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(yī)科大學(xué)第二醫(yī)院 （河北石家莊 050000）；2 河北醫(yī)科大學(xué)（河北石家莊 050000）

鼻骨是面部骨骼的重要組成部分，易發(fā)生創(chuàng)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(zhǔn)確初始治療，如治療不當(dāng)可能會導(dǎo)致畸形和功能不適。由于鼻骨折診斷需快速、準(zhǔn)確以預(yù)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(yīng)用于各種醫(yī)療診斷中。目前，越來越多的研究試圖使用AI 技術(shù)進行骨折檢測，作為臨床醫(yī)師的輔助診斷手段。研究顯示，應(yīng)用深度學(xué)習(xí)方法的AI 技術(shù)可通過X 線片診斷踝關(guān)節(jié)和腕部骨折[3-4]。最近發(fā)表的薈萃分析顯示，在骨折檢測方面臨床醫(yī)師和AI 醫(yī)師的診斷性能差異無統(tǒng)計學(xué)意義，表明AI 技術(shù)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(shù)提高醫(yī)師對鼻骨骨折的診斷準(zhǔn)確性的相關(guān)研究較少。因此，本研究通過建立AI 預(yù)測模型，以提高鼻骨骨折診斷準(zhǔn)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(yī)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(tǒng)計學(xué)特征如表1 所示。隨機選取176 例進入訓(xùn)練集（骨折患者106 例，非骨折患者0 例），余76 例數(shù)據(jù)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(jīng)醫(yī)院醫(yī)學(xué)倫理委員批準(zhǔn)。納入標(biāo)準(zhǔn)：所有患者均行MSCT 掃描，患者資料完整。排除標(biāo)準(zhǔn)：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(shù)：層厚5 mm，層間距5 mm，螺距0.934∶1，機架轉(zhuǎn)速0.8 s，F(xiàn)OV 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(shè)

1.3.1 特征值提取

使用pyradiomics 分析軟件提取患者圖像傳統(tǒng)組學(xué)特征。傳統(tǒng)組學(xué)特征包括一階統(tǒng)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(shù)、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(shù)據(jù)裁剪成多個2D 截面，使用殘差卷積神經(jīng)網(wǎng)絡(luò)（ResNet）進行訓(xùn)練，獲取深度學(xué)習(xí)特征。本研究共提取107 個組學(xué)特征、2 048 個深度學(xué)習(xí)特征，見圖1。

1.3.2 建立模型

將獲取的傳統(tǒng)組學(xué)特征及深度學(xué)習(xí)特征進行融合，對特征featurefusion進行正則化（Z-score），將數(shù)據(jù)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(guān)系數(shù)計算特征間的相關(guān)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(shù)λ，并以訓(xùn)練集數(shù)據(jù)進行模型訓(xùn)練及AI 測試。

圖2 Lasso 特征選擇

1.4 觀察指標(biāo)

以臨床檢查結(jié)果作為檢測鼻骨骨折的參考標(biāo)準(zhǔn)。通過驗證10 名放射科醫(yī)師（男6 名，女4 名）和10 名臨床醫(yī)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(yī)師與僅AI 檢測下的準(zhǔn)確度。

1.5 統(tǒng)計學(xué)處理

采用SPSS 22.0 統(tǒng)計學(xué)軟件和MedCalc 19.0.5 統(tǒng)計軟件包進行數(shù)據(jù)分析。計數(shù)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(tǒng)計學(xué)意義。

2 結(jié)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(shù)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(jié)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(yī)師閱片的靈敏度、特異度、AUC均高于AI 模型診斷，差異有統(tǒng)計學(xué)意義（P＜0.05），見表3。

表3 AI 輔助醫(yī)師閱片的診斷效能

2.3 AI 輔助醫(yī)師診斷的增益效果

在AI 輔助下，10 名臨床醫(yī)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(yī)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(yī)師中，使用AI 輔助治療后的特異度更高，但差異無統(tǒng)計學(xué)意義（P=0.093），見表4

表4 AI 輔助醫(yī)師診斷的增益效果

3 討論

隨著科學(xué)技術(shù)的不斷發(fā)展，AI 輔助診斷已成為臨床的重要工具。Oka 等[6]開發(fā)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(tǒng)，發(fā)現(xiàn)該系統(tǒng)具有較高的診斷準(zhǔn)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(jié)構(gòu)比較復(fù)雜，為人工智能模型的構(gòu)建帶來了挑戰(zhàn)。

本研究建立了一個基于傳統(tǒng)組學(xué)與深度學(xué)習(xí)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(yī)師和臨床醫(yī)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(xùn)練數(shù)據(jù)較少。（2）本研究中檢測骨折的基本依據(jù)是基于資深放射科醫(yī)師診斷，存在偏倚。雖然高級放射科醫(yī)師的診斷準(zhǔn)確度較高，但檢測可能仍包括不正確病例。（3）常規(guī)X 線片評估鼻側(cè)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(yī)師在AI 輔助下查看CT 圖像的閱片時間。縮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(jié)論

基于深度學(xué)習(xí)算法及傳統(tǒng)組學(xué)特征的AI 人工智能模型可幫助臨床醫(yī)師和放射科醫(yī)師提高鼻骨骨折的定位及診斷性能，具有較大的臨床應(yīng)用價值。