基于深度学习的死后CT肋骨骨折自动检测：领域偏移分析与模型性能评估

《International Journal of Legal Medicine》：Automatic rib fracture detection on postmortem CT data using deep learning

本研究针对法医学中肋骨骨折检测耗时且易漏诊的难题，开发了基于nnDetection深度学习模型的自动检测系统。研究人员通过收集50例死后CT（PMCT）扫描数据构建PMRF数据集，训练出nnDetPM模型，其在PMCT测试集上达到70.2%的平均灵敏度，显著优于临床数据训练的模型（19.8%）。研究首次系统揭示了临床与PMCT影像间领域偏移的主要因素（手臂位置、医疗器具干扰等），为法医影像AI应用提供了重要技术支撑。

　　

在法医鉴定中心，肋骨骨折的识别是一项关乎生死判定的关键任务。据统计，在瑞士洛桑-日内瓦法医中心（CURML）的死后放射学检查中，近半数案例存在肋骨骨折。这些骨折可能源于交通事故的猛烈撞击、高空坠落的重创，甚至心肺复苏术的医疗操作——后者导致的骨折概率高达80%。更复杂的是，许多遗体还伴有陈旧性骨折，这些愈合痕迹如同生命历程的档案，需要被精确记录和分析。然而，传统CT影像中肋骨骨折的检测犹如大海捞针，即使经验丰富的放射科医生平均灵敏度也仅达75.6%，且需耗费大量时间。

深度学习（DL）技术为这一困境带来转机。临床研究表明，AI辅助诊断可使放射科医生的检测灵敏度提升20个百分点，并大幅缩短分析时间。但死后CT（PMCT）与临床CT存在显著差异：遗体因尸僵常保持手臂环抱胸腹的姿势，扫描区域可能残留心电监护导线、气管插管等医疗器具，这些因素构成显著的"领域偏移"（domain shift），导致基于临床数据训练的模型在法医场景中表现急剧下滑。目前国际上仅有两项研究涉及PMCT肋骨骨折分类，尚无针对骨折检测与定位的深入探索。

为此，Manel Lopez-Melia团队在《International Journal of Legal Medicine》发表研究，首次系统评估了nnDetection深度学习模型在PMCT数据上的肋骨骨折检测性能，并深入剖析了临床与法医影像的领域偏移机制。研究人员采用逆向思维设计实验：一方面用50例PMCT扫描（PMRF数据集）训练专用模型nnDetPM，另一方面用660例临床CT扫描（RibFrac数据集）训练对照模型nnDetClin，通过交叉测试揭示领域偏移的影响程度。

关键技术方法

研究采用多中心数据对比分析策略：PMRF数据集包含50例低放射学改变（RA<50）的成人PMCT扫描，由资深法医放射科医生使用3D Slicer进行骨折标注，采用"人机协同"流程完善标注质量；RibFrac数据集包含公开的660例临床CT扫描。使用nnDetection对象检测框架，保持默认参数（50轮训练+10轮随机权重平均，初始学习率0.01），在五折交叉验证环境中进行模型训练与评估。

研究结果

PMRF数据集标注特征

50例PMCT共标注698处肋骨骨折，其中训练集30例含378处骨折（每例12.6处），测试集19例含241处骨折（12.7处/例）。与临床RibFrac数据集相比，PMRF的骨折标注体积更小（中位数437.74 mm³ vs 2013.81 mm³），反映法医标注更聚焦骨皮质微小异常。

模型性能对比

nnDetPM在PMRF测试集上表现优异：平均灵敏度70.2%，平均精度（IoU 0.1）78.1%，显著优于nnDetClin的19.8%灵敏度。反观临床数据测试，nnDetPM在RibFrac测试集仍保持61.5%灵敏度，说明PM到临床的领域偏移影响较小。进一步分析显示，nnDetClin在PMCT中误将指骨、医疗器具（如呼吸管、拉链）识别为骨折，而模型对陈旧性骨折的检测反而更优（73% vs 54%）。

骨折分类尝试

增设骨折类型分类的nnDetPM_CLASS模型对急性骨折检测灵敏度达69.9%，但对陈旧性骨折仅51.5%，表明模型更擅长识别急性损伤特征。两类骨折的漏检模式与未分类模型基本一致，说明分类任务未显著提升检测性能。

极端案例验证

在含79处骨折的广泛损伤（ED）测试案例中，两模型均表现不佳：nnDetPM检出18处骨折（零误报），nnDetClin仅检出4处（16处误报）。模型对移位距离大的骨折、椎旁区骨折和粉碎性骨折识别能力最弱，凸显复杂骨折模式的检测挑战。

结论与展望

本研究证实领域偏移是阻碍临床AI模型向法医场景迁移的关键瓶颈。PMCT专用训练的nnDetPM模型达到与放射科医生相当的检测灵敏度，且误报率更低（PMRF测试集1.74 FPPS vs 6.21 FPPS）。研究首次明确三大领域偏移因素：遗体姿态导致的肢体遮挡、医疗器具干扰、重建核函数差异。尽管数据集规模（50例PMCT）限制了模型对复杂骨折的识别能力，但结果为法医影像AI奠定了重要基石。未来将通过多中心合作扩大数据集，探索自监督学习技术，并整合全身分割模型（如TotalSegmentator）提升模型鲁棒性。这项研究不仅为法医鉴定提供了可落地的计算机辅助检测（CADe）工具，更建立了跨领域医学影像分析的方法论范式。