人工智能用于儿童骨折影像学评估的系统综述
该系统综述纳入9篇文献,评估人工智能工具在儿童附肢骨折影像诊断中的性能,多数研究基于单中心X线数据且仅2篇进行外部验证,AI准确率88.8%–97.9%,与人类读者相比敏感度略高但无统计学显著性,文献异质性大且对外部数据性能信息有限。
要点
- 儿童骨折AI评估研究几乎均基于X线,肘部为最常见评估部位。
- AI准确率范围为88.8%–97.9%,肘部测试集敏感度88.9%–90.7%、特异度90.9%–100%。
- 与人类读者相比AI敏感度略高但无统计学显著性,外部验证研究仅2篇。
核心结论
- 文献异质性大且外部数据集上算法性能信息有限,难以了解这些工具如何推广至更广泛的儿童人群。
- 需要采用多中心数据集和真实世界评估的进一步研究来更好地理解这些工具的影响。
研究设计与样本
- 系统综述,检索MEDLINE、Embase、Cochrane Library等数据库2011年1月1日至2021年12月31日发表的文献,最终纳入9篇符合标准的文章。
- 纳入标准为0–20岁儿童附肢骨折的影像诊断准确性研究,参考标准包括专家放射学意见、随访影像或手术/组织病理学发现。
- 采用改良QUADAS-2工具联合CLAIM指南条目进行偏倚风险评估,因符合标准的研究数量少,事先决定不依据质量评估排除任何研究。
- 8/9篇研究评估X线骨折检测,肘部为最常见部位;仅1篇评估超声;2/9篇进行外部验证。
关键影像表现/征象
- 肘部测试数据集上算法敏感度为88.9%–90.7%,特异度为90.9%–100%。
- 评估整个附肢骨骼的多部位研究达到92.6%敏感度和95.7%特异度。
- 超声评估远端桡骨骨折的研究中AI诊断准确率为92%,对比儿童肌肉骨骼放射科医生的89%。
- 商业产品Rayvolve®在5–18岁儿童中的敏感度为97.1%,对比0–4岁儿童的91.6%(p < 0.001)。
诊断标准与关键数值
- AI生成的准确率范围为88.8%–97.9%。
- 肘部专用算法测试数据敏感度为89.5%–90.7%,对比通用工具(Rayvolve®)的88%。
- England等报告AI检测肘部积液诊断准确率90.7%对比高级急诊医学受训者的91.5%,但敏感度更高(90.9%对比84.8%)。
- Choi等报告AI检测髁上骨折敏感度100%对比三位顾问放射科医生汇总评分的95.7%;作为辅助时最低表现放射科医生敏感度从95.7%(单独)提升至100%(AI辅助)。
- Zhang等报告AI在超声上检测远端桡骨骨折诊断准确率92%对比儿童肌肉骨骼放射科医生的89%。
临床应用与阅片要点
- AI工具可作为解读辅助手段,在专科意见不可及时使用。
- 严格的患者纳入和排除标准(如排除愈合骨折、特定骨折类型、石膏或手术矫正装置治疗者)可能限制算法在临床实践中的应用。
- 在四个研究中放射学读者对临床病史非盲,可能影响其报告发现及后续算法性能评估。
- 作者认为未来研究应关注2岁以下儿童、遗传性骨病患儿及特定临床场景(如怀疑身体虐待)。
局限性
- 文献异质性大,外部数据集上算法性能信息有限。
- 几乎所有文章使用来自单一机构的数据,仅2/9篇进行外部验证。
- 算法开发的严格纳入和排除标准可能限制AI工具在儿童中的推广性。
- 缺乏卫生经济学分析及评估算法是否真正转化为患者结局改善的研究。
- 许多算法的可推广性尚不清楚。
全文中译16 节 · 点击展开
要点
大多数用于儿童骨折检测的人工智能工具都集中在平片 radiographic 评估上。
几乎所有符合条件的文章都使用了来自单一机构的训练、验证和测试数据集。
算法开发的严格纳入和排除标准可能限制了人工智能工具在儿童中的普适性。
人工智能性能略高于人类阅片者,但差异无统计学显著性。
在开发针对非常年幼儿童(< 2岁)、患有遗传性骨病以及某些临床场景(例如疑似身体虐待)的人工智能工具方面存在机会。
背景
据估计,多达一半的儿童在童年某个时期会发生骨折[1, 2](约每年每10,000人中133.1例)。骨折也是儿童长期残疾的主要原因之一[3],并且在55%曾遭受身体虐待的儿童中存在[4]。鉴于儿童骨骼在影像上的表现与成人不同(包括骨骼成熟不同阶段的差异),以及损伤模式不同(如扣带/环状骨折、干骺端角部损伤、弯曲畸形),急诊医师——他们常常是最先审阅影像检查结果并据此采取行动的人——与专科儿科放射科医师相比,可能漏诊多达11%的急性儿科骨折[5–8]。其中,大多数(7.8%)可能导致不良事件和管理改变[8]。尤其令人担忧的是,在英国所有儿科骨科相关诉讼案件中,超过一半(57%)涉及未发现或诊断不正确的损伤,造成350万英镑的损失,每例平均赔付在28,000至57,000英镑之间[9, 10]。这些结果并不限于英国实践,挪威[11]和美国[12, 13]也有类似结果,其中儿科索赔导致每例支付的赔偿金高于成人[12, 14]。
一种可能的解决方案是使用人工智能(AI)算法在医学影像上快速且准确地识别异常,例如骨折。此类算法可作为解释性辅助工具,在并非总能获得专科意见时发挥作用。一项关于人工智能在成人长骨骨折影像检测中准确性的系统综述报告,合并灵敏度和特异度分别为96%和94%[15]。另一项系统综述[16]报告,若干人工智能算法[17–21]在X线摄影上检测肢体骨折方面与全科医师和骨科外科医师相比同样好或更好。虽然少数研究在用于算法开发的训练数据集中纳入了任何儿科病例[22, 23],但很少有研究分析这些算法在儿科人群中专门且单独应用时表现如何。
本系统综述的目的是评估关于人工智能工具在影像学儿科骨折评估中诊断性能的现有文献,并在有资料时,评估其与人类阅片者性能的比较情况。
材料与方法
本项对已发表数据的回顾性综述不需要伦理批准。本研究已在PROSPERO国际系统综述前瞻性注册库注册,CRD42020197279[24]。遵循了更新的PRISMA(系统综述和荟萃分析首选报告项目)声明指南[25](附加文件1)。
文献综述
检索了MEDLINE(Ovid)、EMBASE、Web of Science和Cochrane Library数据库,以查找2011年1月1日至2021年12月31日期间发表的符合条件文章(11年范围),使用数据库特定的布尔检索策略,检索词及词形变化涉及“骨折”、“人工智能”、“影像”和“儿童”。完整检索策略于2022年1月1日执行(附加文件1:表S1–S4)。于2022年2月18日及再次于2022年4月30日进行重复检索,以评估自原始检索以来的 interim 发表文献。
纳入标准
纳入标准涵盖任何使用一种或多种自动化或人工智能模型、研究儿童任何影像学模态上附肢骨折分类、预测或检测诊断准确性的研究。专家放射学意见、随访影像或手术/组织病理学发现均被视为可接受的参考标准。研究限于0–20岁的人类受试者,以包括青少年。对影像方法、数据集大小、机器厂商、人工智能/计算机辅助方法类型或临床环境均不设限制。
排除标准包括会议摘要、病例报告、社论、观点文章、图谱综述和多媒体文件(在线视频、播客)。缺乏明确参考标准、缺乏明确亚组报告(以评估是否分析了儿科队列)的文章,或涉及机器人技术或自然语言处理(NLP)而非图像分析的文章被排除。我们排除了任何动物研究以及涉及离体骨标本的研究。
所有文章由两名评价者独立检索(均为具有既往开展系统评价和荟萃分析经验的儿科放射科医师)。审查合适研究的摘要,并获取全文。对检索到的全文文章的参考文献进行人工审查,以寻找其他可能的出版物。分歧通过共识解决。
方法学质量
鉴于缺乏专门为人工智能方法学设计质量评估工具[26],我们使用了改良的诊断准确性研究质量评估(QUADAS-2)标准[27],并考虑了医学影像人工智能清单(CLAIM)指南[28]中概述的若干条目。
具体如下:患者选择,偏倚风险:考虑针对预期任务的患者选择是否合适、数据集是否平衡、数据来源是否合适、排除标准是否不合理/过于宽泛
患者选择,适用性:鉴于患者选择情况,算法对预期用途的适用性/有用性如何。
索引检验,偏倚风险:考虑检验中显著性和不确定性的测量;
索引检验,适用性:关于算法在外部数据上验证或测试的信息;
参考标准,偏倚风险:足以允许复制金标准/参考标准的详细程度,读者是否对临床细节设盲;
参考标准,适用性:对临床实践的适当性。
这种结合QUADAS-2和CLAIM的联合评估此前已被其他作者用于评估人工智能研究的系统评价[29]。由于符合我们纳入标准的研究数量较少,事先决定不因质量评估而排除任何研究,以便尽可能完整地综述现有文献。
数据提取与定量数据综合
两名评价者独立地从全文文章中提取数据并录入数据库(Excel,Microsoft,美国华盛顿州雷德蒙德)。采用描述性方法对提取的数据进行综合。收集并记录关于数据集的信息,包括图像数量、图像类型以及数据集内诊断类别的数量。描述每项研究中每个数据集所使用的评价指标(即诊断准确率)。由于数据和所评估身体部位的异质性,事先计划对结果进行叙述性描述。
结果
符合条件的研究
2022年1月1日进行的初步检索在去除重复研究后获得362篇文章。根据研究标题和摘要,318篇文章被排除或无法获取。在审查全文(n = 44)后,最终纳入8项研究[17, 30–36]。2022年2月18日对医学文献的补充检索发现了另外一项研究。PRISMA流程图见图1。
方法学质量评估
各项研究的偏倚风险和适用性关注见图2。在两项研究中,患者选择方面存在高偏倚风险和适用性关注[32, 35]。其中一项研究[35]中,医学生对因腕部损伤就诊于急诊科的儿童“便利样本”进行了远端桡骨的三维超声扫描。患者既非连续纳入,也非随机抽样;因此,研究结果的普适性存疑。在第二项研究[32]中,仅纳入确诊下肢骨折的儿童,并将其标记为骨折愈合时间正常或骨折愈合延迟(> 12周)。确定骨折愈合时间的随访机制,或选择12周时间框架的原因均未说明,此外也未说明是否纳入了既往存在骨脆性疾病的儿童。
近半数研究在患者选择的适用性方面存在不明确/中等程度的关注(4/9,44.4%)[31, 34, 36, 37],大多数研究在指数试验的适用性方面存在关注(6/9,66.7%)[31–36]。这主要是由于研究在患者选择中施加了严格的排除标准(例如排除骨折愈合中的患者、某些类型骨折以及接受石膏或手术矫正装置治疗的患者),这会限制该算法在临床实践中的应用。在四项研究中,参考标准的偏倚风险被认为不明确/中等,因为放射科阅片者对临床病史未设盲,这可能影响其检查结果的报告及随后的算法性能[33–35]。仅有两项研究报告了使用与训练和验证数据集不同的数据集对其算法进行外部验证的结果[17, 30]。
患者人口学特征和研究背景
纳入研究列表、研究目的以及患者纳入/排除标准见表1。患者人口学特征、中心类型和参考标准/参照水平见表2。大多数研究(5/9,55.6%)涉及儿童上肢创伤评估,其中三项评估肘部,两项评估前臂。一项研究评估了附肢骨骼的任何骨折,其余三项评估了下肢创伤。
在三项研究中,1岁以下儿童未纳入研究数据集,一项研究未提供年龄范围。三项研究未报告数据集的性别分布,且所有研究均未提供患者种族或社会经济阶层的详细信息。
大多数研究(8/9,88.9%)使用的数据集来源于作者所在机构(即单中心研究),并在X线平片上分析骨折。仅一项研究报道了使用超声进行骨折检测的人工智能(AI)算法开发。骨折评估的参考标准/参照水平来自放射学报告(7/9,77.8%)、骨科医生的意见(1/9,11.1%),在一项与超声评估相关的研究中,超声检查后30天内获取的相应X线平片报告作为前臂骨折存在的参考标准。
影像数据集大小
各文章中的总数据集描述方式不同,部分以患者数量或检查数量(每次检查包含多张图像)表示,部分以图像总数表示。数据集范围为30至2549名患者;55至21,456次检查;226至58,817张图像。根据各研究的目的和目标,部分研究提供了检查数量的细分(以及正常和异常检查的分布)以及分配给训练、验证和测试的图像数量。完整详情见表3。
影像算法方法学
计算机辅助/人工智能算法开发中使用的方法学和超参数的技术细节总结于附加文件1:表S5。
在一项研究中,使用计算机辅助检测(CAD)方法生成图形用户界面(GUI),以自动提取/分割图像上的前臂骨骼,分析曲率并确定是否存在潜在的弯曲/屈曲骨折[36]。在另一项研究中,使用了利用深度卷积神经网络的市售AI产品(Rayvolve®)[30]。其余研究要么开发了新的卷积神经网络,要么对现有卷积神经网络进行了再训练。一项研究评估了自组织映射(SOM)和卷积神经网络在骨折愈合评估中的应用[32]。
在神经网络架构方面,市售产品(Rayvolve®)基于RetinaNet架构[30],两项研究的神经网络基于Xception架构[33, 34],一项研究使用了ResNet-50架构[17]。其余研究中未描述神经网络架构。
算法诊断准确率
各研究的诊断准确率按身体部位及数据集(如验证集或测试集)列于表4中。在评估的最常见儿童身体部位(肘部)中,在测试数据集上测试的算法达到了88.9–90.7%的敏感性和90.9–100%的特异性。唯一一项评估整个附肢骨骼(跨多个身体部位)骨折检出率的研究达到了92.6%的敏感性和95.7%的特异性[30]。
在三项研究中,最终人工智能算法的性能在同一数据集上与独立的人类阅片者进行了对比测试[17, 31, 35]。诊断准确率的差异列于表5中。England等[31]报告其人工智能算法在检测肘部积液方面诊断准确率略低于高年资急诊医学进修医师(诊断准确率90.7%对比91.5%),但敏感性更高(90.9%对比84.8%)。Zhang等[35]报告其人工智能算法在超声检测桡骨远端骨折方面表现优于儿童肌肉骨骼放射科医师(诊断准确率92%对比89%)。Choi等[17]研究了一种用于检测肱骨髁上骨折的人工智能算法,其敏感性高于三名顾问放射科医师的合计评分(100%对比95.7%)。当该算法作为图像判读的辅助措施使用时,能够证明三名放射科医师中表现最差者的性能有所改善,敏感性从95.7%(放射科医师单独判读)提高至100%(同一放射科医师在人工智能辅助下判读)。尽管各研究间性能存在这些细微差异,但所提供的95%置信区间存在重叠,提示这些变化不具有统计学显著性。
讨论
几乎所有已发表的关于人工智能评估儿童急性附肢骨折的文献均基于放射影像判读,其中上肢骨折(特别是肘部)是最常评估的身体部位。几乎所有文章使用的训练、验证和测试数据均来自单一中心,少数进行了外部验证。当人工智能工具与人类阅片者的性能进行比较时,算法表现出相当的诊断准确率,且在一项研究中改善/增强了放射科医师的诊断性能。
在本综述中,我们聚焦于评估用于儿童附肢骨折检测的计算机辅助/人工智能方法,因为这些是原本健康的儿童人群中最常遇到的骨折(约占儿童骨折的70–99% [37–39],影响中轴骨骼的骨折不足5% [40–42])。已有文献描述了计算机辅助/人工智能算法应用于儿童颅骨和脊柱骨折的相关发表。一项研究开发了一种从平片检测儿童颅骨骨折的人工智能算法[43](以头部CT报告为参考标准),并报告其内部测试集(0.922)和外部验证集(0.870)均具有高AUC值,且人类阅片者在使用人工智能辅助时(与不使用相比)准确性有所提高。虽然展示了概念验证,但由于大多数放射学指南鼓励在儿童头部创伤中使用CT而非平片[44–46],临床适用性有限。
在两篇关于脊柱骨折的文章中[48, 49],作者将专为成人设计的市售半自动化软件工具应用于儿童人群,用于在平片或双能X线吸收测定法(DEXA)上检测椎体骨折。他们报告两种软件的敏感性均较低(36%和26%),不足以可靠地诊断椎体骨折。这一发现提出了一个重要的普遍问题,即在临床应用之前需要在特定患者人群(此处为儿童)中对人工智能工具进行充分的验证和测试,以避免潜在的 detrimental 临床后果。本系统综述对一种市售产品(Rayvolve®,AZMed)进行了此类验证,该产品表现出高诊断准确率,尤其是对较大儿童(5–18岁与0–4岁相比,敏感性分别为97.1%与91.6%;p < 0.001)。虽然其他骨折检测产品现已上市(例如BoneView,Gleamer [49]),但迄今为止此类产品的同行评审发表仅涉及成人的诊断准确率[50](尽管儿童结局可在公司网站上的会议摘要中找到[51])。
本综述中的大多数研究特意选择针对一个特定身体部位而非儿童骨骼的所有骨骼来开发和应用其人工智能算法。以最常见的评估身体部位(即肘部)为例,专用算法在该相同身体部位上产生的诊断准确率高于市售产品(后者被训练用于检测整个附肢骨骼的骨折)。在此例中,敏感性的提高在89.5%至90.7%之间(测试数据,使用专用算法),而通用工具为88%。虽然差异可能很小,但在我们缺乏足够专用算法信息的其他身体部位上可能会有所不同。因此,重要的是更好地了解不同人群群体中骨折的流行病学,以及对于某些常见骨折身体部位具有更高诊断准确率的算法是否需要针对某些机构额外实施。
本研究所强调的另一方面涉及患者选择,不同研究之间的纳入和排除标准各异,患者年龄范围广泛(骨成熟度和损伤机制存在异质性),很少有研究评估2岁以下儿童的骨折(这些儿童更可能因怀疑身体虐待而接受检查[52]),或患有遗传性骨病(如成骨不全症)的儿童。这可能是因为这些类别中到急诊科就诊以提供训练人工智能模型所需影像数据的儿童较少,但结果是特定的儿科人群可能被无意中边缘化或此类新技术服务不足,并引发了关于其未来使用的潜在伦理考量,尤其是当性能特征被外推到工具开发和验证所基于的人群之外时[53]。一个例子是一种人工智能工具,可以帮助评估与怀疑身体虐待相关的骨折的特定方面,作为临床实践的辅助手段,因为许多执业儿科放射科医生在这一影像评估方面感到培训不足或缺乏信心[54–57]。虽然数据有限,但一项研究确实探讨了使用人工智能通过检测角部干骺端骨折(一种特定的虐待标志物)来识别怀疑身体虐待的主题[58],具有高诊断准确性。未来针对这些患者人群的研究,以及关于用于训练数据的病例的社会经济背景的详细信息,将有助于开发更具包容性和临床相关性的工具。将骨折评估的主题扩展到解决骨愈合和骨科术后并发症可能是进一步发展的另一个领域,因为大多数文章也排除了愈合期骨折、存在石膏或留置骨科硬件的病例。
除了一项研究外,本综述中确定的所有开发人工智能用于骨折检测的方法都依赖于创建或重新训练深度卷积神经网络,使其能够“学习”图像内的特征,以更好地提供最准确的所需输出分类。只有一项研究专门采用了更传统的机器学习方法,使用更严格的、基于规则的计算机辅助检测方法来识别前臂弯曲骨折[36]。目前尚不清楚使用卷积神经网络对于检测这些特定骨折是不合适还是不够准确,或者是由于缺乏能力而未尝试;然而,不同方法的性能差异应在同一数据集内进行比较,不仅涉及性能,还涉及资源需求/成本以及算法所使用特征的“可利用性”等其他方面。未来用于儿科骨折检测的人工智能工具的趋势很可能包括开发单一或卷积神经网络集成以提供最佳性能。尽管如此,不应完全忽视更简单的机器学习方法,并应考虑如何最好地使用它们,鉴于训练深度学习解决方案产生的巨大计算能力以及因此产生的碳足迹,特别是考虑到当前全球为创造更可持续环境所做的努力[59]。
尽管与成人影像相比,有关人工智能应用于儿童骨折的文献较少,但这些数据表明,已有若干解决方案正在以儿童为对象进行开发和测试。鉴于当前儿科放射学人力资源危机以及专科服务可及性受限[60–65],一种即时、准确的骨折报告服务可能产生节省成本的效果[66],并消除医疗保健不平等。然而,已发表文献存在许多局限性。例如,缺乏卫生经济学分析以及评估此类算法是否确实转化为患者结局真实改善的研究,并且鉴于大多数算法仅在单中心进行测试、未经外部验证,且对于那些使用多读者研究比较人类与人工智能性能的研究缺乏适当把握度的研究,许多算法的可推广性尚不清楚。因此,尽管本综述发现,在一部分研究中人工智能算法的性能与人类性能无显著差异,但这可能是由于样本量把握度不足所致。此外,在实践中,儿科X线片可能由不同经验水平、不同亚专业背景的一系列不同医疗保健专业人员(例如,普通放射科医生、儿科放射科医生、肌肉骨骼放射科医生、儿科医生、骨科外科医生)进行解读。当前文献仅回顾了人工智能性能与一种医疗保健专业人员的比较。这限制了我们对这类人工智能算法最适合服务于谁以及因此如何最好地实施它们的理解。
还应认识到,验证集中优化的测试性能与将此类工具实施到常规临床工作流程中的“真实世界”影响之间可能存在巨大差异,这不仅是由于输入数据的差异/变化,还由于可用性方面以及将此类工具纳入现有工作流程的实际能力。这些因素引发了关于人工智能解决方案未来广泛实施和资助的问题,因为各医院和医疗保健系统将要求其投资在临床/运营影响层面获得回报,而非单纯的“测试性能”[67]。由于这些原因,有必要开展经济学分析以及成本和临床有效性研究,以了解用于儿童骨折检测的人工智能算法是否确实带来改善的获益。
改进的安全数据共享方法(可能包括儿科四肢放射影像的公共数据集)以及医院与工业界和学术合作伙伴之间更紧密的合作,可能有利于以较低成本开发和实施儿科影像的新颖数字工具,并进行未来的真实世界实施研究。关于人工智能用于儿科骨折检测这一主题的进一步研究应考虑对医院决策者有帮助的方面,但也应考虑测试数据集中的不确定性和偏倚,例如所纳入患者的年龄范围广泛、儿童在不同成熟阶段所遭受的不同病理和损伤模式的范围,这些可能并非都能被同样准确地评估。提高这些方面的透明度和进行亚组分析,并对新兴和市售工具进行更稳健的外部验证,将为临床医生和医院管理者提供必要证据,以更好地了解此类技术是否应整合到他们自己的医疗系统中。
本研究存在若干局限性。在文献综述过程中,我们纳入了专门与儿科骨折检测相关的研究。可能存在一些研究在其人群数据集中纳入了儿童,但未在摘要或方法学中明确说明,因此可能被排除。其次,人工智能文献正以快速速度扩展,很可能在发表时已有更新的文章可供使用。为尽量减少这一影响,在初始投稿前以及审稿人重新投稿后,立即使用相同检索策略进行了更新的文献综述,以确保研究结果的时效性。我们也承认,与人工智能应用相关的文章可能发表在开源但未经同行评审的研究共享存储库(如arXiv)中,这些未被检索,因此被排除,因为仅纳入了经过充分同行评审的文章。最后,从现有文献中一致地提取所需信息被证明是困难的。在评估偏倚时,我们使用了QUADAS-2指南的轻微改编版本(同时未来工具正在开发中[68]),在某些情况下,研究方法学显得不完整或难以理解,尤其是在已发表的人工智能报告指南[69–71]之前撰写的那些研究。因此,由于报告差异巨大使得直接比较具有挑战性,我们将人工智能算法方法学作为附加文件1的表格纳入。
结论
总之,本综述概述了目前关于人工智能应用于影像学进行儿科四肢骨折评估的证据。文献在儿科年龄范围、人工智能用于骨折检测所评估的身体部位方面存在广泛异质性,并且关于算法在外部验证中的性能信息有限。
仍需开展进一步工作,尤其是要在多个中心测试解决方案以确保普适性,而且目前有机会开发人工智能解决方案,用于在平片之外的其他影像模态中评估儿童肌肉骨骼创伤,以及在某些高风险骨折人群(例如代谢性骨病或脆性骨病以及疑似虐待儿童病例)中进行评估。改进研究方法,特别是使用多中心数据集进行算法训练并配合外部验证和真实世界评估,将有助于更好地理解这些工具对儿科医疗保健的影响。
补充信息
附加文件1. 数据库检索术语及纳入研究中人工智能算法的详细信息。
引用
- Shelmerdine SC, White RD, Liu H, et al. Artificial intelligence for radiological paediatric fracture assessment: a systematic review. Insights Imaging. 2022. PMID: 35657439. doi:10.1186/s13244-022-01234-3
- 全文:PMC9166920(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC9166920/
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。