基于计算机视觉的腕部MRI三角纤维软骨复合体亚结构损伤识别：为放射科医生提供诊断辅助

《Skeletal Radiology》：Identification of TFCC substructure injury in wrist MRI using computer vision: a diagnostic aid for radiologists

为解决腕部三角纤维软骨复合体（TFCC）损伤诊断依赖主观经验、低年资医师易漏诊的问题，研究人员开展了基于YOLO模型的AI诊断研究。结果显示，YOLO111模型在内外测试集上均表现出色，其诊断效能不劣于低年资住院医师，为TFCC损伤的客观、高效诊断提供了可靠工具。

　　

论文解读

手腕疼痛，尤其是尺侧（小指侧）的疼痛，是骨科和康复科门诊的常见主诉。其中，三角纤维软骨复合体（Triangular Fibrocartilage Complex, TFCC）损伤是导致此类疼痛的重要原因之一。TFCC是位于腕关节尺侧的一个复杂结构，它像一块“垫片”一样，在维持腕关节稳定、缓冲压力方面起着至关重要的作用。无论是运动损伤、摔倒撑地，还是随着年龄增长出现的退行性改变，都可能导致TFCC撕裂，引发疼痛和活动受限。

在临床上，磁共振成像（Magnetic Resonance Imaging, MRI）是诊断TFCC损伤的首选无创检查方法。然而，准确解读腕部MRI图像并非易事。TFCC结构本身非常精细，其亚结构（如中央的三角纤维软骨盘和周边的尺桡韧带等）在图像上往往难以清晰分辨。对于经验不足的放射科医生，特别是缺乏肌肉骨骼（Musculoskeletal, MSK）亚专科培训的医生来说，准确识别和诊断TFCC损伤，尤其是发生在血供丰富、愈合潜力大的周边区域的撕裂，面临着巨大的挑战。这种诊断上的不确定性，可能导致患者错过最佳的治疗时机，影响预后。

为了应对这一临床难题，人工智能（Artificial Intelligence, AI）技术，特别是深度学习（Deep Learning），展现出了巨大的潜力。AI模型能够从海量的医学图像中学习复杂的模式，为医生提供客观、可重复的诊断辅助。在众多AI模型中，YOLO（You Only Look Once）系列模型以其快速、高效的物体检测能力而闻名，它能够将图像分割和分类任务整合在一个步骤中完成，非常适合需要快速决策的临床工作流程。

基于此，来自华中科技大学同济医学院附属同济医院和武汉科技大学附属天佑医院的研究团队，在《Skeletal Radiology》杂志上发表了一项研究。该研究旨在开发一种基于YOLO模型的自动化工具，用于在腕部MRI图像上自动识别、分割并诊断TFCC的亚结构损伤，从而为放射科医生提供可靠的诊断支持，减少主观判断带来的误差。

关键技术方法

本研究是一项回顾性研究，纳入了来自两家医疗机构的603名受试者（330名TFCC损伤患者和273名健康对照）的2821张冠状位脂肪抑制T2加权成像（FS-T2WI）图像。研究人员将数据分为训练集、验证集、内部测试集和外部测试集，以确保模型的泛化能力。由经验丰富的放射科医生对图像中的TFCC亚结构（中央结构和周边结构）进行像素级分割和分类，作为模型训练的“金标准”。研究团队训练并比较了YOLOv8和YOLOv11系列共10个不同版本的模型，最终筛选出性能最优的YOLO111模型，并将其诊断效能与两名不同资质的放射科医生（住院医师1和主治医师2）进行了对比。

研究结果

1. 模型分割性能：YOLO111表现最佳

在评估的10个模型中，YOLO111模型在TFCC结构分割方面表现出最高的准确性。在内部测试集上，其平均Dice系数（mDice）为0.82；在外部测试集上，mDice为0.77，均优于其他模型。这表明YOLO111能够准确地勾勒出TFCC的轮廓，为后续的损伤识别奠定了坚实的基础。

2. 模型分类诊断性能：YOLO111全面领先

在损伤识别和分类方面，YOLO111模型同样表现优异。在内部测试集上，其诊断的敏感性、特异性和准确性分别为91.67%、76.11%和83.25%，显著优于其他模型。在外部测试集上，其敏感性、特异性和准确性分别为84.68%、61.22%和71.00%，同样代表了所有模型中的最佳整体性能。值得注意的是，YOLO111在检测TFCC结构损伤方面表现出更高的敏感性，意味着它更擅长“发现”病变，这对于临床诊断至关重要。

3. 区域分类诊断性能：中央结构诊断更优

研究人员进一步分析了模型对不同区域（中央结构和周边结构）的诊断能力。结果显示，YOLO111模型在评估中央和周边结构损伤方面均表现出色。然而，在外部测试集上，模型对周边结构损伤诊断的特异性（55.76%）和准确性（61.84%）相对较低，表明模型在区分正常周边结构和病变周边结构方面存在一定挑战，这可能是由于周边结构在冠状位图像上显示不完整或病变形态复杂所致。

4. 与放射科医生对比：非劣于低年资医师

为了评估模型的临床价值，研究人员将YOLO111模型与两名放射科医生进行了诊断对比。结果显示，YOLO111模型的诊断效能（敏感性79.0%，特异性70.0%，准确性74.5%）不劣于仅有1年普通诊断经验、无MSK亚专科培训的住院医师1（p=0.41）。然而，与拥有5年诊断经验、接受过MSK亚专科培训的主治医师2相比，模型的诊断效能存在显著差异（p=0.015），主治医师2的诊断准确性更高（83.5%）。

研究结论与意义

本研究成功开发并验证了一种基于YOLO111模型的自动化工具，用于在腕部MRI图像上识别TFCC亚结构损伤。该模型在分割和分类任务中均表现出优异的性能，其诊断能力不劣于低年资放射科住院医师，但逊于经验丰富的主治医师。

这项研究的意义在于，它证实了AI模型可以作为放射科医生的有力辅助工具。对于经验不足的医生，该模型能够提供客观、标准化的诊断参考，帮助他们提高诊断的准确性和一致性，减少漏诊和误诊。同时，该模型处理速度快，能够快速完成大量图像的初步筛查，从而让医生能够将更多精力集中在复杂病例的分析上，优化临床工作流程。

尽管模型在诊断周边结构损伤方面仍有提升空间，但本研究为TFCC损伤的客观诊断迈出了坚实的一步。未来，通过纳入更多样本、结合多平面MRI序列以及优化算法，有望进一步提升模型的诊断性能，最终实现其在临床实践中的广泛应用。