人工智能助力即时超声检测腕肘骨折：优化儿科急诊诊断新突破

为解决儿科急诊科（EDs）中儿童桡骨远端（手腕）和肱骨髁上（肘部）骨折诊断难题，研究人员开展利用人工智能（AI）结合即时超声（US）诊断骨折的研究。结果显示 AI 模型检测效果良好，有望减少等待时间、优化医疗资源使用。

　　桡骨远端（手腕）和肱骨髁上（肘部）骨折在前往儿科急诊科（EDs）就诊的儿童中较为常见。这些骨折根据畸形严重程度，采取保守治疗或手术治疗。通常采用 X 光片进行诊断，但由于需要辐射安全的房间，可能会增加等待时间。超声（US）作为一种无辐射且更快的替代方法，可在分诊时进行，但超声图像噪声大，解读起来颇具挑战。研究人员开发了一种人工智能（AI）技术，用于自动诊断手腕和肘部骨折。大多数用于诊断的 AI 仅关注分类结果，而该研究采用了一种更具可解释性的流程，将卷积神经网络（CNN）对超声骨区域的分割作为骨折检测的基础。该方法在 3822 张手腕超声图像和 1487 张肘部超声图像上进行了验证，并对比了分类模型和多通道分割模型的骨折检测结果。结果表明，将分割结果与原始图像相结合，在个体患者层面的骨折检测中表现更优，在手腕和肘部数据集上分别达到了 0.889 和 0.750 的准确率、0.818 和 1.000 的灵敏度以及 1.000 和 0.714 的特异性。此外，多通道 U-Net 架构能有效检测手腕超声图像中的骨折区域。这些研究结果表明，AI 模型能够在儿科急诊科实现可靠的手腕和肘部骨折自动检测，有望减少等待时间并优化医疗资源的利用。