
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于深度学习的后踝骨折计算机断层扫描自动分类:一种标准化诊断框架
《Journal of Imaging Informatics in Medicine》:Deep Learning–Based Automated Computed Tomography Classification of Posterior Malleolar Fractures for a Standardized Diagnostic Framework
【字体: 大 中 小 】 时间:2026年10月15日 来源:Journal of Imaging Informatics in Medicine 3.1
编辑推荐:
摘要尽管基于CT的后踝骨折(PMF)分类系统已取得进展,但由于这些系统仍高度依赖观察者的经验,诊断一致性仍然有限。本研究旨在开发一种基于深度学习的自动化模型,能够使用CT扫描根据Haraguchi、Mason-Molloy和Bartoní?ek-Rammelt分类系统对PMF
尽管基于CT的后踝骨折(PMF)分类系统已取得进展,但由于这些系统仍高度依赖观察者的经验,诊断一致性仍然有限。本研究旨在开发一种基于深度学习的自动化模型,能够使用CT扫描根据Haraguchi、Mason-Molloy和Bartoní?ek-Rammelt分类系统对PMF进行分类,并比较不同卷积神经网络架构的分类性能。回顾性收集并分析了480例成年PMF患者的术前CT数据。三名骨科医生根据三种分类系统独立对2398张CT切片进行了分类,并以多数共识作为参考标准。使用VGG-16、ResNet-101和DenseNet-121架构对匿名化的DICOM图像进行评估。数据集分为60%训练集、20%验证集和20%测试集。使用准确率、灵敏度、精确度、F1分数和受试者工作特征曲线下面积(AUC)评估模型性能。VGG-16和ResNet-101模型在Haraguchi和Mason-Molloy系统中表现出较高的分类性能。在VGG-16模型中,大多数骨折亚型的AUC值超过0.90,在Haraguchi I至III型、Mason-Molloy IIB和III型以及Bartoní?ek-Rammelt IV型中达到特别高的水平。类似地,ResNet-101模型在大多数类别中的AUC值也超过0.90,在选定的亚型中表现出很高的鉴别性能。大多数骨折类别的F1分数大于0.70,其中几个超过0.80,表明分类性能强且一致。这些发现表明,基于深度学习的PMF自动化CT分类是可行的且具有诊断鲁棒性。所提出的框架可能提高诊断一致性,减少观察者依赖性变异,并支持临床实践中后踝骨折的标准化评估。
尽管基于CT的后踝骨折(PMF)分类系统已取得进展,但由于这些系统仍高度依赖观察者的经验,诊断一致性仍然有限。本研究旨在开发一种基于深度学习的自动化模型,能够使用CT扫描根据Haraguchi、Mason-Molloy和Bartoní?ek-Rammelt分类系统对PMF进行分类,并比较不同卷积神经网络架构的分类性能。回顾性收集并分析了480例成年PMF患者的术前CT数据。三名骨科医生根据三种分类系统独立对2398张CT切片进行了分类,并以多数共识作为参考标准。使用VGG-16、ResNet-101和DenseNet-121架构对匿名化的DICOM图像进行评估。数据集分为60%训练集、20%验证集和20%测试集。使用准确率、灵敏度、精确度、F1分数和受试者工作特征曲线下面积(AUC)评估模型性能。VGG-16和ResNet-101模型在Haraguchi和Mason-Molloy系统中表现出较高的分类性能。在VGG-16模型中,大多数骨折亚型的AUC值超过0.90,在Haraguchi I至III型、Mason-Molloy IIB和III型以及Bartoní?ek-Rammelt IV型中达到特别高的水平。类似地,ResNet-101模型在大多数类别中的AUC值也超过0.90,在选定的亚型中表现出很高的鉴别性能。大多数骨折类别的F1分数大于0.70,其中几个超过0.80,表明分类性能强且一致。这些发现表明,基于深度学习的PMF自动化CT分类是可行的且具有诊断鲁棒性。所提出的框架可能提高诊断一致性,减少观察者依赖性变异,并支持临床实践中后踝骨折的标准化评估。