综述：基于人工智能的面部骨折诊断评估：与传统影像诊断相比的优势的系统评价和荟萃分析

这篇综述系统评价了人工智能（AI）在面部骨折影像诊断中的应用，通过荟萃分析16项研究发现，卷积神经网络（CNN）模型在骨折检测中表现出色，汇总敏感性（sensitivity）达0.889，特异性（specificity）达0.888，曲线下面积（AUC）为0.911。研究强调AI可作为临床辅助工具，尤其适用于急诊和骨科，但需解决数据标注成本高、模型泛化性不足等挑战。

　　

背景

面部骨折不仅影响患者外观，还可能损害咀嚼、视觉和听觉功能。随着计算机断层扫描（CT）和磁共振成像（MRI）的普及，高分辨率影像为诊断提供了便利，但面部解剖结构复杂，即使经验丰富的放射科医生也可能漏诊细微骨折。近年来，人工智能（AI）尤其是深度学习（DL）在医学影像领域取得突破，通过训练大量骨折图像数据，AI系统能识别特征性骨折模式，辅助临床决策。

方法

研究遵循PRISMA和PRISMA-DTA指南，检索截至2024年12月的PubMed、Cochrane Library和Web of Science数据库文献。纳入标准包括样本量>100、使用AI或深度学习（DL）模型、提供完整性能数据的原创研究。通过QUADAS-2工具评估偏倚风险，采用随机效应模型进行荟萃分析。

结果

16项研究中，11项提取了四格表数据。AI诊断面部骨折的汇总敏感性为0.889（95% CI: 0.844-0.922），特异性为0.888（95% CI: 0.834-0.926），SROC曲线下面积达0.911。亚组分析显示，鼻骨骨折的敏感性（0.851）和特异性（0.883）略低于下颌骨骨折（敏感性0.905，特异性0.895）。

讨论

AI模型如YOLOv5、Faster R-CNN和ResNet在骨折检测中表现优异，但存在局限性：

1. 数据依赖性强：训练需大量高质量标注数据，而医疗影像标注成本高；

2. 泛化性不足：多数研究基于单中心数据，外部验证不足；

3. 临床整合挑战：需避免过度依赖AI，保持医生独立判断。

   未来方向包括多中心合作、标准化影像采集协议及结合术后诊断验证。

结论

AI在面部骨折诊断中展现出高准确性和效率，有望成为临床辅助工具，但需进一步优化算法安全性和临床适用性。

（注：全文严格依据原文内容缩编，未添加非文献支持信息。）