基于传统组学与深度学习融合技术的人工智能模型在鼻骨骨折检测中的应用.pdf

17医疗装备 2023 年 8 月第 36 卷第 16 期 Medical Equipment,August.2023,Vol.36,No.16鼻骨是面部骨骼的重要组成部分，易发生创伤性骨折1-2。鼻骨骨折是耳鼻喉科、急诊科常见的损伤，需早期诊断和准确初始治疗，如治疗不当可能会导致畸形和功能不适。由于鼻骨折诊断需快速、准确以预防鼻畸形，因此需要一种新的快速诊断方法。人工智能（artificial intelligence，AI）已被广泛应用于各种医疗诊断中。目前，越来越多的研究试图使用 AI 技术进行骨折检测，作为临床医基于传统组学与深度学习融合技术的人工智能模型在鼻骨骨折检测中的应用杨存1，杨磊1（通信作者），高丽娟1，李英1，李晓童1，李亮1，杨琛腾21河北医科大学第二医院（河北石家庄050000）；2河北医科大学（河北石家庄050000）摘要目的采用传统组学与深度学习融合技术开发人工智能（AI）模型，并探讨其对鼻骨骨折的诊断价值。方法选取 2021 年 5 月至 2022 年 7 月医院收治的 252 例行鼻骨多层螺旋 CT（MSCT）扫描检查患者为研究对象，通过深度学习技术提取端至端的深度学习特征，并使用 pyradiomics 分析软件提取传统组学特征。将所有特征筛选后进行融合，输入分类预测器建立 AI 预测模型，并检验鼻骨骨折的诊断效能。结果在 AI 辅助下，临床医师阅片时，灵敏度改善 11.65%，特异度改善 16.80%，曲线下面积（AUC）改善 0.14；放射科医师阅片时，灵敏度改善 9.32%，AUC 改善 0.08。结论AI 模型辅助可帮助医师提高鼻骨骨折的诊断能力，具备一定的临床使用价值。关键词鼻骨骨折；人工智能；灵敏性；特异度；深度学习中图分类号R814.42 文献标识码B 文章编号1002-2376（2023）16-0017-04基金项目：河北省省级科技计划资助项目民生科技专项（20377733D）；河北省医学科学研究课题计划项目（20210815）；河北医科大学第二医院院基金项目（2HC202057）收稿日期：2023-06-09医学工程The Application of Artificial Intelligence Model Based on the Fusion Technology of Traditional Omics and Deep Learning in the Detection of Nasal FractureYang Cun1,Yang Lei1(Corresponding Author),Gao Lijuan1,Li Ying1,Li Xiaotong1,Li Liang1,Yang Chenteng2.1 The Second Hospital of Hebei Medical University,Shijiazhuang Hebei 050000,China;2 Hebei Medical University,Shijiazhuang Hebei 050000,China【Abstract】ObjectiveThe artificial intelligence(AI)model was developed using the fusion technology of traditional omics and deep learning,and its diagnostic value for nasal fracture was explored.MethodsWith selection of 252 patients with nasal bone multi-slice spiral CT(MSCT)scanning admitted to the hospital from May 2021 to July 2022 as the research subjects,end-to-end deep learning features were extracted through deep learning techniques,and traditional omics features were extracted using pyradiomics analysis software.With the screening and fusion of all features,the AI prediction model was established by inputting the classification predictor,and its diagnostic efficiency for nasal fracture was tested.ResultsWith the assistance of AI,when clinical physicians read the images,the sensitivity improved by 11.65%,the specificity improved by 16.80%,and the area under the curve(AUC)improved by 0.14;When radiologists read the images,the sensitivity improved by 9.32%and the AUC improved by 0.08.ConclusionThe assist of AI model can help doctors improve the diagnostic ability for nasal bone fracture,which has certain clinical value.【Key words】Nasal bone fracture;Artificial intelligence;Sensitivity;Specificity;Deep learning18医疗装备 2023 年 8 月第 36 卷第 16 期 Medical Equipment,August.2023,Vol.36,No.16师的辅助诊断手段。研究显示，应用深度学习方法的 AI 技术可通过 X 线片诊断踝关节和腕部骨折3-4。最近发表的荟萃分析显示，在骨折检测方面临床医师和 AI 医师的诊断性能差异无统计学意义，表明 AI 技术是一种非常有前景的诊断骨折的辅助手段5-9。目前，利用 AI 技术提高医师对鼻骨骨折的诊断准确性的相关研究较少。因此，本研究通过建立 AI 预测模型，以提高鼻骨骨折诊断准确度。1 资料与方法1.1 一般资料回顾性分析 2021 年 5 月至 2022 年 7 月医院收治的 252 例行鼻骨多层螺旋 CT（multi-slice spiral CT，MSCT）扫描检查的患者资料，其中骨折患者152 例，非骨折患者 100 例，患者一般资料统计学特征如表 1 所示。随机选取 176 例进入训练集（骨折患者 106 例，非骨折患者 0 例），余 76 例数据进入验证集（骨折患者 46 例，非骨折患者 30 例），分裂率为 73。本研究经医院医学伦理委员批准。纳入标准：所有患者均行 MSCT 扫描，患者资料完整。排除标准：患者图像存在伪影或不能满足诊断要求。表 1患者一般资料一般资料例数年龄（岁，x-s）性别 例（%）体质量指数kg/m2，例（%）男女 24 24非骨折患者 10043.5111.2744（44.00）56（56.00）61（61.00）39（39.00）骨折患者15247.7913.5659（38.82）93（61.18）97（63.82）55（36.18）1.2 方法所有患者均采用 GE 公司 OptimaCT660 功能型64 排 128 层螺旋 CT 机行 MSCT 扫描。采用横断位扫描，患者取仰卧位，听眦线垂直扫描床面，扫描范围：眼眶上缘至硬腭水平（包全上颌骨）。扫描参数：层厚 5 mm，层间距 5 mm，螺距 0.9341，机架转速 0.8 s，FOV 250 mm，重建间隔 1 mm。将所得图像传输至 ADW4.6 工作站进行图像后处理，采用骨算法重建及软组织算法重建，CT 窗宽为4000 HU，窗位为 700 HU。1.3 模型建设1.3.1 特征值提取使用 pyradiomics 分析软件提取患者图像传统组学特征。传统组学特征包括一阶统计量特征、空间几何特征、纹理特征、变换特征等，如最小值、最大值、中位数、均值、体积、表面积、球形度、最大直径灰度共生矩阵、灰度行程矩阵等。将 3D 数据裁剪成多个 2D 截面，使用残差卷积神经网络（ResNet）进行训练，获取深度学习特征。本研究共提取 107 个组学特征、2 048 个深度学习特征，见图 1。图 1患者图像特征统计1.3.2 建立模型将获取的传统组学特征及深度学习特征进行融合，对特征 featurefusion进行正则化（Z-score），将数据服从 N（0，1）分布，公式如下。featurefusion=featurerad featuredl （1）feature=（feature-mean）/std（2）式中，mean 为特征均值，std 为方差。使用Spearman相关系数计算特征间的相关性，并用 Lasso 进行特征选择（图 2）。通过交叉验证筛选出最佳惩罚系数，并以训练集数据进行模型训练及 AI 测试。图 2Lasso 特征选择1.4 观察指标以临床检查结果作为检测鼻骨骨折的参考标准。通过验证 10 名放射科医师（男 6 名，女 4 名）和 10 名临床医师（男 7 名，女 3 名）分别在 AI 辅助下的鼻骨骨折诊断灵敏度和特异度，及 AI 辅助医师与仅 AI 检测下的准确度。1.5 统计学处理采用 SPSS 22.0 统计学软件和 MedCalc 19.0.5 统计软件包进行数据分析。计数资料以率描述。计量19医疗装备 2023 年 8 月第 36 卷第 16 期 Medical Equipment,August.2023,Vol.36,No.16资料以 x-s 描述，采用 t 检验。计算受试者工作特征曲线（receiver operating characteristic curves，ROC）和曲线下面积（area under the curve，AUC）。P0.05为差异有统计学意义。2 结果2.1 AI 模型诊断效能在验证集（骨折患者46例，非骨折患者30例）中，通过 AI 模型确定假阳性 4 例，假阴性 7 例，真阴性 26 例，真阳性 39 例，见表 2。AI 模型诊断鼻骨骨折的灵敏度为 84.78%，特异度为 86.67%，约登指数为 0.714，AUC 为 0.857（95%CI：0.758 0.928），见图 3。AI 模型诊断的代表性 CT 图像如图 4 所示。表 2AI 模型诊断结果AI 模型临床检查合计骨折（+）非骨折（-）骨折（+）39 443非骨折（-）72633合计463076注：AUC 为曲线下面积图 3AI 模型的诊断效能注：A：患者女，37 岁，B：患者女，38 岁，C：患者男，47 岁图 4AI 模型诊断鼻骨骨折典型图像2.2 AI 辅助下的鼻骨骨折诊断灵敏度和特异度AI 辅助医师阅片的灵敏度、特异度、AUC 均高于 AI 模型诊断，差异有统计学意义（P0.05），见表 3。表 3AI 辅助医师阅片的诊断效能参数AI 辅助仅 AI 诊断P灵敏度（%）94.003.1784.7810.160.001特异度（%）89.756.1586.6711.380.001AUC0.920.040.8570.100.001注：AUC 为曲线下面积2.3 AI 辅助医师诊断的增益效果在 AI 辅助下，10 名临床医师的灵敏度平均改善 11.65%（95%CI：4.5718.73，P=0.003），特异度改善 16.80%（95%CI：9.0224.58，P0.001），AUC 改善 0.14（95%CI：0.070.21，P0.001）。10名放射科医师的灵敏性平均改善9.32%（95%CI：2.1716.47，P=0.013），AUC 改善 0.08（95%CI：0.010.16，P=0.033）。虽然在放射科医师中，使用 AI 辅助治疗后的特异度更高，但差异无统计学意义（P=0.093），见表 4表 4AI 辅助医师诊断的增益效果阅片者灵敏度绝对增益（%）特异度绝对增益（%）AUC 绝对增益临床医师11.657.5416.808.280.140.07放射医师 9.327.60 7.609.570.080.08注：AUC 为曲线下面积3 讨论随着科学技术的不断发展，AI 辅助诊断已成为临床的重要工具。Oka 等6开发了一种能够利用双平面 X 线图像诊断桡骨远端骨折的人工智能系统，发现该系统具有较高的诊断准确率，诊断率为98%。与肢体长骨和扁平骨不同，鼻骨及其相邻血管的解剖结构比较复杂，为人工智能模型的构建带来了挑战。本研究建立了一个基于传统组学与深度学习融合算法的 AI 模型，该模型在识别鼻骨骨折方面具有可接受的诊断效能，可提高放射科医师和临床医师对鼻骨骨折检测的灵敏度和特异度。本研究尚有以下局限性：（1）本研究中的AI模型训练数据较少。（2）本研究中检测骨折的基本依据是基于资深放射科医师诊断，存在偏倚。虽然高级放射科医师的诊断准确度较高，但检测可能仍包括不正确病例。（3）常规X 线片评估鼻侧壁损伤比鼻骨中线较困难10-14。因此，对鼻壁损伤诊断可能有较高的误诊率。本研究并未进行亚组分析来评估 AI 辅助阅片在不同类型鼻骨骨折中的诊断效能。（4）未记录医师在 AI 辅助下查看 CT 图像的阅片时间。缩短阅片时间是人工智能的潜在好处之一15-21。因此，未来需进一步研究AI辅助阅片缩短鼻CT图像的阅读时间的可行性。4 结论基于深度学习算法及传统组学特征的 AI 人工智能模型可帮助临床医师和放射科医师提高鼻骨骨20医疗装备 2023 年 8 月第 36 卷第 16 期 Medical Equipment,August.2023,Vol.36,No.16折的定位及诊断性能，具有较大的临床应用价值。参考文献1 Li L,Zang H,Han D,et al.Nasal Bone Fractures:Analysis of 1193 Cases with an Emphasis on Coincident Adjacent FracturesJ.Facial Plast Surg Aesthet Med,2020,22(4):249-254.2 Han DG.Considerations for Nasal Bone Fractures:Preoperative,Perioperative,and PostoperativeJ.Arch Craniofac Surg,2020,21(1):3-6.3 Kim KS,Lee HG,Shin JH,et al.Trend Analysis of Nasal Bone FractureJ.Arch Craniofac Surg,2018,19(4):270-274.4 Pinto A,Brunese L.Spectrum of Diagnostic Errors in RadiologyJ.World J Radiol,2010,2(10):377-383.5 Olczak J,Fahlberg N,Maki A,et al.Artificial Intelligence for Analyzing Orthopedic Trauma RadiographsJ.Acta Orthop,2017,88(6):581-586.6 Oka K,Shiode R,Yoshii Y,et al.Artificial Intelligence to Diagnosis Distal Radius Fracture Using Biplane Plain X-RaysJ.J Orthop Surg Res,2021,16(1):694.7 张健.鼻内镜下人工可吸收骨板置入术治疗击出性骨折 J.中国耳鼻咽喉颅底外科杂志，2011，17（2）：142-143.8 邰迎吉，张炜，李峻，等.CT 影像上易误诊为鼻骨骨折的正常结构 J.临床放射学杂志，2009，28（8）：1073-1075.9 苏雪娟，李运奇，马文伟，等.多层螺旋 CT 后处理技术及新分型对鼻骨骨折法医鉴定的价值 J.中国临床医学影像杂志，2015，26（6）：443-446.10 陈称养，张玉福，杨明社，等.多层螺旋CT后处理技术在创伤专科医院鼻骨骨折法医鉴定中的应用价值J.中国急救复苏与灾害医学杂志，2017，12（6）：518-520.11 王琼仙，杨骐睿，李成，等.骨康灵液在骨折愈合中影像学及组学的研究 J.世界最新医学信息文摘，2021，21（39）：23-24.12 Gong L,Jiang S,Yang Z,et al.Automated pulmonary nodule detection in CT images using 3D deep squeeze-and-excitation networksJ.Int J Comput Assist Radiol Surg,2019,14(11):1969-1979.13 刘小石.CT 检查对鼻骨折和 CT 影像学检查的诊断价值分析 J.世界最新医学信息文摘（连续型电子期刊），2021，21（72）：296-297.14 马莉，沈素红.超声全程动态监测下鼻骨骨折闭合性复位的可视化研究 J.医学影像学杂志，2021，31（5）：744-749.15 吴飞.影像学诊断在鼻骨骨折损伤程度鉴定中的应用价值分析 J.医药前沿，2018（18）：45-46.16 杨倩.护理干预对鼻内镜下外伤性鼻骨骨折病人复位的影响分析 J.中国伤残医学，2022，30（4）：87-88.17 赵靖，李建峰，王光辉.128层 MSCT 重建技术 VR与MPR在诊断鼻骨线性骨折不伴移位的应用价值J.基层医学论坛，2022，26（7）：100-102，封3.18 陶建华，曲晓霞，张怀宇，等.1452例鼻区不同部位骨折的CT 影像分析和临床意义（附一种鼻区骨折新型分类方法）J.中国耳鼻咽喉头颈外科，2022，29（6）：386-389.19 陶建华，陈聪，张怀宇，等.鼻骨区骨折深度学习模型的建立和临床效能评估 J.放射学实践，2021，36（8）：959-964.20 于敏，钱伟军，李立，等.MSCT 在鼻骨新旧骨折及正常细微结构中的鉴别诊断 J.医学影像学杂志，2022，32（7）：1122-1125.21 朴美兰，王小琴.低温等离子射频消融联合下鼻甲骨折外移术治疗鼻中隔偏曲伴肥厚性鼻炎的疗效观察 J.北京医学，2022，44（6）：554-557.6 国家食品药品监督管理局天津医疗器械质量监督检验中心YY/T0951-2015，干扰电治疗设备 S北京：中国标准出版社，20157 蒋硕，徐志洲，田佳，等.干扰电治疗设备频率测试方法研究 J.医疗卫生装备，2021，42（3）：43-46，50.8 郑金存，聂国朝，刘永建，等.基于 Rossler 混沌模型的神经电刺激系统的设计与实验研究 J.中国医学物理学杂志，2017，34（11）：1142-1149.9 吴文竹，唐俊铨，陈德清，等.基于阵列电极的生物电刺激器研制J.中国医学物理学杂志，2018，35（3）：338-344.10 梁春燕，田学隆，俞雪鸿，等.中低频电疗及疼痛评估系统的设计 J.生物医学工程学杂志，2014，31（3）：558-562.11 王国宾，孟倩，邹翰斌.基于单片机设计的干扰电颈椎治疗仪J.航天医学与医学工程，2011，24（4）：302-305.12 申思宪，董俊鹏，赵志科，等.电极脱落保护电路 P.中国专利：CN217187476U，2022-08-16.13 申思宪，丁鹏元，赵志科，等.气压传感器精密检测电路 P.中国专利：CN216770867U，2022-06-17.14 申思宪，赵志科，董俊鹏，等.一种干扰电电路控制系统 P.中国专利：CN114129897A，2022-03-04.15 申思宪，赵志科，吴涛，等.干扰电处方逻辑控制方法 P.中国专利：CN114129896A，2022-03-04.（上接第 16 页）