编辑推荐：
针对肋骨骨折 CT 诊断漏诊率高、CWIS 分类观察者间差异大的问题，研究人员开发了自动检测分类方法。基于 198 例 CT 数据训练模型，内部验证检测灵敏度 80% 等，分类灵敏度有差异，该研究为精准诊疗提供新工具。
在胸部创伤的诊疗版图中，肋骨骨折犹如隐匿的 “暗礁”，虽常见却暗藏玄机。据统计，其占创伤入院病例的 10%，在创伤患者中患病率达 10-40%。然而，传统 CT 诊断中 19.2–26.8% 的骨折会被遗漏，且基于 Chest Wall Injury Society（CWIS）分类的人工诊断存在显著观察者间差异，这无疑为临床决策蒙上了一层迷雾。如何突破人工诊断的局限，实现更精准、高效的肋骨骨折评估？鹿特丹大学医学中心（Erasmus MC）的研究团队展开了一场与 “暗礁” 的博弈，相关成果发表在《International Journal of Computer Assisted Radiology and Surgery》。
为攻克上述难题，研究人员构建了一套融合深度学习的自动化解决方案。该方案依托 198 例 CT 扫描数据（170 例用于训练和内部验证，28 例用于外部验证），涵盖骨折及其 CWIS 分类的手动标注信息。研究的核心技术框架包含三大部分：基于 nnDetection 框架的骨折检测与 CWIS 分类（针对类型、移位和位置三个维度分别训练模型），以及基于 nnU-Net 的肋骨编号标注网络。
研究结果
模型性能验证
在内部测试集上，模型展现出亮眼的检测能力：检测灵敏度达 80%，精度 87%，F1 分数 83%，平均每扫描假阳性数（FPPS）为 1.11。分类表现呈现出维度差异，复杂骨折的灵敏度最低为 25%，而后部骨折的灵敏度高达 97%。值得一提的是，94% 的检测骨折被正确分配了肋骨编号。定制训练的 nnU-Net 在 30 例患者中正确标注了 95.5% 的所有肋骨和 98.4% 的骨折肋骨。外部验证数据集上的表现更上层楼，骨折检测灵敏度 84%，精度 85%，F1 分数 84%，FPPS 为 0.96，95% 的骨折被正确分配肋骨编号。
关键技术对比与分析
在肋骨编号标注环节，对比当前先进工具 TotalSegmentator，自研的 nnU-Net 展现出更强的鲁棒性。在 30 例 CT 扫描的验证中，nnU-Net 对所有肋骨和骨折肋骨的正确编号率分别达 95.5% 和 98.4%，均优于 TotalSegmentator 的 92.5% 和 95.5%，尤其在处理肋骨移位或仅有 11 对肋骨的特殊病例时优势显著。
影响因素与临床价值
通过分析 CT 参数影响发现，层厚 < 2mm 与≥2mm 的扫描在检测和分类结果上无显著统计学差异，表明模型对不同扫描条件具有较好的适应性。模型的处理时间（20–90 分钟）在临床可接受范围内，无论是急性还是非急性诊疗场景，均能为医生提供及时且可靠的辅助。
研究结论与讨论
这项研究成功开发了能准确检测和分类 CT 扫描中肋骨骨折的自动化方法，其检测性能达到临床医生水平的上限，且在肋骨编号标注上表现优异。尽管在训练集中罕见和代表性不足的类别（如复杂骨折）分类仍有提升空间，但该模型为解决传统诊断的漏诊和分类一致性难题提供了新范式。其意义不仅在于提升诊断效率和准确性，更在于为手术稳定肋骨骨折（SSRF）等治疗决策提供标准化依据，推动创伤诊疗向精准化迈进。未来，扩大数据集以涵盖更多样化的骨折类型，深入探索模型对临床决策和患者预后的实际影响，将是该领域进一步发展的方向。这一成果如同导航灯，为肋骨骨折的诊疗之路照亮了更精准的方向。
