论文部分内容阅读
第一部分深度学习模型的构建与评估研究目的:构建一种用于股骨颈骨折检测及分型诊断的可视化深度学习模型,并进一步对其诊断效能进行评估。研究方法:收集我院于2014年4月至2019年7月期间行骨盆正位及髋关节正位X线检查的患者1527例,其中1327例用于模型的训练与评估,200例用于后续研究中的临床评估。在对每张图像进行有无股骨颈骨折及骨折分型的标注后对图像进行裁剪,共得到2400张单个股骨颈的图像用于模型的训练与评估,其中1954张作为模型训练集,486张图像作为模型测试集。模型的构建主要包括两部分:第一步是通过更快的基于区域的卷积神经网络(faster region-based convolutional neural network,Faster R-CNN)将股骨颈定义为感兴趣区域(region of interest,ROI)进行检测,第二步基于Dense Net-121模型对股骨颈骨折图像进行三分类(无骨折组、Garden I/II型组或Garden III/IV型组),并通过分割网络模型U-Net将可疑骨折区域用热力图进行标识。同时,我们绘制了受试者工作特征(receiver operating characteristic,ROC)曲线,通过计算曲线下面积(area under the curve,AUC)对模型的诊断效能进行评估。结果:模型在股骨颈骨折三分类中的诊断表现,对于class 0(无股骨颈骨折组,n=261),模型诊断的AUC为0.99(95%CI,0.983–0.996);对于class 1(Garden I/II型骨折组,n=79),模型诊断的AUC为0.94(95%CI,0.905-0.964);对于class 2(Garden III/IV型骨折组,n=146),模型诊断的AUC为0.99(95%CI,0.981-0.995)。结论:本研究构建的深度学习模型,对于股骨颈骨折的检测及分型诊断,显示出良好的诊断效能。第二部分深度学习在辅助医师进行骨折诊断中的应用探究研究目的:探索本研究构建的深度学习模型在辅助医师进行股骨颈骨折诊断中的应用价值。研究方法:本部分研究共募集我院急诊科执业医师20名,其中主治医师8名,住院医师12名。首先,对于评估集中的200张X线图像,急诊科医生逐张给出有无股骨颈骨折的诊断。接下来,我们将模型对于每一张图像的诊断提供给医生,医生结合模型给出的诊断结果,再次对所有图像进行有无骨折的诊断。我们分别记录每位医生在模型辅助前后对每张图像的诊断结果,并根据每幅图像预先标注的真值,计算所有医生在模型辅助前后对于股骨颈骨折判断的准确性、敏感性和特异性,并利用t检验对其中的差异进行比较。结果:急诊科医师对于股骨颈骨折的诊断,在模型辅助前诊断的平均准确性为86.33%,辅助后为92.03%,辅助前诊断敏感性为85.94%,辅助后为91.78%,辅助前诊断特异性为87.88%,辅助后为93.13%。模型辅助后医师对于骨折诊断的准确性、敏感性和特异性均高于辅助前,差异均具有统计学意义(p<0.001)。结论:本研究构建的深度学习模型,在辅助医师进行股骨颈骨折诊断中具有一定的价值,可以明显提高医师对于股骨颈骨折的诊断效能。第三部分深度学习在辅助医师培训中的应用探究研究目的:探索本研究构建的深度学习模型在辅助医师进行股骨颈骨折分型诊断培训中的应用价值。研究方法:本部分研究共募集我院创伤骨科学员20名,其中在读研究生10名,规培住院医师10名。首先,对于评估集中的200张X线图像,骨创伤科学员逐张判断有无股骨颈骨折,并对可疑的骨折进行分型(Garden I/II型或Garden III/IV型),随后,我们将用于模型训练的图像及模型提供的诊断及分型结果提供给学员进行自学。学习结束后,学员再次对评估集中所有图像进行有无骨折及骨折分型的诊断。我们分别记录每位学员在模型培训前后对每张图像的诊断结果,并根据每幅图像预先标注的真值,计算所有学员在模型培训前后对于骨折检测及分型诊断的准确性、敏感性和特异性,并利用t检验比较其中的差异。结果:在模型进行培训前,骨科学员对于股骨颈检测及骨折的分型诊断,平均准确性为81.83%,敏感性为77.28%,特异性为84.85%,在模型进行培训后,其平均准确性为90.65%,敏感性为88.31%,特异性为92.21%。模型培训后学员对于骨折分型诊断的准确性、敏感性和特异性均高于培训前,差异均具有统计学意义(p<0.001)。结论:本研究构建的深度学习模型,在辅助医师进行股骨颈骨折分型诊断的培训中具有一定的价值,可以明显提高医师对于股骨颈骨折分型诊断的诊断效能。