急诊放射影像中两种商业AI算法在肌肉骨骼创伤检测中的准确性比较

这篇研究比较了两种商业AI算法（BoneView和RBfracture）在急诊肌肉骨骼（MSK）放射影像中检测创伤性异常（骨折和脱位）的诊断性能。结果显示，两种算法具有高敏感性（BoneView 0.893，RBfracture 0.872）和特异性（均>0.88），且一致性极佳（Kappa=0.81），尤其在成人和儿童中表现稳定。研究强调了AI在减少急诊漏诊中的潜力，但指出其对细微异常的检测仍需改进。

　　

引言
尽管影像学技术快速发展，X线片仍是创伤评估的核心工具，而漏诊骨折是急诊放射学的主要误差来源。人工智能（AI）与深度学习（DL）的结合，尤其是卷积神经网络（CNN）的应用，为放射影像解读带来了新机遇。目前已有777种FDA批准的AI解决方案，但其临床价值仍需验证。本研究旨在填补多部位、多年龄组AI检测的空白，比较两种商业算法（BoneView和RBfracture）的性能。

材料与方法
研究回顾性分析了998张急诊MSK影像（585正常，413异常），由两位资深MSK专家共识作为金标准。AI通过云端平台（Collective Minds Radiology）分析影像，输出二进制结果（异常/正常）。统计指标包括敏感性、特异性、阳性预测值（PPV）、阴性预测值（NPV）、准确率和Cohen’s Kappa一致性检验。

结果
BoneView的敏感性（0.893，95%CI 0.860–0.920）与RBfracture（0.872，95%CI 0.836–0.901）无显著差异（p=0.151），特异性分别为0.885和0.892（p=0.708）。两者在成人和儿童中表现一致，但对细微异常（如腕关节不稳）的漏诊率较高（占假阴性的66%-70%）。骨盆检测敏感性最高（>0.95），而膝关节最低（BoneView 0.760，RBfracture 0.640）。

讨论
两种算法性能接近人类专家水平，且互补使用可提升敏感性（0.920）但降低特异性（0.834）。局限性包括金标准的主观性、未细分骨折类型及缺乏CT/MRI验证。未来需扩大样本量并前瞻性评估临床工作流整合。

结论
BoneView和RBfracture在急诊MSK创伤检测中展现出高准确性和一致性，为AI辅助诊断提供了可靠证据，尤其适用于多部位和儿童病例的快速筛查。