Page 82 - 南京医科大学学报自然科学版

第42卷第2期
·228 · 南 京 医 科 大 学 学 报 2022年2月

胸部创伤导致的直接死亡占创伤相关病死率 6月—2020年5月期间共637例7 d内有外伤病史并
［1］
的 25% ，胸部创伤可分为胸壁、肺及心血管损伤， 行胸部 CT 检查发现肋骨有新鲜骨折的病例。图像
而肋骨在胸部创伤中最易受累。钝性胸部损伤由 纳入标准：①有薄层胸部CT图像（层厚≤1.25 mm）；
减速性、挤压性、撞击性或冲击性暴力所致；约40% ②有临床胸部损伤史。排除标准：①图像有引流管
的钝性胸部损伤会引起肋骨骨折 。肋骨骨折一定 或金属内固定物；②肿瘤肋骨转移的病理性骨折；
［2］
程度上代表着损伤严重程度，患者病死率随着肋骨 ③严重运动伪影；④肋骨肿瘤及转移瘤；⑤有陈旧
骨折数量增多而增高，80%两根肋骨以上的肋骨骨 性骨折病史的病例；⑥肋骨先天发育异常。最终共
折会引起血胸或气胸。 肋骨骨折患者的住院率和 508 例患者纳入本研究，平均年龄（56.19 ± 14.86）
病死率高于无肋骨骨折的患者 ［3-4］ 。传统诊断肋骨 岁，年龄范围 12~97 岁；其中，男 316 例，平均年龄
骨折的常用方法是胸部X线平片，但由于照射体位、 （54.11±14.09）岁，年龄范围 12~87 岁；女 192 例，平
肋骨骨折位置、隐匿性骨折等原因易导致骨折的误 均年龄（59.60 ± 15.49）岁，年龄范围18~97岁。
诊或漏诊。CT 扫描显示外伤性肋骨骨折较 X 线平 1.2 方法
片能提供更加丰富 、准确的影像学信息 ［5-6］ 。 1.2.1 CT检查
由于肋骨数多而形态不规则，临床工作中需要 患者取仰卧位，上臂上举（部分患者因肩部或
从上百张 CT 图像中观察肋骨骨折，工作量巨大，有 上肢外伤不能上举则自然置于身体两侧），扫描范
研究报道，仅有约 2/3 的肋骨骨折在胸部 CT 中被诊 围自胸廓入口至肺底部或全部肋骨，患者1次吸气后
断 。肋骨骨折的漏诊及误诊经常会引起医疗纠 屏气完成扫描。扫描方式：螺旋扫描；管电压110 kV
［7］
纷，特别是在打击或车祸等病例中，骨折的数量、对 或 120 kV；层厚：5.0 mm，使用骨算法重建 1.25 mm
位情况有时在伤害的程度及伤残等级的认定上起 或1.5 mm层厚轴位图像，图像矩阵：512×512，视野：
［8］
着决定性作用 。 360 mm。
目前已有研究报道基于卷积神经网络（convolu⁃ 1.2.2 AI
tional neural network，CNN）深度学习的人工智能软件 本研究使用的AI是由杭州依图医疗技术有限公
可以对海量CT图像进行初步筛查并标记可疑肋骨骨 司开发，该软件基于CNN对左右肋骨进行分割及分
折，可以帮助医师减少工作量并提高诊断准确率 ［9-10］ 。 段，同时三维重建，并检出骨折，标记其骨折位置和骨
本研究旨在评估基于深度学习的人工智能软 折类型（图1）。将508例胸部CT原始数据传输至工
件（artificial intelligence，AI）辅助放射科医师在胸部 作站，软件系统自动批量进行肋骨骨折识别和标记。
CT 新鲜肋骨骨折诊断中的应用价值及骨折形态和 1.2.3 骨折标准认定
骨折位置对骨折检出率的影响。 2 名高级职称影像诊断医师在胸部 CT 薄层图
像上对肋骨骨折进行判读，通过多平面重建、三维
1 对象和方法
重建等方法并结合复查胸部 CT 观察有无骨痂形成
1.1 对象 来判定有无骨折；如无复查 CT，以两者的一致性意
收集南京医科大学第一附属医院放射科2018年 见为骨折诊断标准，同时记录骨折的数目及形态。

A B
AI engine

Step 2： Step 3：
Step 1：
AI⁃based rib surface AI⁃derived detection and
CT image acquisition
reconstruction localization of rib diseases
A：导入CT图像，软件自动对肋骨进行重建，识别肋骨病变并标记，并将结果输出结果框，同时显示骨折层面、位置及骨折类型；B：黄色方
框为AI标记的肋骨骨折。
图1 人工智能软件检测肋骨骨折流程及结果界面
Figure 1 The process of AI system detecting rib fracture and display of results