍具挑战。
  • 经典干骺端骨折初始评估敏感度仅28.6%,提示此类虐待特征性骨折易被漏检,需人工重点复核。

核心结论

  • 基于BoneView的深度学习模型经少量标注数据重新训练后,检测虐待性骨折的AUC、敏感度和特异度均有提升,值得完成全部数据标注和进一步训练。

研究设计与样本

  • 单中心实用型回顾性诊断准确性初步研究,纳入2000年至2023年间5岁以下疑似身体虐待接受骨骼检查的1740例患者。
  • 参考标准为放射科报告及一名观察者回顾性复核,2017年后骨骼检查由两名儿科放射科顾问医师双报告。
  • 初始评估使用16例患者367张图像(其中306张可被软件识别),重新训练数据按研究层面8:2分为训练集和测试集。

诊断标准与关键数值

  • 基线模型全骨折检测AUC为0.46(95%CI 0.38,0.57),敏感度44%(95%CI 35%,58%),特异度61%(95%CI 52%,71%)。
  • 重新训练后全骨折检测AUC为0.55(95%CI 0.48,0.66),敏感度52%(95%CI 43%,64%),特异度67%(95%CI 58%,78%)。
  • 肋骨骨折亚组基线AUC为0.29(95%CI 0.19,0.42),敏感度8%(95%CI 0%,24%),特异度76%(95%CI 69%,82%)。
  • 肋骨骨折亚组重新训练后AUC为0.56(95%CI 0.42,0.73),敏感度23%(95%CI 0%,49%),特异度76%(95%CI 71%,83%)。
  • 初始评估中经典干骺端骨折敏感度为28.6%(28例中正确识别8例),急性骨折敏感度50%,愈合期骨折敏感度47.4%。

临床应用与阅片要点

  • 目前模型性能尚不足以替代放射科医师双报告,阅片时仍需按指南由两名有经验的儿科放射科医师复核骨骼检查。
  • 肋骨骨折和经典干骺端骨折检测敏感度低,报告时应特别关注这些部位,避免漏诊。
  • 模型输出「doubt」在初始评估中被视为阳性预测,临床使用时需注意假阳性可能。

局限性

  • 数据集来自单一大型三级中心,可能限制在其他机构(如区级综合医院)的可重复性。
  • 骨折模式可能因地区社会经济剥夺程度而异,结果可能不适用于其他地区。
  • 参考标准依赖放射科医师意见,缺乏外部参考标准验证其准确性。
  • 预训练和训练后结果仅反映受BoneView启发的单一深度学习模型,不代表商业软件包整体性能。
  • 深度学习具有「黑箱」性质,无法完全理解预测背后的推理。
全文中译15 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 Apr 4;36(8):6274–81. doi: 10.1007/s00330-026-12513-8

引言

在英国(UK),大约6.9%的儿童受到身体虐待[1]。骨折是常见特征,高达55%的受身体虐待儿童会发生骨折[2]。及时识别与虐待相关的骨折至关重要,因为未受到保护的儿童面临高复发风险(15–50%)和高达10%的死亡率[3, 4]。

虽然骨骼调查是疑似身体虐待(SPA)的一线检查方法,但通常与虐待相关的骨折,如典型干骺端骨折和肋骨骨折,在影像学上可能特别难以识别,尤其是急性或无明显移位时[5, 6]。

为尽量减少漏诊的可能性,英国皇家放射学家学会建议骨骼调查应在24小时内由两名至少具有6个月专科儿科放射学培训(包括SPA经验)的放射科医生进行审核[5]。然而,一项英国调查显示,只有52%的科室配备儿科放射科医生,而英国一家三级儿童中心的审计发现,只有75%的骨骼调查在建议的24小时时限内出具报告[7]。人工智能(AI)工具可以作为第一审核者来填补这一空白。

近年来,AI在医学影像领域展示了可喜的成果,2023年获批的医疗相关AI产品中79%集中于放射学应用[8]。2023年3月,Gleamer的BoneView AI软件工具成为首个获得美国食品药品监督管理局批准用于检测两岁以上儿童X线片上附肢骨折的产品[9]。然而,一岁以下儿童最易遭受虐待性骨折,且骨折可发生在多个部位,而不仅限于附肢[10]。

本研究旨在外部验证基于深度学习的AI模型BoneView在检测儿童虐待性骨折方面的表现,随后使用初步数据集重新训练一个受最新版本(2024年4月中旬更新)启发的模型。重新训练后的模型性能将使用标准诊断准确性指标与基线性能进行描述性比较。这将为开发检测虐待相关骨折的可靠模型的可行性提供见解。尚无大规模研究探讨这一主题,尽管先前使用深度学习模型的研究在儿科骨干骨折检测方面显示了令人鼓舞的结果[11–13]。

材料与方法

BoneView检测虐待性骨折的初步评估

这项单中心实用性回顾性试点研究获得了健康研究管理局(HRA)和地方研究与创新(R&I)批准。患者知情同意的要求被豁免。BoneView的初步性能是在Gleamer参与训练后分析之前,通过开展回顾性诊断准确性研究独立确定的。初步性能预期较低,因为Gleamer当前的数据集不包含大量2岁以下儿童的图像。

从我院图像归档与通信系统(PACS)中选取了2011年1月1日至2021年12月31日期间16例患者的16份骨骼调查(367幅图像),由A.C.O.(一位拥有20年经验的儿科肌肉骨骼顾问放射科医师)挑选,以涵盖不同类型的骨折和部位。仅当A.C.O.同意放射科医师提供的临床(双人)报告和/或随访影像确认存在损伤时,才纳入X线片。此被视为金标准。其他形式的影像(如CT、MRI和超声)被排除,正位胸片、鼻骨、颅骨、腹部和侧位全身片因软件(该软件使用附肢骨骼X线片训练)无法识别而从分析中省略。

X线片经匿名化处理后上传至BoneView进行分析。将AI预测结果与金标准进行比较。在病灶层面计算敏感度和假阴性率。原始数据使用IBM SPSS Statistics软件包(版本29.0.1.0)进行分析。敏感度以诊断试验阳性和金标准阳性表示。当AI输出为“疑似”时,视为“阳性”预测,并查阅专家报告将结果归类为真阳性或假阳性。假阳性包括软件标出的任何不在金标准定义的感兴趣区域内的异常。工作流程可见补充图1。

BoneView的再训练

数据集收集

使用我院PACS进行了高级搜索。由于缺乏关于模型训练样本量的具体指南,我们纳入了2010年1月1日至2023年12月31日期间因疑似身体虐待(SPA)接受骨骼调查的连续5岁以下患者。纳入初次和随访骨骼调查,以及促使或发生于SPA调查期间的外伤相关X线片。如果图像质量因伪影显著下降、存在影响骨骼形态的遗传性疾病(如成骨不全或其他骨骼发育不良)、即使经A.C.O.审核后报告仍无结论、或研究标记错误或重复,则排除这些研究。随后将所有相关研究传输至Gleamer的在线软件标注工具。

金标准

金标准根据骨骼调查报告确定。这些报告由至少一名儿科顾问放射科医师出具。自2017年起,所有骨骼调查均由两名儿科顾问放射科医师进行双人报告。无结论的报告(n = 164)由A.C.O.审核,如仍存在疑问则排除该研究。对于PACS中无可用报告的图像(n = 400),若A.C.O.能够提供明确意见,则将其作为金标准。

标注

标注前,S.E.(三年级医学生)和A.C.O.参加了1小时的培训课程,学习如何使用Gleamer的在线标注工具。随后由S.E.使用边界框对骨折进行标注。同时记录每处骨折的部位、类型、移位情况和时间以及是否存在外部硬件。S.E.的所有标注均由A.C.O.验证。

数据划分

标注的X线片和同等数量的阴性检查被添加到Gleamer现有数据集中。数据在检查层面按8:2的比例分为训练集和测试集。

模型训练

本研究无需数据预处理。重新训练的模型基于一种专有的深度学习目标检测架构,受Gleamer的BoneView启发。需要注意的是,基线和重新训练的模型并不代表BoneView的实际性能,因为BoneView由多个模型组成,而本研究仅涵盖其中一个。采用了监督学习,且由于模型并非从头学习,因此也采用了迁移学习[14]。

统计方法

数据记录在Google Sheets电子表格中,数据集特征使用SPSS IBM Statistics进行分析。关于模型性能,统计分析由Gleamer进行,因为出于保密原因未共享原始数据。

按检查层面的模型性能使用以下定义计算:真阳性 = 检查为阳性,且AI工具以边界框识别出所有骨折

真阴性 = 检查为阴性,且AI工具未输出任何边界框

假阳性 = 检查为阴性,但AI工具输出至少一个边界框

假阴性 = 检查为阳性,但AI工具遗漏至少一处骨折

敏感度和特异度在每例检查0.5个假阳性的操作点下计算。

结果

BoneView检测施加性骨折的初步评估

共纳入16例患者(中位年龄2.4个月,四分位距:2.14,男性9例)。在367张图像中,306张由软件解读。数据集中共有75处骨折。敏感度计算为46.1%(95%置信区间[CI]:35.6%,56.4%)。补充表1显示了按解剖部位的数据分布。骨折分类为急性(n = 18)和愈合中(n = 57),敏感度分别为50%(95% CI:28.1,71.9%)和47.4%(95% CI:34.7,60.2%)。详见补充表2。数据还按骨折类型进行了分类,包括骨干(n = 14)、干骺端(n = 8)、髁上(n = 5)和经典干骺端骨折(n = 28)。在28处经典干骺端骨折中,8处被正确识别,敏感度为28.6%。该数据的分布详见补充表3。

BoneView的重新训练

数据集收集与划分

共获取来自1760例患者的3816次X线检查。排除47次检查,剩余来自1740例患者的3769次检查。排除原因见图1。在1227次阳性检查中,完成了329次检查的标注,构成955张阳性X线片和601处骨折(因为多个体位可捕获同一骨折)。表1显示了数据划分为训练集和测试集的情况。

图1 显示患者筛选的流程图 查看原图 ↗
表1 数据在训练集和测试集中的分布 查看原表 ↗

人群特征

在我们总数据集的1740例患者中,59.5%为男性,5例患者性别未知。中位年龄为6个月(四分位距:11),最小患者为0天龄,最大为4岁。

所有骨折的模型性能

基线模型在受试者工作特征曲线下面积(AUC)为0.46(95% CI:0.38,0.57),研究水平敏感度为44%(95% CI:35%,58%),特异度为61%(95% CI:52%,71%)。重新训练后,模型的AUC提高至0.55(95% CI:0.48,0.66),敏感度提高至52%(95% CI:43%,64%),特异度提高至67%(95% CI:58%,78%)(表2)。基线模型和重新训练模型的受试者工作特征(ROC)曲线和自由响应受试者工作特征(FROC)曲线分别见图2和图3。

图2 基线模型和重新训练模型的ROC曲线。注:蓝线代表基线模型的ROC曲线,绿线显示重新训练模型的ROC曲线。蓝色和绿色阴影区域分别代表基线模型和重新训练模型的95%置信区间。图表由Gleamer提供 查看原图 ↗
图3 基线模型和重新训练模型的FROC曲线。注:蓝线代表基线模型的FROC曲线,绿线显示重新训练模型的FROC曲线。蓝色和绿色阴影区域分别代表基线模型和重新训练模型的95%置信区间。图表由Gleamer提供 查看原图 ↗
表2 基线模型和重新训练模型的性能指标 查看原表 ↗

肋骨骨折检测的模型性能

由于其他骨折类型的数据有限,亚组分析聚焦于肋骨骨折。基线模型的AUC为0.29(95% CI:0.19,0.42),研究水平敏感度为8%(95% CI:0%,24%),研究水平特异度为76%(95% CI:69%,82%)。重新训练后,AUC提高至0.56(95% CI:0.42,0.73),敏感度提高至23%(95%:0%,49%),特异度保持在76%(95%:71%,83%)(表3)。图4和图5分别显示了基线模型和重新训练模型的ROC曲线和FROC曲线。

图4 基线模型和重新训练模型用于肋骨骨折检测的ROC曲线。注:蓝线代表基线模型的ROC曲线,绿线显示重新训练模型的ROC曲线。蓝色和绿色阴影区域分别代表基线模型和重新训练模型的95%置信区间。图表由Gleamer提供 查看原图 ↗
图5 基线模型和重新训练模型用于肋骨骨折检测的FROC曲线。注:蓝线代表基线模型的FROC曲线,绿线显示重新训练模型的FROC曲线。蓝色和绿色阴影区域分别代表基线模型和重新训练模型的95%置信区间。图表由Gleamer提供 查看原图 ↗
表3 基线模型和训练模型用于肋骨骨折检测的性能指标 查看原表 ↗

讨论

对BoneView用于检测施加性骨折的独立初步评估所得结果较既往报道的用于意外骨折检测的人工智能工具更差[11–13, 15]。因此,BoneView被重新训练以助力儿童SPA调查。初步重新训练使用329例标注研究进行。重新训练后,模型的敏感度和特异度分别提高了8%和6%。鉴于训练集较小,这些结果令人鼓舞,提示更多数据可能带来具有临床意义的性能改善。

我们的结果虽然只是初步的,但与其他用于儿童骨折检测的人工智能工具相比,表现较差[11–13, 15, 16]。然而,本研究是首个开发用于多个解剖部位非意外所致骨折检测的人工智能工具的研究。与意外骨折相比,非意外所致骨折在X线片上通常更为细微,提示可能需要更大的数据集才能取得良好性能。因此,与现有文献的直接比较具有挑战性。我们针对肋骨骨折的亚组分析显示,与模型在所有骨折类型上的总体性能相比,其AUC、灵敏度和特异度均较低。然而,在重新训练后,AUC和灵敏度均观察到显著改善,表明在获得更多标注数据的情况下,肋骨骨折检测可能变得更加可靠。此前有两项研究开发了用于检测儿童肋骨骨折的人工智能工具,尽管并非专门针对怀疑虐待儿童(SPA)这一背景。Ghosh等(a)[17]报告的AUC为0.84。然而,他们的研究仅纳入胸部正位视图,而我们纳入了后前位(AP)和斜位视图,这些视图是骨骼检查所推荐的部分[5]。因此,并且由于我们预计肋骨骨折图像样本量(n ≈ 600)大于Ghosh及其同事的研究(n = 486),我们预期完全重新训练的模型将超过其研究中达到的AUC。Ghosh等(b)[18]开发了一种用于肋骨骨折检测的人工智能工具,准确率为63.46%,为文献中所有儿童骨折检测人工智能工具报告的最低值。这印证了我们的发现,即该模型对肋骨骨折的诊断性能明显低于其他骨折类型。一种可能的解释是,胸部X线片包含更多“噪声”,原因是肋骨与自身、其他骨骼(如锁骨和脊柱)以及器官(如肝脏和心脏)重叠,这可能导致更多假阳性[19]。仅有一项研究证明了开发用于检测非意外所致骨折的人工智能工具的可行性。Tsai和Kleinman[20]训练了一种卷积神经网络,用于在因SPA而进行的骨骼检查中检测胫骨远端典型干骺端骨折,灵敏度和特异度分别达到88%和96%。鉴于我们的数据集显著更大,我们的最终结果可能超过Tsai和Kleinman的结果。他们的正常队列包括来自89名婴儿的177张X线片,骨折队列包括来自35名婴儿的73张X线片,而我们的正常队列为2509项检查,异常队列为1227项检查(每项检查约20张X线片)。理论上,我们更大的数据集应能产生高度准确的算法。然而,需要注意的是,Tsai和Kleinman聚焦于胫骨远端骨折,使算法能够专门针对该区域。训练卷积神经网络检测整个骨骼的骨折更具挑战性。

本研究存在若干局限性。数据集来自单一大型三级中心,这可能限制在其他环境(例如地区综合医院)中的可重复性,因为影像和资源存在差异。此外,骨折模式可能因地区社会经济剥夺水平而异,表明我们的结果可能不适用于其他地区[21, 22]。为减轻这一问题,未来工作应包括跨多家医院和地区的数据。另一个局限性在于本研究的真实基准,其依赖于放射科医师的意见,若无外部参考标准,其准确性无法检验。为最大化真实基准的可靠性,一位拥有超过20年经验的资深儿科肌肉骨骼放射科医师审查了不确定或不可用的报告,并验证了所有标注。此外,遵循2017年RCR指南,所有骨骼检查均由儿科放射科医师双重报告。尽管本研究努力与真实世界工作流程密切对齐,但我们的训练前和训练后结果反映的是受BoneView启发的单一深度学习模型,并不代表由多个模型组成的商业软件包。最后,深度学习的一个普遍局限性是其“黑箱”性质。我们无法完全理解预测背后的推理,因为算法并不解释这些预测。

总之,使用少量标注研究对受BoneView启发的深度学习模型进行初步训练,使检测施加性骨折的敏感性和特异性分别提高了8%和6%。这证明有必要开展进一步工作以完成整个数据集的标注,我们预测这将进一步提高模型准确性。按骨折类型、年龄、移位和位置进行的亚组分析将确定模型进一步改进的领域。此外,比较初始和随访骨骼检查的模型性能将有助于确定可靠的AI工具是否可以消除对随访检查的需求,从而为患者和家庭节省时间和压力,并为NHS节省成本。未来,多中心合作应有助于进一步改进模型。

补充信息

补充信息

引用

  1. Evans S, Chanian N, Bezzina E, et al. Developing an artificial intelligence tool for detecting fractures of child abuse: preliminary findings. Eur Radiol. 2026. PMID: 41934493. doi:10.1007/s00330-026-12513-8
  2. 全文:PMC13342033(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC13342033/

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。