编辑推荐：
为比较医生在有无深度学习（DL）模型辅助下，通过膝关节磁共振成像（MRI）检测经关节镜证实的半月板和前交叉韧带（ACL）撕裂的诊断性能，研究人员开展相关研究。结果显示 DL 模型有助于医生检测内侧半月板和 ACL 撕裂，意义重大。
研究获取了 88 例接受关节镜半月板修复（伴或不伴 ACL 重建）患者的术前膝关节磁共振成像（MRI）图像，同时从公开数据库中选取了 98 例无半月板或 ACL 撕裂迹象的膝关节 MRI 图像，按年龄和 ACL 状态（正常或撕裂）进行匹配，构建了包含 186 次 MRI 检查的数据集。研究采用 Keros
?（Incepto, Paris）深度学习算法对 MRI 图像进行评估，该算法此前已针对半月板和 ACL 撕裂的检测与特征分析进行训练。三位医生和深度学习算法分别对 MRI 图像进行独立盲法标注。三周后，三位医生在模型辅助下按不同顺序再次评估图像。
结果表明，Keros?算法在检测内侧半月板、外侧半月板和 ACL 撕裂时，曲线下面积（AUC）分别为 0.96（95% 置信区间 0.93 - 0.99）、0.91（95% 置信区间 0.85 - 0.96）和 0.99（95% 置信区间 0.98 - 0.997）。在检测内侧半月板撕裂时，有模型辅助的医生敏感度更高（91% 对比 83%，p = 0.04），特异度相近（91% 对比 87%，p = 0.09）；检测外侧半月板撕裂时，有无模型辅助的敏感度和特异度相似；检测 ACL 撕裂时，算法辅助下医生的特异度更高（70% 对比 51%，p = 0.01），敏感度相近（93% 对比 96%，p = 0.13）。
结论指出，当前模型在检测内侧半月板和 ACL 撕裂（尤其是联合撕裂）方面，持续为医生提供帮助。该研究为诊断性研究，证据等级为 III 级。
