人工智能软件在儿童上肢骨折诊断中的价值评估：一项多部位准确性研究

本研究针对儿科急诊中上肢骨折诊断的挑战，评估了AI软件BoneView?在2-18岁儿童中的诊断效能。通过回顾性分析826例患者876次影像数据，以两位儿科放射科医师共识为金标准，发现该软件整体灵敏度达89%、特异度91%，其中腕部骨折检测表现最佳（灵敏度96%/特异度94%），但肘关节积液识别能力有限（特异度仅51%）。研究证实AI可作为儿科急诊的辅助工具，但需针对特定解剖部位优化算法。

　　

儿童骨折是急诊常见问题，其中75%发生于上肢，准确诊断对避免骨骼生长并发症至关重要。然而儿科骨骼存在生长板、骨化中心等特殊结构，加之基层医疗机构缺乏儿科放射专科医师，易导致漏诊或过度使用CT检查（违反ALARA原则，即合理最低剂量原则）。人工智能(AI)为这一困境提供新思路，但现有研究多聚焦成人。Federico Mollica团队在《European Radiology》发表的这项研究，首次系统评估了AI软件BoneView^?对儿童上肢多部位骨折的诊断价值。

研究采用回顾性设计，纳入2019-2023年某大学儿科急诊826例2-18岁患者（共876次影像），排除病理性骨折及虐待伤等。通过双盲读片建立放射科医师共识作为金标准，对比分析AI软件在锁骨、肩、肘、腕等8个部位的诊断性能，同时评估其肘关节积液(EJE)检测能力。

主要技术方法

1. 1.

   数据采集：单中心连续纳入疑似上肢骨折患儿，采用双平面X线检查（锁骨除外）

2. 2.

   参考标准建立：两位≥5年资历儿科放射科医师独立评估，仅采纳一致结果

3. 3.

   AI分析：使用基于30万张影像（含30%儿科数据）训练的BoneView^?软件，其采用特征金字塔网络(FPN)和区域提议网络(RPN)框架

4. 4.

   统计评估：计算各解剖部位灵敏度、特异度等指标

研究结果

1. 1.

   总体性能：AI整体灵敏度89%、特异度91%，但显著低于医师水平（p<0.05）

2. 2.

   区域差异：

   • •

     最佳表现：腕部（灵敏度96%/特异度94%）、锁骨（92%/94%）和前臂（96%/92%）

   • •

     最差表现：肘关节（灵敏度87%/特异度65%），手指骨折灵敏度仅73%

     
3. 3.

   关节积液检测：EJE识别灵敏度79%但特异度仅51%，常见于软组织透亮区误判

讨论与意义

该研究揭示了AI在儿科骨折诊断的双面性：一方面，其在常见部位（如腕部、锁骨）展现优异性能，可辅助资源匮乏地区的初步筛查；另一方面，对复杂解剖区域（如肘关节）和间接征象（如EJE）的识别仍存局限，这与儿童骨骼发育特性密切相关。作者建议未来应：

1. 1.

   针对性增强算法对生长板等儿科特征的识别

2. 2.

   优化软组织异常检测模块

3. 3.

   开展前瞻性研究验证临床效用

值得注意的是，AI的"存疑"标记功能（如图2所示）可能为临床提供有价值的二次审查提示。这项研究为AI在儿科影像的应用树立了新基准，同时强调人类专家在复杂病例决策中的不可替代性。随着算法迭代，此类工具或将成为平衡诊断效率与辐射安全的重要助力。