肋骨骨折常见于胸部外伤患者，目前多排螺旋CT扫描已成为胸部外伤的首检方法^[1]，其强大的图像后处理功能有助于显示一些轴位不易显示的骨折，使得肋骨骨折检出率显著提高^[2-3]。由于薄层CT图像太多，且肋骨骨折需逐侧、逐根仔细观察，此过程繁琐耗时。随着CT检查量的快速增长，采用单纯人工读片方式行肋骨骨折诊断已导致放射科医生不堪重负，而肋骨骨折漏诊或误诊却可能引发医疗纠纷^[4]。计算机辅助诊断（computer-aided diagnosis，CAD）系统作为放射科医生的“第二双眼”，可辅助医师提高阅片的敏感度，具有重要诊断价值^[5-6]。

本研究评估基于深度学习（deep learning，DL）的CAD系统用于肋骨骨折的诊断效能，探讨其临床应用价值。

1.   资料与方法

1.1   一般资料

回顾性分析自2021年1月至6月间在荆州市中心医院因胸部外伤行胸部CT检查的327例患者胸部CT检查资料，排除因呼吸运动伪影过重影响诊断或存在肿瘤、感染等因素导致肋骨破坏者，共纳入232例。其中男147例，女85例，年龄16～81岁（51±17）岁。115例为外伤后1周内检查，64例为外伤后第2周至第4周检查，51例为外伤后第5周至第8周检查，2例为外伤后第9周至第12周检查。

本研究获医院伦理委员会同意批准，所有患者知情同意豁免。

1.2   方法

1.2.1   影像学检查

使用Philips Incisive 64排螺旋CT，患者取仰卧位，扫描范围从胸廓入口至第12肋下缘，吸气末屏气完成扫描；管电压120 kV，管电流100～200 mAs，层厚5 mm，层间隔5 mm，螺距1.078，图像矩阵512×512，重建层厚1.0 mm，层间隔1.0 mm。

1.2.2   肋骨骨折诊断

CAD系统阅片：使用基于卷积神经网络（convolution neural network，CNN）的CAD软件（商品名care.ai，依图医疗）行肋骨骨折自动检测，自动检测基于3D-CNN架构，用于肋骨骨折特征提取和定位。该神经网络先经过图像特征压缩网络路径提取相应特征，再经过1个与压缩网络对称的去压缩网络恢复到与输入等尺寸的三维矩阵。此软件已经过大于10000例肋骨骨折CT数据集训练，本研究数据未用于训练。软件自动检测1例患者的CT图像约需耗时1～4 s，自动检测界面包含带肋骨骨折标记的横轴位、矢状位及CPR图像（图1）。

图  1  CAD系统自动检测界面包含横轴位、矢状位及CPR图像，骨折部位会用黄色方框标记出来

Figure  1.  The automatic detection interface of the CAD system included transverse axial, sagittal and CPR images. The fracture sites were marked with yellow boxes

下载: 全尺寸图片 幻灯片

医师阅片：将胸部CT原始资料传到Carestream GCRIS 2.1工作站，两名具有6年肋骨骨折CT诊断经验的放射科主治医师独立阅片，仔细观察薄层CT轴位及多平面重组图像并以两人一致意见作为诊断结果。

CAD系统辅助医师阅片：为避免医师记忆对阅片结果产生影响，1月后，CAD系统辅助两名医师采用共同阅片模式重新阅片。记录每次阅片肋骨骨折部位及阅片所用时间。

1.2.3   肋骨骨折诊断金标准

两名具有15年以上肋骨骨折CT诊断经验的放射科高年资医师对患者初诊（外伤后1周内）及复诊（外伤后第3、5、9周）CT独立阅片，结果不一致时以两人协商一致的意见作为肋骨骨折诊断金标准。

1.3   统计学分析

采用SPSS 23.0软件行统计学处理。计数资料采用频数或率表示，符合正态分布的计量资料采用均数±标准差（$\bar x \pm s $）表示。由于本研究无法统计真阴性骨折数，故将假阳性率定义为每次检查骨折假阳性数^[7]。

3种方式敏感度比较采用多组配对χ²检验，如果3种方式敏感度存在统计学差异，则采用Bonferroni校正行两两比较，校正后P＜0.017表示差异有统计学意义。假阳性率及阅片时间比较采用单因素重复测量方差分析及两两比较，P＜0.05表示差异有统计学意义。

2.   结果

2.1   金标准

232例患者共有712处肋骨骨折部位。

2.2   敏感度比较

CAD系统阅片敏感度低于医师阅片（χ${}^2 $=7.915，P<0.017），医师阅片敏感度低于CAD系统辅助医师阅片（χ${}^2 $=10.025，P<0.017）（表1）。有37处肋骨折在医师阅片时漏诊却被CAD系统检出（图2）。

表  1  三种方式敏感度比较

Table  1.  Comparison of the sensitivity in three ways

参数	阅片方式				统计检验
	CAD系统阅片	医师阅片	CAD系统辅助医师阅片		χ${}^2 $	P
真阳性数（n）	578	617	654
敏感度/%	81.2	86.7	91.9		34.882	0.000
注：两两比较可知CAD系统阅片敏感度低于医师阅片（χ${}^2 $=7.915，P=0.005），医师阅片敏感度低于CAD系统 　　　　辅助医师阅片（χ${}^2 $=10.025，P=0.002）。

下载: 导出CSV 

| 显示表格

图  2  患者，男，54岁，车祸伤，左侧第6肋骨不完全性骨折。医师阅片漏诊，CAD系统检出

Figure  2.  The patient, male, 54 years old, was injured in a car accident and had an incomplete fracture in the left sixth rib. The doctor missed the diagnosis by reading the film，but detected it by the CAD system

下载: 全尺寸图片 幻灯片

2.3   假阳性率比较

CAD系统阅片假阳性率为0.48±0.13，在3种方式中最高（P<0.05），医师阅片假阳性率与CAD系统辅助医师阅片差异无统计学意义（P>0.05）（表2）。

表  2  三种方式假阳性率（n/例）比较

Table  2.  Comparison of the false-positive rate (n/example) in three ways

参数	阅片方式				统计检验
	CAD系统阅片	医师阅片	CAD系统辅助医师阅片		F	P
假阳性率	0.48±0.13	0.17±0.06	0.16±0.04		39.189	0.000
注：两两比较可知 医师阅片假阳性率与CAD系统辅助医师阅片差异无统计学意义（P=0.834）。

下载: 导出CSV 

| 显示表格

2.4   阅片时间比较

CAD系统阅片时间为（2.45±0.92） s，在3种方式中耗时最少，CAD系统辅助医师阅片时间少于医师且阅片时间减少34.2％（表3）。

表  3  三种方式阅片时间（s/例）比较

Table  3.  Comparison of the reading time (s/example) in three ways

参数	阅片方式				统计检验
	CAD系统阅片	医师阅片	CAD系统辅助医师阅片		F	P
阅片时间/s	2.45±0.92	158.39±46.57	104.24±25.71		2661	0.000

下载: 导出CSV 

| 显示表格

3.   讨论

以卷积神经网络为代表的深度学习CAD已在肺结节检出及良恶性预测等方面有了广泛研究^[8-9]，近年来在CT肋骨骨折诊断方面也陆续有所研究，如Castro-Zunti等^[10]利用基于CNN的CAD系统用于检测不同类型肋骨骨折；谭辉等^[11]利用基于CNN的CAD系统诊断急性肋骨骨折等。虽然这些肋骨骨折诊断CAD系统基本原理大多基于CNN，但由于具体网络架构、运算、迭代方法及数据训练集不尽相同，因此，各CAD系统诊断效能可能会存在较大差异^[7,10-13]，本研究使用一款基于CNN的CAD系统，该款产品目前尚未见文献报道，本文旨在评价其诊断效能并探讨其临床应用价值。

在敏感度方面，国内外关于基于CNN的CAD系统肋骨骨折诊断敏感度不一，Kaiume等^[12]报道其采用的CAD系统肋骨骨折诊断敏感度为64.5％，贾春雪等^[13]报道其采用的CAD系统肋骨骨折诊断敏感度为80.0％，本研究结果显示CAD系统肋骨骨折诊断敏感度为81.2％且低于医师阅片，与贾春雪等报道相似。本研究结果显示CAD系统辅助医师阅片敏感度在3种方式中最高，原因可能为CAD系统检出的骨折部位与医师阅片存在差异（有37处肋骨骨折医师阅片时漏诊却被CAD系统检出），医师可通过参考这些差异，完善人工诊断的不足，从而提高肋骨骨折敏感度。

在假阳性率方面，本研究结果显示CAD系统阅片假阳性率为0.48±0.13，在3种方式中最高，这可能与该款CAD系统会将部分骨质疏松所致肋骨骨质密度减低、肋骨形态欠规则及肋骨与肋软骨连接处等误诊为骨折有关。此外，本研究结果显示医师阅片假阳性率与CAD系统辅助医师阅片差异无统计学意义，但较CAD系统降低，这与Jin等 ^[14]报道一致。

在阅片时间方面，国内外文献^[7,11,13]报道，采用CAD系统辅助医师共同阅片方式，阅片时间较医师减少，本研究结果与其相似，结果显示CAD系统辅助医师阅片时间少于医师阅片且阅片时间减少34.2％，一方面缩短患者的诊疗时间，另一方面提高医师的工作效率，从而使医师有更多时间行医患沟通或专注于其他创新性工作。

本研究尚存不足，首先，纳入检测样本偏少且为单中心回顾性研究，存在一定选择偏倚，需进一步行大样本、多中心及前瞻性研究；其次，没有对各类型骨折行具体分析，需进一步评价各类型骨折诊断效能。

综上所述，进一步提高灵敏度和降低假阳性率是CAD改进的重要内容；采用基于深度学习的肋骨骨折CAD系统辅助医师阅片可在不增高假阳性率的同时提高敏感度和减少阅片时间。