结合视觉变换器的逐块处理方法，用于检测脊柱X光片中的植入物故障

《Journal of Imaging Informatics in Medicine》：Patch-Wise Approach with Vision Transformer for Detecting Implant Failure in Spinal Radiography

脊柱植入物骨折检测AI模型研发及临床效果评估。基于DINOv2的Vision Transformer模型通过区域检测和像素级分析，在9924例X光片中实现0.83准确率，0.94召回率。对比3名放射科医生（1-16年经验）独立阅片与AI辅助情况，发现AI使医生召回率从0.70提升至0.95，尤其在经验不足者中效果显著（0.49→0.92）。GEE分析显示诊断效率提升OR=2.82（p<0.001），对棒状骨折检测效果最佳。

　　

摘要

由于手术数量的增加和人口老龄化，脊柱植入物失效的情况越来越普遍。早期发现至关重要，但由于特征不明显以及放射科医生资源有限，这种情况在X光片上常常被忽略。本研究旨在开发并验证一种基于视觉变换器的深度学习模型，用于检测脊柱植入物骨折，并评估其对放射科医生诊断性能的影响。训练和测试数据集包含了2003年至2023年间798名患者的9924张脊柱X光片（3492个病例）。首先使用基于DINOv2的模型在X光片中检测脊柱植入物，然后分析这些区域内的224×224像素的图像块，以判断是否存在植入物骨折。三名放射科医生（经验从1年到16年不等）在有无人工智能辅助的情况下独立审查了测试集（1538张图像）。性能评估采用了准确性、F1分数、精确度和广义估计方程（GEE）分析等方法。人工智能模型的召回率为0.94，精确度为0.37，F1分数为0.54，准确率为0.83。在人工智能辅助下，放射科医生的召回率从0.70提高到了0.95，其中经验最少的医生的提升最为显著（从0.49提高到了0.92）。广义估计方程分析证实了诊断效果的显著改善（OR=2.82，p<0.001），尤其是在棒状植入物骨折的情况下。这种基于图像块的变换器方法表现出高灵敏度，并提升了医生的诊断性能，支持其作为脊柱植入物监测中的分诊工具。