春

chūn

春

nuǎn

暖

huā

花

kāi

开

春天到了，万物复苏，春暖花开，处处充满生机，绿意盎然，正是陪家人出去踏春旅行的大好时刻，可是四处游玩，免不了会有磕磕碰碰，特别是家中老人，一摔倒就容易骨折，而有一种骨折-----髋部骨折，是一种放射学上极易漏诊的骨折。那该怎么办呢？

hiahia~，不用担心，今天AI医学将为您介绍一种利用深度学习算法进行骨盆X线片上髋部骨折检测与可视化的诊断方法。很想知道对吧？

那就继续往下看鸭！

背景

老年人髋部骨折是全球健康的主要问题之一。在放射学上漏诊髋部骨折会带来医疗纠纷和不良预后。为发生了减少漏诊事件的，以前只有靠医生提高自身知识水平，积累临床经验，但如今AI发展如火如荼，又怎忽略了它的力量呢？

因此，欧洲的一些研究者开始尝试运用AI的知识来解决这一难题。

目的

他们的目的是探究利用深度卷积神经网络（DCNN）检测和定位骨盆X线片（PXR）的髋部骨折的可行性。为此，他们采取了如下方法：

1

首先使用25,张肢体X光片对DCNN进行了预训练

2

利用迁移学习使用张PXR对DCNN进行再学习

3

对个PXR数据进行测试，评估DCNN的准确度，灵敏度，假阴性率等等。作者还使用可视化算法梯度加权类激活映射（Grad-CAM）来定位骨折具体位置。

测试结果

DCNN最终的测试结果为：

准确率为91％

灵敏度为98％

假阴性率为2％

识别髋部骨折的曲线下面积AUC为0.98

可视化算法Grad-CAM显示病变识别的准确度为95.9％。

没错，就是这么厉害，这就是爱（AI）的力量

结论

因此我们可以知道，DCNN不仅可以自动检测PXR上的髋部骨折，假阴性率低，而且定位骨折病变的准确性也很高。DCNN是一种有效且经济的模型，可帮助临床医生在不中断当前临床路径的情况下进行诊断。而且它还拥有诸多亮点：

自动检测骨盆X线片上的髋部骨折可能有助于初级医生的紧急筛查和评估工作。

02

Grad-CAM对骨折部位的可视化使该工具能够快速集成到当前的医疗系统中。

03

进一步证实利用深部神经网络的可行性和效率可用于筛查髋部骨折。

可能在座各位仍认为我在纸上谈兵，那么接下来，大家不要闭眼，我给大家举一波栗子

我们先让DCNN模型和医生来比较一下，上图为两者对骨折诊断的表现。蓝色，绿色，黄色和红色斑点分别表示放射科医师，外科医生，整形外科医生和急诊医师的表现。

上图是Grad-CAM辅助图像识别髋部骨折。

a原始骨盆X线片，右股骨颈骨折轻度移位（箭头）和b可视化算法定位骨折部位。

cPXR呈现右全髋关节置换和左股骨颈骨折（箭头）和d可视化算法定位骨折部位。

ePXR伴有轻度移位的左股骨颈骨折和f可视化算法定位骨折部位

hiahiahia~，现在相信我了吧，事实胜于雄辩。

文献来源

Applicationofadeeplearningalgorithmfordetectionandvisualizationofhipfracturesonplainpelvicradiographs.EurRadiol.Apr1.doi:10.7/s---y.

ChengCT1,2,HoTY3,LeeTY4,ChangCC5,ChouCC1,ChenCC6,ChungIF2,7,8,LiaoCH9,10.

Authorinformation

妈妈说好孩子最喜欢点在看了