用于计算机断层扫描中肱骨近端骨折分类与特征识别的卷积神经网络的发展

《Journal of Shoulder and Elbow Surgery》：Development of Convolutional Neural Networks for Classification and Characterisation of Proximal Humerus Fractures on Computed Tomography

　　

摘要

背景

对于肱骨近端骨折的分类、特征描述及治疗方案选择，外科医生之间缺乏共识，这导致了主观的手术决策以及医生之间评估结果的不一致性。目前利用机器学习技术对X光片上的肱骨近端骨折进行分类和特征描述的效果并不理想。而通过计算机断层扫描获取的更详细的三维结构信息或许能够提升分析效果。本研究旨在：1）基于CT扫描数据开发一种卷积神经网络并对其进行内部验证；2）对该模型进行外部验证；3）与其骨科医生的评估结果进行比较。

方法

研究团队使用3D DenseNet算法，基于581名澳大利亚患者的CT扫描数据对模型进行了训练和内部验证，随后在122名荷兰患者的数据上进行了外部验证。分类标准是通过多专家共识确定的。骨折被分为以下几类：a）无位移或轻微位移；b）两部分骨折；c）多部分骨折；d）肩胛盂肱关节脱位。同时从以下几个维度对骨折进行特征描述：a）大结节位移≥1厘米；b）内翻畸形（颈干角≤100°）；c）骨干移位；d）关节受累情况。所有骨折样本都被标注了边界立方体。该算法的性能通过准确率、接收者操作特征曲线下面积、灵敏度、特异性以及阴性预测值和阳性预测值等指标来评估。

结果

骨折分类的诊断准确率为78.6%（接收者操作特征曲线下面积在0.87到0.99之间）。该算法能够准确判断大结节位移情况（准确率80.3%，接收者操作特征曲线下面积0.88），以及内翻畸形情况（准确率87.2%，接收者操作特征曲线下面积0.91），但在判断骨干移位的某些亚型（明显移位的准确率为16.7%）以及关节受累情况（头部分离型骨折的准确率为0%）时的表现较差。在判断大结节位移和内翻角度方面，该算法的表现与骨科医生相当，而在判断骨干移位和关节受累情况时，其整体准确率高于医生水平（p<0.001）。值得注意的是，该算法在某些亚型中的表现更为不佳。

结论

这款开源的卷积神经网络能够准确地对CT扫描图像中的肱骨近端骨折的大结节位移和内翻畸形情况进行分类和特征描述。在判断骨干移位和关节受累情况方面，该人工智能算法的表现优于医生，但其对应的接收者操作特征曲线下面积不够理想。目前该算法在肱骨近端骨折分类以及大结节位移和内翻角度特征描述方面的表现较为出色，已具备开展进一步前瞻性研究的条件。而对于关节受累和骨干移位情况的判断，还需要更多数据来提升模型性能。相关代码可通过https://github.com/Richardqiyi/classification-and-characterisation-of-PHFs获取。

证据等级

基础科学研究，基于机器学习的计算机建模

Stijn R.J. Mennes|Reinier W.A. Spek|Xingyuan Zhang|Xuyin Qi|Zhibin Liao|Neeltje M. Trouwborst|Michel P.J. van den Bekerom|Job N. Doornberg|Ruurd L. Jaarsma|Bhavin Jadav|Henrik ?berg|Nick Assink|Gregory I. Bain|Sebastiaan Broos|Neil C. Chen|Wael Chiri|Frank F.A. Ijpma|Paul C. Jutte|Huub H. de Klerk|Yang Zhao

澳大利亚阿德莱德弗林德斯医学中心及弗林德斯大学骨科与创伤外科部门