基于YOLO11m的肩袖MRI人工智能诊断模型与不同年资骨科医师面板的关节镜对照比较研究

《Diagnostics》：Fulminant Immune Checkpoint Inhibitor–Associated Myocarditis Presenting with Complete Atrioventricular Block After Combined Nivolumab and Ipilimumab Therapy: An Autopsy-Confirmed Case Report

　　

背景/目的：人工智能（AI）可能辅助肩袖磁共振成像（MRI）判读，但其相对于不同经验水平临床医师的表现仍不确定。研究人员将一种锁定的YOLO11m模型与预设的骨科医师面板进行比较，并以关节镜检查作为参考标准。方法：这项回顾性单中心研究包含一个独立的300例患者模型开发数据集，以及一个以关节镜为参考的258例患者阅片者队列（60例肩袖完整、86例部分厚度撕裂、112例全层撕裂）。12名设盲医师被分配到四个三人阅片者经验面板，面板诊断定义为三人中两人一致（two-of-three majority）的判定结果。配对准确性比较采用精确McNemar检验并进行Holm校正。结果：AI总体准确率为0.841（95%置信区间[CI]，0.792–0.881）。资深专科医师面板准确率数值上更高（0.911），但与AI的差异经校正后无统计学显著性（Holm p = 0.060）；初级专科医师面板与AI相比也无显著差异（0.822；Holm p = 0.649）。AI的配对准确率高于资深住院医师面板（0.729；Holm p = 0.005）和初级住院医师面板（0.671；Holm p < 0.001）。部分厚度撕裂是AI灵敏度最低的类别（0.709）。结论：在这项限定动态影像（restricted-cine）、三分类基准测试中，AI的表现优于两个住院医师面板，而两个专科医师面板的比较均未达到校正后的显著性阈值。这些发现并不能确立AI与专科医师的等效性，也不能证明AI辅助阅片的临床获益。

论文解读：基于YOLO11m的肩袖MRI人工智能诊断模型与不同年资骨科医师面板的关节镜对照比较研究

一、研究背景与问题

肩袖撕裂是肩部疼痛和功能障碍的常见病因，涵盖从部分厚度缺损到全层肌腱断裂的疾病谱。准确评估肩袖完整性具有重要临床意义，因为撕裂严重程度可能影响治疗方案的制定和手术决策。磁共振成像（MRI）是肩袖无创评估的核心手段，但区分肌腱完整、部分厚度撕裂和全层撕裂存在挑战，尤其当结构异常轻微或不完整时。人工智能（AI）在肩肘外科领域日益受到关注，尤其在基于影像的诊断、分割和结局预测方面，肩袖MRI是主要应用领域之一。然而，已发表模型大多聚焦于冈上肌腱，采用二分类、多分类或多任务框架，较少评估其他肩袖肌腱或将AI与人类阅片者进行比较。系统综述显示，现有研究在影像协议、模型架构、参考标准和人类对照设计方面存在显著异质性。既往研究未能一致地结合关节镜参考标准、患者层面三分类、跨预设骨科经验水平的比较以及首轮医师面板一致性描述分析。因此，本研究以关节镜发现作为肩袖后上区域状态（完整、部分厚度撕裂或全层撕裂）的参考分类，旨在评估锁定YOLO11m模型在解读术前冠状位T2加权脂肪抑制MRI序列中的总体及类别特异性诊断性能，并与代表不同临床经验水平的四个预设三人骨科医师面板进行比较，同时描述医师面板内部的首轮一致性。

二、研究设计与方法

研究人员开展了一项回顾性单中心研究，包含两个不重叠队列：一个独立的300例患者MRI模型开发队列，以及一个以关节镜为参考的258例患者诊断阅片者队列。模型开发队列中，3804张冠状位T2加权脂肪抑制肩袖MRI图像来自300例接受非手术管理的患者，按患者层面以70%、15%、15%比例分层划分为训练、验证和保留技术测试子集。YOLO11m分割架构以Common Objects in Context预训练分割检查点初始化，训练最多100个周期，批量大小16，AdamW优化器，初始学习率0.001，早停耐心20个周期。三名具有五年以上临床经验的骨科专科医师在计算机视觉标注工具（CVAT）中创建类别特异性实例分割标注，诊断标签和分割掩膜依据肌腱-足迹关系通过联合共识审查确定。分割输出包含三个诊断类别（正常肩袖、部分撕裂、完全撕裂）和一个辅助肱骨定位类别。最终检查点依据验证集掩膜平均精度（mAP@50）最高选择。技术测试子集上，锁定模型达到掩膜mAP@50为0.890、精确率0.886、召回率0.901、F1分数0.891。阅片者队列中，258例患者（60例完整、86例部分厚度撕裂、112例全层撕裂）的标准化动态影像（cine）由锁定模型和12名设盲医师独立评估。医师按经验分为四个三人面板：初级住院医师、资深住院医师、初级专科医师和资深专科医师。模型推理采用640×640像素输入，诊断置信阈值0.50，患者层面聚合采用预设层级规则：全层撕裂需至少两个解剖学上相邻的不同源切片上的合格全层预测；若未满足，则存在至少一个合格部分厚度预测时分类为部分厚度撕裂；无合格撕裂预测则分类为完整。统计采用精确McNemar检验进行配对比较，Holm校正分别应用于四个总体比较和十二个类别特异性比较。

三、研究结果

总体分类性能： 在关节镜参考的阅片者队列中，AI正确分类258例中的217例（准确率0.841；95%CI 0.792–0.881），宏平均灵敏度、特异性和F1分数分别为0.843、0.917和0.840。资深专科医师面板达到最高数值准确率（235/258，0.911），但与AI的配对差异经Holm校正后不显著（校正p = 0.060）。初级专科医师面板准确率为0.822（校正p = 0.649）。AI准确率显著高于资深住院医师面板（0.729；校正p = 0.005）和初级住院医师面板（0.671；校正p < 0.001）。

全层撕裂分类： AI的全层撕裂一对其余准确率为0.888（95%CI 0.843–0.921），灵敏度0.902，特异性0.877，F1分数0.874。AI准确率低于资深专科医师面板（0.961；校正p = 0.034），与初级专科医师（0.911；校正p = 1.000）、资深住院医师（0.822；校正p = 0.218）和初级住院医师面板（0.802；校正p = 0.074）无显著差异。

部分厚度撕裂分类： AI的部分厚度撕裂一对其余准确率为0.849（95%CI 0.800–0.887），灵敏度仅0.709，特异性0.919，F1分数0.758。AI准确率与资深专科医师（0.911；校正p = 0.259）和初级专科医师面板（0.833；校正p = 1.000）无显著差异，但显著高于资深住院医师（0.744；校正p = 0.034）和初级住院医师面板（0.682；校正p < 0.001）。部分厚度撕裂是AI灵敏度最低的类别。

完整肩袖分类： AI的完整肩袖一对其余准确率为0.946（95%CI 0.911–0.967），灵敏度0.917，特异性0.955，F1分数0.887。AI准确率与资深专科医师（0.950；校正p = 1.000）、初级专科医师（0.899；校正p = 0.323）和资深住院医师面板（0.891；校正p = 0.202）无显著差异，但显著高于初级住院医师面板（0.857；校正p = 0.007）。

混淆矩阵分析： 86例关节镜确认的部分厚度撕裂中，AI正确分类61例，8例误分类为完整，17例误分类为全层。112例全层撕裂中，101例正确分类，10例误分类为部分厚度，1例误分类为完整。60例完整肩袖中，55例正确分类，4例误分类为部分厚度，1例误分类为全层。

面板一致性： 258例队列中，初级住院医师、资深住院医师、初级专科医师和资深专科医师面板的首轮投票分别在252、255、257和257例中达成一致，其余6、3、1和1例通过三人中两人一致解决，无三向未解决投票或重新评估轮次。

四、讨论与结论

讨论总结： 主要诊断发现是锁定YOLO11m模型达到0.841的三分类准确率，且随面板经验和撕裂类别显著变化。AI在数值上不如资深专科医师面板，但配对差异经Holm校正后未达到预设显著性阈值。AI优于两个住院医师面板，初级专科医师面板与AI无显著差异。部分厚度撕裂仍是主要诊断局限。全层撕裂检测性能最强，与既往研究一致，可能因肌腱连续性丧失和跨肌腱液体信号在相邻切片上提供更一致的特征。部分厚度撕裂灵敏度低的原因可能包括不完全纤维断裂、撕裂侧别变异以及与退行性肌腱内信号重叠。完整肩袖的高一对其余准确率应结合较小的完整类别样本量和预设层级规则解释。首轮投票一致性是描述性指标，而非机会校正的观察者间信度系数。由于医师和AI独立评估，本研究未测试AI辅助效应，但结果为前瞻性辅助阅片研究提供了依据。研究局限包括回顾性单中心设计、仅评估标准化冠状位动态影像而非完整多平面MRI、手术医师可获取术前MRI可能引入期望偏倚、开发队列采用MRI共识标签无关节镜验证、以及原始推理代码和模型检查点不可用导致无法独立验证全部病例的推理规则执行。

结论翻译： 在这项单中心、关节镜参考的三分类MRI研究中，基于YOLO11m的AI在两个住院医师面板上显示出更高的配对准确率，而两个专科医师面板的比较均未达到校正后的显著性阈值。部分厚度撕裂仍是主要诊断局限。这些发现特定于标准化冠状位动态影像基准，不能确立AI与专科医师的等效性或AI辅助的临床获益。在临床实施前，需要采用完整多平面MRI进行外部验证，并开展前瞻性辅助阅片研究。