新型人工智能模型预测了减少桡骨远端骨折的需求

《European Journal of Orthopaedic Surgery & Traumatology》：Novel artificial intelligence model predicts the need for reduction of distal radius fractures

智能分诊工具开发及性能验证；针对distal radius骨折治疗中的复位需求预测问题，构建三分支DenseNet-169模型，利用标准化手机截图灰度图像进行训练，在内部验证集（n=50）达到AUC 0.89，F1分数0.91，为资源有限地区提供精准分诊方案。

　　

摘要

目的

桡骨远端骨折是上肢最常见的损伤之一。尽管卷积神经网络（CNN）在骨折检测方面展现出了潜力，但目前还没有模型专门针对复位的需求进行研究，而复位对于临床决策至关重要。现有的AI模型虽然能够检测骨折，但在指导治疗方面存在不足，这为通过AI改进分流流程提供了机会。

方法

我们回顾性地收集了495名患者的腕部前后位（AP）、侧位和斜位X光片。为了模拟实际应用场景，这些图像被转换为224×224像素的灰度截图格式。我们使用90%的患者数据对BoraeNet模型（一个视图对应一个分支）进行了5折交叉验证（CV）训练，并使用保留的内部测试集（n=50）对模型进行了评估。

结果

BoraeNet在识别需要复位的骨折方面表现出色。训练指标包括准确率（0.93）、精确度（0.95）、召回率（0.91）和F1分数（0.93），且在不同折叠数据集上的表现一致。在保留的内部验证集（n=50）中，该模型的AUC为0.89，平均精确度为0.91，正确分类了15个真阳性病例、27个真阴性病例、6个假阳性病例和2个假阴性病例。

结论

BoraeNet模型利用低质量图像成功预测了是否需要复位，具有较高的区分能力，有助于资源有限环境下的分流工作。未来的研究应包括更大规模的数据集、添加人口统计信息、实现物体检测功能，并进行多中心外部验证以及将其整合到PACS/临床工作流程中。

证据水平 三级。