基于X射线的深度学习模型在检测踝关节和足部骨折方面的诊断性能：一项系统评价和荟萃分析

《Skeletal Radiology》：Diagnostic performance of X-ray-based deep learning models for detecting ankle and foot fractures: a systematic review and meta-analysis

踝足骨折AI检测模型准确性评估及影响因素研究。通过元分析14项研究，发现AI模型对踝足骨折检测的敏感性93.2%，特异性94.5%，F1值0.94。多视角与单视角X光检测效果无差异，但跟骨骨折检测性能显著优于其他部位。数据集类型对模型性能无显著影响。需扩大样本量、加强外部验证及临床转化研究。

　　

摘要

目的

下肢骨折在脆弱人群中较为常见，给患者带来了沉重的负担，这凸显了及时和准确诊断的必要性。将深度学习与影像学结果相结合在提高骨折检测准确性方面展现了良好的效果。本研究评估了利用X光图像的人工智能（AI）模型检测踝关节和足部骨折的诊断准确性，并探讨了影响其性能的可能因素。

材料与方法

截至2025年9月30日，对四个数据库进行了全面搜索，纳入了探讨深度学习模型利用X光检测踝关节和足部骨折准确性的研究。采用双变量随机效应模型进行荟萃分析。

结果

共审查了506项研究，其中14项被纳入荟萃分析。对所有纳入研究的代表性模型进行分析后，其累积敏感性和特异性分别为93.2%和94.5%（95%置信区间分别为88.8–95.9%和90.1–97.0%，I²值为6.6%）。合并F1分数为0.94（95%置信区间为0.88–0.97）。亚组分析显示，使用多视图X光与单视图X光的研究在敏感性和特异性方面没有差异（P = 0.64，P = 0.89）。检测跟骨骨折的模型比检测足部或踝关节骨折的模型表现显著更好，其合并敏感性为95.1%（95%置信区间为93.0–96.6%，P = 0.008），特异性为98.3%（95%置信区间为97.00–99.0%），优势比（DOR）为1751.8（95%置信区间为445.9–6882.5）。所使用的数据集类型（验证集与测试集、内部测试与外部测试）对模型性能没有显著影响。

结论

深度学习模型可以被视为检测踝关节和足部骨折的非常准确的方法。需要进一步开展更大样本量、外部验证和临床应用的研究。

PROSPERO注册

本系统评价和荟萃分析研究已在PROSPERO注册，注册号为CRD42024624044。