陶建華，陳聰，張懷宇，曲曉霞，郭健，鮮軍舫

鼻骨區(qū)骨質(zhì)菲薄，位置淺在，是顱面部外傷中最常受累部位。由于鼻骨區(qū)體積較小，解剖結(jié)構(gòu)細(xì)微，該部位骨折容易被漏診及誤診[1-3]。在臨床急診工作中，顱面部外傷患者常涉及到法醫(yī)鑒定等刑事問(wèn)題，在工作量大、時(shí)間緊和視覺疲勞的情況下，能否正確判斷鼻骨區(qū)骨折顯得尤為重要[4-5]。深度學(xué)習(xí)是一種人工智能(artificial intelligence，AI)方法，通過(guò)學(xué)習(xí)樣本數(shù)據(jù)的內(nèi)在規(guī)律和表示層次，通過(guò)組合低層特征形成更加抽象的表示高層屬性的特征，使機(jī)器模仿人類的視聽和思考活動(dòng)。近年來(lái)人工智能技術(shù)在疾病診斷及預(yù)后評(píng)估方面逐漸發(fā)揮出較大作用，基于深度學(xué)習(xí)的AI模型構(gòu)建的肺結(jié)節(jié)、頸部血管和冠狀動(dòng)脈疾病檢測(cè)系統(tǒng)已逐步應(yīng)用于臨床實(shí)踐[6-9]。此外，雖然AI方法已應(yīng)用于四肢骨、骨盆、椎體和肋骨骨折的檢測(cè)且已取得較好的進(jìn)展[10-12]，但是在顱面部骨折方面的臨床應(yīng)用尚未見到相關(guān)報(bào)道。本課題擬基于大樣本的鼻骨區(qū)骨折和非骨折影像數(shù)據(jù)，建立鼻骨區(qū)骨折的人工智能輔助診斷模型，探討此模型在輔助影像醫(yī)師初步篩查骨折部位、減少醫(yī)師因過(guò)度疲勞導(dǎo)致可能的漏診和誤診，提高診斷準(zhǔn)確性方面的臨床應(yīng)用價(jià)值。

材料與方法

1.一般資料

回顧性分析2018年1月-2019年8月因鼻骨區(qū)外傷來(lái)我院急診行鼻骨CT檢查的2080例患者的CT資料。經(jīng)2位高年資醫(yī)師(工作年限>15年)共同認(rèn)定(金標(biāo)準(zhǔn))，其中1000例無(wú)明確鼻骨區(qū)骨折，1080例有明確鼻骨區(qū)骨折，所有患者均無(wú)鼻骨區(qū)和副鼻竇區(qū)腫瘤。無(wú)骨折組中，男667例， 女333例，年齡18～75歲，平均(38.2±8.2)歲；骨折組中，男625例，女455例，年齡18～80歲，平均(36.5±7.1)歲。

本研究經(jīng)我院倫理委員會(huì)批準(zhǔn)(TRECKY2019-014)。

2.CT掃描方法

使用Philips brilliance 16排螺旋CT機(jī)，掃描范圍自鼻根部到鼻尖下方層面，掃描參數(shù)：120 kV，200 mAs，螺距0.438，矩陣512×512，層厚0.8 mm，層間距0.4 mm，骨算法重建。每例患者獲得原始骨算法圖像200～300幀，設(shè)置圖像的窗寬為4000 HU、窗位為700 HU。屏蔽患者個(gè)人信息后將所有圖像上傳到AI工作站進(jìn)行分析，研究步驟和流程見圖1。

圖1 本研究步驟和方法的流程圖。 圖2 基于FPN算法的深度學(xué)習(xí)方法對(duì)鼻骨圖像學(xué)習(xí)過(guò)程的示意圖。a)鼻骨區(qū)定位訓(xùn)練；b)鼻骨區(qū)骨折的定位訓(xùn)練。

3.圖像標(biāo)注

無(wú)骨折組中，在每例患者的原始CT圖像中選取鼻根部層面、鼻骨區(qū)中間層面和上頜骨額突最上端這3個(gè)層面，使用白色矩形框(可隱藏)對(duì)鼻骨進(jìn)行標(biāo)注，矩形框內(nèi)應(yīng)包括雙側(cè)鼻骨、上頜骨額突和鼻中隔前部。1000例中800例用于AI模型的鼻骨區(qū)定位訓(xùn)練，100例用于AI模型的測(cè)試，100例用于AI輔助下不同醫(yī)師對(duì)骨折檢出效能的評(píng)估。

骨折組中，在每例患者鼻骨區(qū)原始CT圖像上采用矩形框?qū)λ袑用娴墓钦鄄课贿M(jìn)行標(biāo)注。先由低年資醫(yī)師進(jìn)行標(biāo)注，然后由具有15年以上鼻骨區(qū)骨折診斷經(jīng)驗(yàn)的高年資醫(yī)師進(jìn)行審核和確認(rèn)。矩形框內(nèi)應(yīng)包含骨折線，面積盡量小。1080例中680例用于訓(xùn)練，240例用于AI測(cè)試，160例用于AI輔助下醫(yī)師對(duì)骨折檢出效能的評(píng)估。

4.基于深度學(xué)習(xí)的AI模型的訓(xùn)練和測(cè)試

鼻骨區(qū)的定位訓(xùn)練和測(cè)試：本研究中使用3D特征金字塔網(wǎng)絡(luò)(Feature Pyramid Network，F(xiàn)PN)深度學(xué)習(xí)算法[13]，基于無(wú)骨折組的鼻骨區(qū)標(biāo)注圖像進(jìn)行定位訓(xùn)練來(lái)建立AI模型，具體過(guò)程見圖2a。鼻骨的標(biāo)注從鼻骨最上端起始位置到上頜骨額突結(jié)束的位置，統(tǒng)一將尺寸歸化為矩陣128×256×256，使用3個(gè)卷積特征的殘差網(wǎng)絡(luò)跳轉(zhuǎn)鏈接方式和降采樣，將CT圖像經(jīng)過(guò)統(tǒng)一化處理，最終的特征是512通道，矩陣16×32×32。經(jīng)100例測(cè)試，鼻骨區(qū)定位符合率達(dá)100%。

鼻骨區(qū)骨折的定位訓(xùn)練和測(cè)試：對(duì)鼻骨區(qū)骨折的定位訓(xùn)練過(guò)程如圖2b所示。訓(xùn)練樣本包括680例有骨折和200例無(wú)骨折(從用于AI模型的鼻骨區(qū)定位訓(xùn)練的800例無(wú)骨折中隨機(jī)選取)患者的原始CT圖像。本文設(shè)計(jì)了2.5D的FPN方法實(shí)現(xiàn)網(wǎng)絡(luò)鼻骨區(qū)骨折定位，將相鄰的3層切片堆疊起來(lái)作為輸入圖像，擴(kuò)大空間信息，使骨折集中在5×5～12×12 像素中顯示。網(wǎng)絡(luò)在特征提取時(shí)將最后一層進(jìn)行反卷積堆疊采樣，提供更多的空間信息。選取3560幀圖像(從240例骨折病例中隨機(jī)選取2560幀有骨折圖像，從100例無(wú)骨折病例中隨機(jī)選取1000幀無(wú)骨折圖像，對(duì)AI模型的骨折定位能力進(jìn)行測(cè)試。

5.人工和AI輔助對(duì)骨折檢出效能的比較

選取1000幀原始圖像(從160例骨折病例中隨機(jī)選取735幀有骨折圖像，從100例無(wú)骨折病例中隨機(jī)選取265幀無(wú)骨折圖像)，首先由2位低年資醫(yī)師(工作年限<3年)、1位高年資醫(yī)師(工作>10年)和AI模型分別獨(dú)立對(duì)圖像進(jìn)行分析和標(biāo)注。3個(gè)月后，由上述3位醫(yī)師分別對(duì)AI模型標(biāo)注過(guò)的CT圖像再次進(jìn)行分析和觀察，對(duì)骨折部位進(jìn)行標(biāo)注。

表2 低年資醫(yī)師B及在AI模型輔助下對(duì)鼻骨骨折診斷效能的比較

表3 高年資醫(yī)師C及在AI模型輔助下對(duì)鼻骨骨折診斷效能的比較

在評(píng)估過(guò)程中，AI標(biāo)注框和人工標(biāo)注框在x、y軸方向的重疊率均大于50%且重疊面積大于25%視為正確識(shí)別(圖3)。標(biāo)注框正確識(shí)別骨折定義為真陽(yáng)性；標(biāo)注框未正確識(shí)別骨折定義為假陰性；標(biāo)注框識(shí)別錯(cuò)誤定義為假陽(yáng)性(包括骨折組和無(wú)骨折組)；在無(wú)骨折圖像上無(wú)標(biāo)注框定義為真陰性。

圖3 人工(紅色框)與AI模型(綠色框)標(biāo)注骨折的一致性較高。a)雙側(cè)鼻骨粉碎骨折，骨性鼻中隔前部骨折；b)左側(cè)鼻骨骨折，斷端成角；c)右側(cè)鼻骨骨折，斷端分離；d)右側(cè)鼻骨骨折，斷端分離；e)左側(cè)鼻骨輕微骨折、略塌陷，骨折線不清晰；f)左側(cè)上頜骨額突線性骨折，斷端無(wú)移位。 圖4 AI模型把右側(cè)血管溝(鼻骨孔)誤診為骨折。 圖5 AI模型把透亮點(diǎn)狀或線狀血管溝、縫間骨、鼻頜縫誤診為骨折(綠框)。a) AI模型(左側(cè)綠框)將左側(cè)鼻頜縫內(nèi)縫間骨誤診為骨折，人工(紅框)和AI模型(右側(cè)綠框)均檢出右側(cè)鼻頜縫分離； b) AI模型將左側(cè)鼻頜縫和右側(cè)血管溝誤診為骨折； c) AI模型(左上綠框)將右側(cè)血管溝誤診為骨折，同時(shí)人工(右下綠框)和AI模型(紅框)均檢出左側(cè)上頜骨額突骨折； d) AI模型將右側(cè)縫間骨和血管溝均誤診為骨折； e) AI模型將左側(cè)血管溝誤診為骨折； f) AI模型將左側(cè)鼻頜縫誤診為骨折。 圖6 AI模型把鼻骨末端的鼻頜縫誤診為骨折(綠框)。 圖7 無(wú)鼻骨骨折患者。a) 橫軸面 CT 圖像，AI模型將左側(cè)缺損型鼻骨末端誤診為骨折(綠框)； b) VR圖像示左側(cè)缺損型鼻骨末端。

6.統(tǒng)計(jì)學(xué)方法

使用SPSS 24.0統(tǒng)計(jì)學(xué)軟件，采用四格表或R×C表Pearson卡方檢驗(yàn)對(duì)人工標(biāo)注與AI輔助下人工標(biāo)注骨折部位的敏感度、特異度和符合率進(jìn)行比較。采用ROC曲線來(lái)分析各種標(biāo)注方式對(duì)骨折的檢出效能，通過(guò)Delong檢驗(yàn)比較各種標(biāo)注方式的ROC曲線下面積(AUC) 。以P<0.05為差異有統(tǒng)計(jì)學(xué)意義。

結(jié) 果

在鼻骨骨折的測(cè)試集中，AI模型檢出骨折的敏感度為86.64%(2218/2560)，特異度為41.99%(721/1717)，符合率為68.71%(2939/4277)；AI模型檢出的假陽(yáng)性骨折數(shù)為996個(gè)，常見位置依次為血管溝、鼻頜縫和鼻骨末端(圖4～7)，分別占48.99%、29.91%和21.10%。

三位醫(yī)師單獨(dú)及在AI模型輔助下對(duì)鼻骨骨折的診斷效能指標(biāo)及統(tǒng)計(jì)分析結(jié)果見表1～3。兩位低年資醫(yī)師在AI輔助下檢出鼻骨骨折的敏感度和符合率均較獨(dú)立檢出有顯著提高，分別提高了24.35%、23.54%和17.81%、16.97%，差異均有統(tǒng)計(jì)學(xué)意義(P<0.05)，AUC亦有明顯提高(P<0.05)，但特異度的變化不明顯(P>0.05)。高年資醫(yī)師在AI模型輔助下對(duì)鼻骨骨折的檢出敏感度、特異度和符合率與獨(dú)立檢出比較，差異均無(wú)統(tǒng)計(jì)學(xué)意義(P>0.05)。在AI模型輔助下2位低年資醫(yī)師檢出骨折的敏感度和符合率與高年資醫(yī)師間的差距明顯縮小，敏感度的差距從29.39%和25.45%分別縮小到6.13%和3.00%，符合率的差距從28.07%和23.46%縮小到11.21%和7.44%。在3位醫(yī)師的各2種診斷方式中，以AI模型輔助下高年資醫(yī)師的診斷效能最高，AUC最大(圖8)。

表1 低年資醫(yī)師A及在AI模型輔助下對(duì)鼻骨骨折診斷效能的比較

圖8 低年資和高年資醫(yī)師獨(dú)立及在AI模型輔助下檢出骨折的ROC曲線，以AI模型輔助下高年資醫(yī)師的診斷效能最高，AUC最大。

討 論

傳統(tǒng)深度學(xué)習(xí)模型需要百萬(wàn)級(jí)的數(shù)據(jù)集，在訓(xùn)練數(shù)據(jù)相對(duì)較少的條件下，本研究采用遷移學(xué)習(xí)的預(yù)訓(xùn)練模型，使用左右翻轉(zhuǎn)和直方圖隨機(jī)擾動(dòng)策略進(jìn)行訓(xùn)練，每次訓(xùn)練時(shí)對(duì)數(shù)據(jù)進(jìn)行隨機(jī)變換以實(shí)現(xiàn)數(shù)據(jù)的擴(kuò)充，從而解決數(shù)據(jù)集較小的問(wèn)題。對(duì)鼻骨區(qū)骨折的檢出屬于對(duì)微小目標(biāo)的識(shí)別，骨折區(qū)域在整個(gè)標(biāo)準(zhǔn)框立方體中占比太小，導(dǎo)致標(biāo)注區(qū)域的噪聲過(guò)多，訓(xùn)練效果較差。針對(duì)這種特殊情況，本研究采用2.5D網(wǎng)絡(luò)，將相鄰的前后兩層堆疊起來(lái)作為輸入圖像，從而可降低噪聲并彌補(bǔ)空間信息的不足。對(duì)于無(wú)明顯移位的輕微鼻骨區(qū)骨折，除了局部信息，還需要更大空間視野來(lái)辨識(shí)骨折、骨縫和血管溝，本研究中使用特征金字塔網(wǎng)絡(luò)，在特征提取時(shí)將最后一層進(jìn)行反卷積堆疊來(lái)進(jìn)行采樣，這種方法可以提供更多的空間信息，增加對(duì)骨折、骨縫和血管溝的識(shí)別。

低年資醫(yī)師在AI模型的輔助下檢出骨折的敏感度和符合率均有顯著提高，AUC亦有明顯增加，說(shuō)明AI模型可以幫助低年資醫(yī)師對(duì)骨折進(jìn)行初步篩查。急診值班工作中，工作量大，外傷嚴(yán)重且復(fù)雜，在這種高強(qiáng)度腦力勞動(dòng)和容易視覺疲勞的環(huán)境下，AI模型輔助篩查鼻骨區(qū)骨折，可以在一定程度上減少漏診，提高診斷效能。此外AI模型縮小了低年資醫(yī)師與高年資醫(yī)師檢出骨折的敏感度和符合率之間的差距，間接減少了高年資醫(yī)師審核報(bào)告的時(shí)間。

值得注意的是AI模型檢出骨折的假陽(yáng)性率較高(圖4～7)，假陽(yáng)性標(biāo)注出現(xiàn)的部位主要為鼻頜縫(占44.19%)、血管溝(占41.31%)和鼻骨末端(占14.50%)，這些區(qū)域也是臨床實(shí)際工作中最容易被影像醫(yī)師與骨折相混淆的部位。在橫軸面圖像上，鼻頜縫中下部分常常出現(xiàn)縫間骨征象，單獨(dú)觀察某一層面容易誤認(rèn)為骨折碎片。鼻骨區(qū)血管溝孔較多，除了固定出現(xiàn)的鼻骨孔以外，鼻骨和上頜骨額突還存在其它的一些血管孔溝，且常不對(duì)稱出現(xiàn)，在單獨(dú)某個(gè)層面上也極易與骨折相混淆。鼻骨末端的形態(tài)多變，有M型、鋸齒型、單側(cè)缺損型和拱型等多種形態(tài)，在橫軸面圖像上，鋸齒型和單側(cè)缺損型的鼻骨末端常表現(xiàn)為雙側(cè)不對(duì)稱的局部缺損，容易被誤認(rèn)為碎骨片和單側(cè)骨折。因此，在臨床實(shí)踐中，應(yīng)連續(xù)上下多層面、多角度并結(jié)合VR圖像來(lái)觀察鼻頜縫、鼻骨孔、血管溝位置和鼻骨末端形態(tài)等，有助于將上述解剖變異與鼻骨骨折進(jìn)行鑒別。AI模型評(píng)估鼻骨骨折時(shí)出現(xiàn)假陽(yáng)性的主要原因是AI模型更多關(guān)注單層的局部信息，對(duì)某一結(jié)構(gòu)上下層面的連續(xù)變化的空間信息觀察不足；其次的原因是用于訓(xùn)練基于深度學(xué)習(xí)算法的AI模型的樣本數(shù)量不夠大。低年資醫(yī)師檢出假陽(yáng)性骨折的主要原因也是受到鼻頜縫、血管溝和鼻骨末端不規(guī)則形態(tài)的干擾。

本研究中AI模型檢出骨折的敏感度為86.64%，低年資醫(yī)師平均約為70.00%，低于AI模型，差距主要存在于鼻骨區(qū)的輕微線性骨折，分析原因主要是低年資醫(yī)師的工作時(shí)間短、對(duì)線性骨折經(jīng)驗(yàn)不足所致。鼻骨的骨質(zhì)較菲薄，輕微的線性骨折往往僅能見到局部骨質(zhì)有線狀透亮影，斷端通常無(wú)明顯移位。在工作量大、時(shí)間緊的急診工作中，醫(yī)師在視覺疲勞的情況下，對(duì)于輕微的線性骨折更容易漏診，可以利用容積再現(xiàn)(volume rendering，VR)技術(shù)進(jìn)行圖像重組，獲得鼻骨及鄰近區(qū)域的三維立體圖像，從而能對(duì)鼻骨區(qū)進(jìn)行全面觀察，提高對(duì)線性骨折的檢出率，減少漏診。

鼻骨區(qū)包括鼻骨、上頜骨額突和骨性鼻中隔，均屬于不規(guī)則骨，和規(guī)則的四肢長(zhǎng)骨和扁骨相比，解剖結(jié)構(gòu)復(fù)雜，其形態(tài)和鄰近血管的變異較多，這給應(yīng)用AI模型來(lái)檢測(cè)鼻骨區(qū)骨折帶來(lái)困難和挑戰(zhàn)。本研究基于深度學(xué)習(xí)算法初步建立了檢測(cè)鼻骨區(qū)骨折的AI模型，這是將AI技術(shù)應(yīng)用于顱面部骨折的新嘗試。在AI模型輔助下，低年資醫(yī)師對(duì)鼻骨骨折的檢出效能有一定程度的提高，不足之處在于AI標(biāo)注框的面積普遍較大、精準(zhǔn)度不高，檢出骨折的假陽(yáng)性率仍較高。針對(duì)上述問(wèn)題，筆者擬在后續(xù)研究中通過(guò)增大訓(xùn)練AI 模型的樣本量和多樣性、進(jìn)行多中心研究和優(yōu)化算法，來(lái)提高AI模型對(duì)解剖結(jié)構(gòu)和骨折的空間識(shí)別能力、減少假陽(yáng)性率，并通過(guò)縮小標(biāo)注框來(lái)提高骨折定位的精準(zhǔn)度，增加診斷醫(yī)師對(duì)AI骨折檢出模型的信任度，使其能更好地應(yīng)用于顱面部骨折的篩查和法醫(yī)鑒定中。