用于通过髋部X光片区分肿瘤性病理骨折与非病理骨折的深度学习模型

《JBJS》：Deep Learning Model for Differentiating Between Neoplastic Pathologic Fracture and Nonpathologic Fracture Using Hip Radiographs

本研究开发并验证了一个深度学习模型，用于区分髋部X光片中肿瘤性病理性骨折与非病理性骨折。多中心测试显示模型准确率0.88，外部验证0.85，性能与骨科医生相当，适用于资源有限地区。

　　

摘要 通俗语言总结

---

背景：

尽管X光片是一线影像检查方法，但在X光片上区分肿瘤性病理骨折和非病理骨折有时颇具挑战性。在这项研究中，我们旨在开发并评估一种深度学习模型，以区分髋部X光片上的肿瘤性病理骨折和非病理骨折，从而提高诊断准确性。

方法：

这项回顾性、多中心研究分析了来自4家不同医疗机构急诊科患者的髋部前后位X光片。深度学习模型在一家机构的338名患者数据上进行训练和测试，并通过另外3家机构的488名患者数据进行了外部验证。

结果：

该模型在内部测试集上的总体准确率为0.880，敏感性为0.882，特异性为0.879。随后使用来自不同机构的488名患者数据（其中67例为肿瘤性病理骨折，421例为非病理骨折）进行了外部验证。该模型的总体准确率为0.848，敏感性为0.910，特异性为0.786，其性能与普通骨科医生的表现相当。

结论：

所开发的深度学习模型是一种可靠且有效的工具，可用于区分髋部X光片上的肿瘤性病理骨折和非病理骨折。它在资源有限的医疗环境中具有辅助作用，因为在这些环境中优化X光片的解读对患者护理至关重要。该模型可在https://pathfxdx.org公开获取。

证据等级：

诊断证据等级：III级。有关证据等级的完整描述，请参阅作者指南。

通俗语言总结：本研究开发了一种深度学习模型，用于帮助区分髋部X光片上的肿瘤性病理骨折和非病理骨折。该模型在338名患者的数据上进行了训练，并在多家机构的488名患者数据上进行了测试。结果显示其准确率、敏感性和特异性均较高，与普通骨科医生的表现相当。模型在内部测试中的准确率为0.880，在外部测试中的准确率为0.848，敏感性和特异性指标表明其性能可靠。这一工具可通过在线链接https://pathfxdx.org为骨科医生提供帮助，尤其是在资源有限的医疗环境中，有助于提高诊断准确性。

文本由机器生成，可能存在不准确之处。常见问题解答