基于3D深度学习肋骨骨折智能诊断模型的构建与评估

目的 构建基于3 D深度学习(DL)的肋骨骨折智能诊断模型,评估模型的错位/非错位分类及肋骨解剖学定位效能.方法 回顾性选取3家医院共506例新鲜肋骨骨折患者.由2名影像科主治医师标注新鲜肋骨错位/非错位骨折标签及定位标签,2名高级职称医师审核标签.采用3D残差网络(ResNet)训练405例患者(80％)新鲜错位/非错位骨折标签,构建新鲜肋骨骨折的错位/非错位精细分类模型,增加肋骨解剖学定位后处理技术,开发具有全自动检测,分类与定位的肋骨骨折智能诊断模型.使用受试者工作特征(ROC)曲线的曲线下面积(AUC)、准确性、敏感性、特异性评估模型的错位/非错位分类及解剖学定位效能,并与2名放射科主治医师比较诊断效能.结果 对于测试集101例患者(20％),模型的错位/非错位分类准确性为0.840,敏感性为0.787,特异性为0.867,当阈值取0.209时,AUC达到0.911[95％置信区间(CI)0.902～0.928].左、右肋骨定位效能的敏感性分别达到0.949和0.971.与2名主治医师相比,模型对于非错位骨折的漏诊/误诊数明显低于医师(P=0.013),定位错误高于医师(P=0.002),诊断耗时少(P<0.001).结论 基于3D DL的肋骨骨折智能诊断模型具有较高的新鲜错位/非错位分类效能及解剖学定位效能.