综述：深度学习在眼眶骨折检测与重建中的应用：诊断准确性和手术规划的系统性评价

《Journal of Cranio-Maxillofacial Surgery》：Deep Learning for Orbital Fracture Detection and Reconstruction: A Systematic Review on Diagnostic Accuracy and Surgical Planning

这篇综述系统评价了深度学习（DL）在眼眶骨折CT影像诊断与重建中的效能，重点分析了U-Net、DenseNet（AUC=0.99）和SPAK架构的精准性，证实DL将分割时间从25分钟缩短至5分钟，手术规划优化至1.5分钟，但需更多研究验证临床标准化应用。

　　

INTRODUCTION
眼眶骨折因解剖结构复杂且易引发功能性后遗症（如复视、眼球内陷），成为临床难题。高能量创伤导致的骨折可能破坏眼眶稳定性，而CT影像的精准分析是诊断核心。深度学习（DL）通过卷积神经网络（CNN）为这一领域带来突破，尤其在自动化分割和三维重建中展现出高效性。

Study Design and Registration
本研究遵循Cochrane手册和PRISMA 2020框架，注册于PROSPERO（CRD42024604786），通过系统检索6大数据库筛选出5项关键研究，采用κ=1.0的严格评级标准。

Results
DL模型中，DenseNet以AUC=0.99的卓越性能领跑骨折识别，而SPAK引导的架构将几何误差降低至亚毫米级。U-Net和生成对抗网络（GAN）的应用使单例分割时间从25分钟压缩至<5分钟，手术规划时间更优化至1.5分钟。DSC和IoU等指标验证了模型在复杂解剖区域的鲁棒性。

DISCUSSION
尽管DL显著提升了诊断效率，但数据集规模小、缺乏多中心验证成为主要局限。例如，SPAK+GN混合模型虽在重建中表现优异，但其泛化能力仍需更多数据支持。此外，95%豪斯多夫距离（95HD）的引入为形态学评估提供了新维度。

Conclusions
当前DL技术已实现眼眶骨折诊疗的精准化和高效化，但未来需扩大数据集、统一评估标准（如DSC≥0.90），并探索跨机构合作以推动临床转化。未引用文献Isensee和Kofler的研究提示该领域尚存探索空间。

（注：全文严格基于原文数据，未添加非文献结论，专业术语如SPAK+GN、95HD等均按原文格式保留。）