基于傳統組學與深度學習融合技術的人工智能模型在鼻骨骨折檢測中的應用

楊存，楊磊（通信作者），高麗娟，李英，李曉童，李亮，楊琛騰

1 河北醫科大學第二醫院 （河北石家莊 050000）；2 河北醫科大學（河北石家莊 050000）

鼻骨是面部骨骼的重要組成部分，易發生創傷性骨折[1-2]。鼻骨骨折是耳鼻喉科、急診科常見的損傷，需早期診斷和準確初始治療，如治療不當可能會導致畸形和功能不適。由于鼻骨折診斷需快速、準確以預防鼻畸形，因此需要一種新的快速診斷方法。人工智能（artificial intelligence，AI）已被廣泛應用于各種醫療診斷中。目前，越來越多的研究試圖使用AI 技術進行骨折檢測，作為臨床醫師的輔助診斷手段。研究顯示，應用深度學習方法的AI 技術可通過X 線片診斷踝關節和腕部骨折[3-4]。最近發表的薈萃分析顯示，在骨折檢測方面臨床醫師和AI 醫師的診斷性能差異無統計學意義，表明AI 技術是一種非常有前景的診斷骨折的輔助手段[5-9]。目前，利用AI 技術提高醫師對鼻骨骨折的診斷準確性的相關研究較少。因此，本研究通過建立AI 預測模型，以提高鼻骨骨折診斷準確度。

1 資料與方法

1.1 一般資料

回顧性分析2021 年5 月至2022 年7 月醫院收治的252 例行鼻骨多層螺旋CT（multi-slice spiral CT，MSCT）掃描檢查的患者資料，其中骨折患者152 例，非骨折患者100 例，患者一般資料統計學特征如表1 所示。隨機選取176 例進入訓練集（骨折患者106 例，非骨折患者0 例），余76 例數據進入驗證集（骨折患者46 例，非骨折患者30 例），分裂率為7∶3。本研究經醫院醫學倫理委員批準。納入標準：所有患者均行MSCT 掃描，患者資料完整。排除標準：患者圖像存在偽影或不能滿足診斷要求。

1.2 方法

所有患者均采用GE 公司OptimaCT660 功能型64 排128 層螺旋CT 機行MSCT 掃描。采用橫斷位掃描，患者取仰臥位，聽眥線垂直掃描床面，掃描范圍：眼眶上緣至硬腭水平（包全上頜骨）。掃描參數：層厚5 mm，層間距5 mm，螺距0.934∶1，機架轉速0.8 s，FOV 250 mm，重建間隔1 mm。將所得圖像傳輸至ADW4.6 工作站進行圖像后處理，采用骨算法重建及軟組織算法重建，CT 窗寬為4000 HU，窗位為700 HU。

1.3 模型建設

1.3.1 特征值提取

使用pyradiomics 分析軟件提取患者圖像傳統組學特征。傳統組學特征包括一階統計量特征、空間幾何特征、紋理特征、變換特征等，如最小值、最大值、中位數、均值、體積、表面積、球形度、最大直徑灰度共生矩陣、灰度行程矩陣等。將3D 數據裁剪成多個2D 截面，使用殘差卷積神經網絡（ResNet）進行訓練，獲取深度學習特征。本研究共提取107 個組學特征、2 048 個深度學習特征，見圖1。

1.3.2 建立模型

將獲取的傳統組學特征及深度學習特征進行融合，對特征featurefusion進行正則化（Z-score），將數據服從N（0，1）分布，公式如下。

式中，mean 為特征均值，std 為方差。

使用Spearman相關系數計算特征間的相關性，并用Lasso 進行特征選擇（圖2）。通過交叉驗證篩選出最佳懲罰系數λ，并以訓練集數據進行模型訓練及AI 測試。

圖2 Lasso 特征選擇

1.4 觀察指標

以臨床檢查結果作為檢測鼻骨骨折的參考標準。通過驗證10 名放射科醫師（男6 名，女4 名）和10 名臨床醫師（男7 名，女3 名）分別在AI 輔助下的鼻骨骨折診斷靈敏度和特異度，及AI 輔助醫師與僅AI 檢測下的準確度。

1.5 統計學處理

采用SPSS 22.0 統計學軟件和MedCalc 19.0.5 統計軟件包進行數據分析。計數資料以率描述。計量資料以±s描述，采用t檢驗。計算受試者工作特征曲線（receiver operating characteristic curves，ROC）和曲線下面積（area under the curve，AUC）。P＜0.05為差異有統計學意義。

2 結果

2.1 AI 模型診斷效能

在驗證集（骨折患者46 例，非骨折患者30 例）中，通過AI 模型確定假陽性4 例，假陰性7 例，真陰性26 例，真陽性39 例，見表2。AI 模型診斷鼻骨骨折的靈敏度為84.78%，特異度為86.67%，約登指數為0.714，AUC為0.857（95%CI：0.758 ～0.928），見圖3。AI 模型診斷的代表性CT 圖像如圖4 所示。

圖3 AI 模型的診斷效能

圖4 AI 模型診斷鼻骨骨折典型圖像

表2 AI 模型診斷結果

2.2 AI 輔助下的鼻骨骨折診斷靈敏度和特異度

AI 輔助醫師閱片的靈敏度、特異度、AUC均高于AI 模型診斷，差異有統計學意義（P＜0.05），見表3。

表3 AI 輔助醫師閱片的診斷效能

2.3 AI 輔助醫師診斷的增益效果

在AI 輔助下，10 名臨床醫師的靈敏度平均改善11.65%（95%CI：4.57～18.73，P=0.003），特異度改善16.80%（95%CI：9.02～24.58，P＜0.001），AUC改善0.14（95%CI：0.07～0.21，P＜0.001）。10 名放射科醫師的靈敏性平均改善9.32%（95%CI：2.17～16.47，P=0.013），AUC改善0.08（95%CI：0.01～0.16，P=0.033）。雖然在放射科醫師中，使用AI 輔助治療后的特異度更高，但差異無統計學意義（P=0.093），見表4

表4 AI 輔助醫師診斷的增益效果

3 討論

隨著科學技術的不斷發展，AI 輔助診斷已成為臨床的重要工具。Oka 等[6]開發了一種能夠利用雙平面X 線圖像診斷橈骨遠端骨折的人工智能系統，發現該系統具有較高的診斷準確率，診斷率為98%。與肢體長骨和扁平骨不同，鼻骨及其相鄰血管的解剖結構比較復雜，為人工智能模型的構建帶來了挑戰。

本研究建立了一個基于傳統組學與深度學習融合算法的AI 模型，該模型在識別鼻骨骨折方面具有可接受的診斷效能，可提高放射科醫師和臨床醫師對鼻骨骨折檢測的靈敏度和特異度。本研究尚有以下局限性：（1）本研究中的AI 模型訓練數據較少。（2）本研究中檢測骨折的基本依據是基于資深放射科醫師診斷，存在偏倚。雖然高級放射科醫師的診斷準確度較高，但檢測可能仍包括不正確病例。（3）常規X 線片評估鼻側壁損傷比鼻骨中線較困難[10-14]。因此，對鼻壁損傷診斷可能有較高的誤診率。本研究并未進行亞組分析來評估AI 輔助閱片在不同類型鼻骨骨折中的診斷效能。（4）未記錄醫師在AI 輔助下查看CT 圖像的閱片時間?？s短閱片時間是人工智能的潛在好處之一[15-21]。因此，未來需進一步研究AI 輔助閱片縮短鼻CT 圖像的閱讀時間的可行性。

4 結論

基于深度學習算法及傳統組學特征的AI 人工智能模型可幫助臨床醫師和放射科醫師提高鼻骨骨折的定位及診斷性能，具有較大的臨床應用價值。