人工智能在胸部創(chuàng)傷肋骨骨折CT診斷中應(yīng)用的初步研究

劉 想，謝輝輝，許玉峰，陶曉峰，柳 林，吳迪嘉，王霄英#

1.北京大學(xué)第一醫(yī)院醫(yī)學(xué)影像科，北京 100032；2.上海交通大學(xué)醫(yī)學(xué)院附屬第九人民醫(yī)院影像科，上海 200011；3.吉林大學(xué)中日聯(lián)誼醫(yī)院影像科，長春 130031；4.上海聯(lián)影智能醫(yī)療科技有限公司，上海 201800

肋骨骨折在胸部鈍性損傷中常見，可合并肺、縱隔和其他重要胸腹器官的損傷。研究表明，81%的外傷性肋骨骨折患者有血胸、氣胸［1］以及其他器官損傷，通常與特定肋骨骨折有關(guān)［2］。檢出肋骨骨折的類型和數(shù)量可為治療方案的制定提供依據(jù)［3-4］。許多影像學(xué)檢查可以用來確定肋骨骨折的存在，檢查方式在很大程度上取決于損傷機制和病史。根據(jù)美國放射醫(yī)師學(xué)會所制定的成像方式選擇標(biāo)準(zhǔn)［5］，仰臥位的X線胸片通常是創(chuàng)傷患者的初始影像學(xué)檢查，但有研究證實超過50%的肋骨骨折會在X線診斷中被漏掉［6］，因此電子計算機體層掃描（computed tomograph，CT）被推薦為評估懷疑胸部并發(fā)癥時胸部創(chuàng)傷的主要影像學(xué)檢查方法。CT可評估胸部創(chuàng)傷時肋骨骨皮質(zhì)的完整性、骨折碎片的存在以及周圍臟器的損傷狀況等，快速檢出CT圖像上的肋骨骨折并準(zhǔn)確報告肋骨骨折的數(shù)量是必要的［7］。受個體因素、拍攝設(shè)備及角度等的影響，放射科醫(yī)師在進行肋骨骨折的CT診斷時也易出現(xiàn)漏診誤診的情況［8］。近年來，隨著深度學(xué)習(xí)技術(shù)的快速發(fā)展，人工智能（artificial intelligence，AI）作為一種計算機輔助診斷工具已成功應(yīng)用于許多醫(yī)學(xué)領(lǐng)域，并取得了很好的效果，如胸部螺旋CT圖像上的肺結(jié)節(jié)檢測［9］和乳腺磁共振成像圖像上的腫塊檢測［10］。本研究應(yīng)用基于深度學(xué)習(xí)的AI軟件檢出骨折病灶，分析軟件在CT圖像上自動檢出外傷肋骨骨折的效能。急性創(chuàng)傷患者行胸部CT掃描后，圖像直接輸入AI模型，模型返回結(jié)果為是否有肋骨骨折的預(yù)測結(jié)果。如模型預(yù)測結(jié)果為陽性，則立刻通過信息系統(tǒng)發(fā)出通知，提醒影像科醫(yī)師優(yōu)先處理該病例；相應(yīng)結(jié)果也會同時自動發(fā)送到結(jié)構(gòu)化報告，由影像科醫(yī)師進行閱片復(fù)核后將報告簽發(fā)。AI可完成對患者的初篩，對影像檢查進行優(yōu)先級排序，將AI檢出的有肋骨骨折的圖像推送到工作列表的最前面，以提醒醫(yī)師緊急優(yōu)先處理，有利于危重患者的即時救治。

1 資料與方法

1.1 臨床資料

收集2019年8月—9月因急性胸部外傷而行CT掃描的393例連續(xù)數(shù)據(jù)。數(shù)據(jù)入選標(biāo)準(zhǔn)包括：①年齡18歲及以上。②因急性胸部外傷而行胸部CT檢查。③有完整的CT圖像數(shù)據(jù)。數(shù)據(jù)排除標(biāo)準(zhǔn)為（符合以下任何1項標(biāo)準(zhǔn)的數(shù)據(jù)均不入選）：①圖像質(zhì)量不佳，如擺位不良、呼吸運動等原因引起的偽影導(dǎo)致圖像質(zhì)量不佳。②肋骨病理性骨折、自發(fā)性骨折或肋骨其他非骨折性病變。③胸廓畸形。最終入組男性患者245例，女性患者148例。本研究獲得了北京大學(xué)第一醫(yī)院倫理委員會的批準(zhǔn)，倫理審查編號：（2019）器械注冊第（15）號。本研究為注冊臨床試驗（AI301003-QCN-CTP-01）的子課題之一。

1.2 骨折類型

所有入組的患者中包括無肋骨骨折患者和有肋骨骨折患者。其中全部肋骨外傷骨折改變包括3種類型：錯位型骨折（一側(cè)或雙側(cè)骨皮質(zhì)斷裂，骨折部位出現(xiàn)移位、成角、骨折碎片等），輕微骨折（一側(cè)或雙側(cè)骨皮質(zhì)斷裂，但未出現(xiàn)移位）和骨皮質(zhì)扭曲（一側(cè)骨皮質(zhì)彎曲，另一側(cè)未出現(xiàn)明顯骨折征象）［7］（圖1～3）。

圖1 錯位型肋骨骨折Fig 1 Displaced rib fracture

圖2 輕微骨折Fig 2 Mild rib fracture

圖3 骨皮質(zhì)扭曲Fig 3 Bucklerib fracture

1.3 參考標(biāo)準(zhǔn)制定

由3位影像診斷專家（工作經(jīng)驗>10年）共同在CT圖像上進行肋骨骨折檢出并標(biāo)注、記錄具體病灶位置。以全部肋骨外傷改變?yōu)檠芯繉ο髸r，陽性結(jié)果為專家發(fā)現(xiàn)的全部錯位型骨折、輕微骨折和骨皮質(zhì)扭曲病灶，陰性結(jié)果為專家未發(fā)現(xiàn)肋骨外傷改變。以錯位型肋骨骨折為研究對象時，陽性結(jié)果為專家發(fā)現(xiàn)的錯位型肋骨骨折病灶，陰性結(jié)果包括無骨折、輕微骨折和骨皮質(zhì)扭曲。

1.4 AI處理結(jié)果

本研究采用的AI軟件為上海聯(lián)影智能醫(yī)療科技有限公司所研發(fā)的骨折輔助檢測軟件，型號規(guī)格為：uAIBoneCare。將符合DICOM3.0標(biāo)準(zhǔn)的CT圖像導(dǎo)入AI系統(tǒng)后，AI軟件可對其進行圖像后處理和分析，輸出軟件預(yù)測出的肋骨骨折區(qū)域，并做出標(biāo)記。

1.5 一致性評價

評價AI結(jié)果和參考標(biāo)準(zhǔn)的一致性時分為病灶層面、肋骨層面和患者層面。

在病灶層面，將AI結(jié)果與參考標(biāo)準(zhǔn)比對，其結(jié)果分成3類。真陽性：AI和參考標(biāo)準(zhǔn)都檢出同一病灶。假陽性：AI檢出病灶，參考標(biāo)準(zhǔn)未檢出該病灶。假陰性：參考標(biāo)準(zhǔn)檢出病灶，AI未檢出該病灶。

在肋骨和患者層面，將AI結(jié)果與參考標(biāo)準(zhǔn)比對，其結(jié)果分成4類。真陽性：AI與參考標(biāo)準(zhǔn)均檢出某個肋骨/患者有骨折灶，且AI與參考標(biāo)準(zhǔn)在這個肋骨/患者上至少有1處病灶是重合的。真陰性：AI與參考標(biāo)準(zhǔn)均未在這個肋骨/患者檢出骨折。假陽性：AI檢出某個肋骨/患者有骨折病灶，參考標(biāo)準(zhǔn)在這個肋骨/患者上未檢出任何骨折。假陰性分2種情況：①AI在某個肋骨/患者上未檢出骨折，但參考標(biāo)準(zhǔn)檢出該肋骨/患者有骨折。②AI在某個肋骨/患者上檢出骨折灶，參考標(biāo)準(zhǔn)也有骨折灶，但二者沒有重合之處。

在病灶層面計算AI檢出骨折的敏感度和陽性預(yù)測值。在肋骨和患者層面計算AI檢出骨折敏感度、特異度、陽性預(yù)測值和陰性預(yù)測值。

1.6 統(tǒng)計分析

采用SPSS 20.0統(tǒng)計分析軟件。定量數(shù)據(jù)以x±s表示，分別對患者、肋骨和病灶層面的肋骨骨折檢出敏感度、特異度、陽性預(yù)測值、陰性預(yù)測值進行統(tǒng)計描述。采用χ2檢驗比較AI對不同類型肋骨骨折檢出敏感度的差異，P<0.05為差異有統(tǒng)計學(xué)意義。

2 結(jié)果

2.1 基本情況

納入的393例患者年齡18～89歲，平均（45.57±14.53）歲。以全部肋骨外傷改變?yōu)檠芯繉ο?，有骨折（輕微骨折、骨皮質(zhì)扭曲、錯位型骨折，包括其中1種即可）患者有187例，無骨折患者有206例。以錯位型肋骨骨折為研究對象，有骨折（1處或多處錯位型骨折）患者有90例，非錯位骨折（無骨折或單純輕微骨折或單純骨皮質(zhì)扭曲或輕微骨折+骨皮質(zhì)扭曲）患者有303例。各層面（病灶、肋骨、患者）的全部肋骨外傷改變和錯位型肋骨骨折數(shù)量分布如圖4所示。其中病灶層面的具體骨折分布情況如表1所示。

圖4 全部肋骨外傷改變與錯位型肋骨骨折在不同層面的分布Fig 4 Distribution of all traumatic and displaced rib fractures in different levels

表1 肋骨骨折病灶分布及檢出情況（n）Tab 1 Distribution and detection of rib fracture lesions（n）

2.2 診斷效能

2.2.1 病灶層面 在病灶層面上，參考標(biāo)準(zhǔn)共檢出骨折病灶630處（錯位型骨折194處，輕微骨折113處，骨皮質(zhì)扭曲323處）。AI共檢出689處病灶，其中真陽性病灶515處（錯位型骨折184處，輕微骨折88處，骨皮質(zhì)扭曲243處），假陽性病灶共174處。AI未檢出的假陰性病灶為115例（錯位型骨折10處，輕微骨折25處，骨皮質(zhì)扭曲80處）。因此，在病灶層面上AI檢出全部肋骨外傷骨折病灶的敏感度為81.75%，陽性預(yù)測值為74.75%。其中錯位型肋骨骨折的檢出敏感度在3種骨折類型中最高，為94.85%（χ2=32.63，P=0.000）。各類型骨折病灶層面檢出敏感度結(jié)果見表2。圖5所示為與金標(biāo)準(zhǔn)閱片相比，AI閱片檢出的1處真陽性病灶，圖6所示為1例假陽性病灶。

表2 AI軟件檢出肋骨骨折敏感度（病灶層面）［%（n/n）］Tab 2 Sensitivity of AI software in detecting rib fracture（lesion level）［%（n/n）］

圖5 AI檢出真陽性結(jié)果Fig 5 True positive result detected by AIsoftware

圖6 AI檢出假陽性結(jié)果Fig 6 False positive result detected by AIsoftware

2.2.2 肋骨層面 在肋骨層面上，以全部肋骨外傷改變?yōu)檠芯繉ο?，AI檢出肋骨骨折的真陽性肋骨為451根，假陽性為148根，真陰性為8 737根，假陰性為96根。其敏感度、特異度、陽性預(yù)測值、陰性預(yù)測值分別為82.45%、98.33%、75.30%和98.91%。以錯位型肋骨骨折為研究對象，肋骨水平上AI檢出肋骨骨折的真陽性肋骨為174根，假陽性為161根，真陰性為9 087根，假陰性為10根。其敏感度、特異度、陽性預(yù)測值、陰性預(yù)測值分別為94.57%、98.26%、51.94%和99.89%（表3）。

2.2.3 患者層面 在患者層面上，以全部肋骨外傷改變?yōu)檠芯繉ο螅珹I檢出肋骨骨折的真陽性病例為170例，假陽性為49例，真陰性為157例，假陰性為17例。其敏感度、特異度、陽性預(yù)測值、陰性預(yù)測值分別為90.91%、76.21%、77.63%和90.23%。以錯位型肋骨骨折為研究對象，在患者水平AI檢出肋骨骨折的真陽性病例為86例，假陽性為77例，真陰性為226例，假陰性為4例。其敏感度、特異度、陽性預(yù)測值、陰性預(yù)測值分別為95.56%、74.59%、52.76%和98.26%（表3）。

表3 AI軟件檢出肋骨骨折的診斷效能（患者和肋骨層面）Tab 3 Diagnostic efficiency of AI software in detecting rib fractures（patient and rib level）

3 討論

肋骨骨折是反映胸部創(chuàng)傷嚴(yán)重程度的一項重要指標(biāo)［11］。有研究報道，高達12%的外傷性肋骨骨折患者會在急性或亞急性損傷期間死亡，近50%的患者最終需要重癥監(jiān)護和手術(shù)［12］。肋骨骨折在肺部的并發(fā)癥有氣胸（37.2%）、血胸（26.8%）、血氣胸（15.3%）、肺挫傷（17.2%）和皮下氣腫（2.2%）等［13］。另一項研究［14］表明，胸部外傷患者年齡超過45歲且有超過4處肋骨骨折時，死亡率較高。

急性胸部外傷肋骨骨折的位置有一定規(guī)律。根據(jù)損傷程度和周圍臟器相關(guān)損傷程度，胸廓的全部肋骨可分為3個區(qū)域。上部區(qū)域包括第1～4肋骨。這一區(qū)域的骨折常為快速撞擊造成，通常伴有血管或臂叢神經(jīng)損傷。中部肋骨區(qū)包括第5～9肋骨，這一區(qū)域的骨折通常發(fā)生在側(cè)面或后面，常見的并發(fā)癥包括肺裂傷、肺挫傷、胸膜外血腫、血胸和氣胸。下部肋骨區(qū)域包括第10～12肋骨。該區(qū)域因為活動性較大，較少發(fā)生骨折，如發(fā)生下部肋骨骨折，多合并實體器官（肝臟、脾臟等）損傷［15-16］。

急性胸部外傷肋骨骨折的類型與患者的預(yù)后密切相關(guān)。錯位型肋骨骨折尤其是明顯、多發(fā)的肋骨骨折，常會導(dǎo)致一些致命的并發(fā)癥如主動脈夾層［17］等。而輕微骨折和骨皮質(zhì)扭曲因其損傷范圍小而經(jīng)常在影像學(xué)上被忽略，且它們通?？稍跊]有手術(shù)干預(yù)的情況下愈合，對于患者的預(yù)后影響不大［7］。因此本研究除了研究全部肋骨外傷改變，還以錯位型肋骨骨折為主要研究對象來分析AI軟件對肋骨骨折檢出的效能。

本研究利用AI軟件在胸部CT圖像上檢出肋骨骨折，研究結(jié)果表明，基于深度學(xué)習(xí)的AI軟件在自動檢出肋骨骨折上具有較高的效能。Yan等［18］在2019年歐洲放射學(xué)大會上報道過CT圖像上肋骨骨折的AI檢出研究，其預(yù)試驗結(jié)果在肋骨層面上的敏感度可達到95%，陽性預(yù)測值為55.7%，但該研究未分析骨折層面、患者層面上AI檢出肋骨骨折的效能。本研究發(fā)現(xiàn)在骨折層面上AI檢測錯位型肋骨骨折的敏感度最高，輕微型骨折及骨皮質(zhì)扭曲的敏感度略低，這與影像科醫(yī)師在臨床工作中也容易忽略隱匿性骨折的情況是一致的。本研究發(fā)現(xiàn)，無論是以全部肋骨外傷改變還是以錯位型肋骨骨折為研究對象，AI軟件在患者和肋骨層面的敏感度和特異度都與放射科專家的準(zhǔn)確性相當(dāng)［19］。但是，應(yīng)該注意到AI假陽性過高導(dǎo)致檢出肋骨骨折的陽性預(yù)測值在各個層面都較低，分析主要原因分為2類。第一類是AI對CT圖像上與骨折類似的病變不能鑒別，AI確實檢出的是“假病灶”，包括：①先天性肋骨畸形與解剖變異，包括殘留肋骨、滑膜關(guān)節(jié)和分叉肋骨可能被誤認(rèn)為是外傷性損傷。②橫突骨折，呼吸偽影以及肋骨和肋軟骨之間的生理過渡區(qū)在軸位CT圖像上與錯位型肋骨骨折表現(xiàn)相似。第二類是AI對骨折輕微改變檢出更敏感，在制定參考標(biāo)準(zhǔn)時3位專家認(rèn)為有些可直接忽略的微小骨折也被AI軟件檢測出來了。重新讀片時專家也認(rèn)為這些所謂的“假陽性”區(qū)域有骨折的可能性，只是在患者同時合并其他更嚴(yán)重的肋骨骨折時，這些區(qū)域一般不報告，所以這些區(qū)域是無重要意義的“真病灶”。因此，在研究過程中存在AI檢出了輕微骨折，卻與參考標(biāo)準(zhǔn)的結(jié)果不一致而被認(rèn)為是錯誤檢出，但在實際工作中這些骨折的發(fā)現(xiàn)也有一定的提示作用，是必要的。

AI軟件臨床驗證的主要目標(biāo)是觀察醫(yī)師在AI輔助下的工作表現(xiàn)是否得到提升，包括診斷的準(zhǔn)確性、工作效率、對診治決策的影響等［20］。醫(yī)師在AI輔助下是否獲益取決多種因素。首先，AI軟件本身的診斷效能必須達到較高的水平，只有AI獨立預(yù)測的結(jié)果與參考標(biāo)準(zhǔn)一致性較高時，才有必要進行真實工作場景下的臨床驗證。本研究發(fā)現(xiàn)AI軟件獨立診斷的準(zhǔn)確性較高，證明后續(xù)臨床驗證試驗是可行的。其次，應(yīng)找到AI在臨床場景中承擔(dān)的合理角色［21］。AI的角色通?？蔀椋孩佟暗?讀片者”，先于醫(yī)師讀片，幫助醫(yī)師篩選出可疑病灶，再由醫(yī)師確認(rèn)。②“第2讀片者”，在醫(yī)師讀片后再次驗證，幫助醫(yī)師避免漏診一些重要病灶。③“共同讀片者”，在醫(yī)師讀片時提示可疑區(qū)域為病灶的可能性。本研究中AI的敏感度高、特異度一般，可以很好地承擔(dān)“第1讀片者”的角色。展望在實際場景中的這個軟件的應(yīng)用應(yīng)該是在急診胸部CT檢查后由AI自動診斷，軟件發(fā)現(xiàn)肋骨骨折后在RIS里自動給出提示，提醒醫(yī)師優(yōu)先關(guān)注這些高危患者。第三，在信息系統(tǒng)流程優(yōu)化后，AI結(jié)果應(yīng)自動生成在結(jié)構(gòu)化報告中，臨床醫(yī)師可得到定位、定性、定量等診斷信息［22］，還可以將病灶區(qū)域的關(guān)鍵圖像自動截圖填加到報告中，有利于臨床醫(yī)師快速、直觀地了解影像診斷結(jié)果。通過結(jié)構(gòu)化報告和臨床信息系統(tǒng)整合［23］，對患者做出風(fēng)險分層。

本研究的有一定的局限性，未來需要改進之處在于：①本研究的參考標(biāo)準(zhǔn)是基于3位資深放射科專家建立的，少量隱匿性骨折很可能會在專家閱片中遺漏。將來可在創(chuàng)傷后的隨訪胸部CT圖像中通過骨質(zhì)硬化或骨痂形成等特征來幫助定位隱匿性骨折。②本研究結(jié)果顯示AI自動檢出肋骨骨折的敏感度高、特異度一般，因此其恰當(dāng)?shù)膽?yīng)用場景應(yīng)為輔助影像科醫(yī)師篩查肋骨骨折。在本臨床注冊試驗的另外2個子課題中，我們在患者層面、肋骨層面和病灶層面比較了“醫(yī)生+AI”和“單獨醫(yī)生”檢出肋骨骨折的敏感度、特異度及ROC曲線下面積（area under the curve，AUC），來分析AI輔助軟件的效能。③對于外傷急診入院的患者來說，及時準(zhǔn)確地出具診斷報告是十分重要的。但本研究僅對AI軟件檢出肋骨骨折的準(zhǔn)確度進行了探討，并未就AI檢出骨折所用時間進行討論。在本臨床注冊試驗的另外2個子課題中，我們通過對“醫(yī)生+AI”和“單獨醫(yī)生”的閱片時間進行比較，來說明AI輔助軟件的閱片效率。④在本研究中，我們最終納入的病例數(shù)為393，相對于國內(nèi)外的一些類似研究來說，樣本量確實不夠大。因此，在將本AI軟件實際應(yīng)用于臨床工作前，我們還將進行更大樣本量的驗證。

總之，基于深度學(xué)習(xí)的AI軟件在自動檢出肋骨骨折上顯示出了良好的診斷效能，檢出肋骨骨折的敏感度較高，有望成為急診外傷胸部CT檢查后自動初步篩查的工具。

參·考·文·獻

[1] Liman ST,Kuzucu A,Tastepe AI,et al.Chest injury due to blunt trauma[J].Eur JCardiothorac Surg,2003,23(3):374-378.

[2] Ivey KM,White CE,Wallum TE,et al.Thoracic injuries in US combat casualties:a 10-year review of Operation Enduring Freedom and Iraqi Freedom[J].JTrauma Acute Care Surg,2012,73(6 Suppl 5):S514-S519.

[3] Bemelman M,de Kruijf MW,van Baal M,et al.Rib fractures:to fix or not to fix?An evidence-based algorithm[J].Korean J Thorac Cardiovasc Surg,2017,50(4):229-234.

[4] de Jong MB,Kokke MC,Hietbrink F,et al.Surgical management of rib fractures:strategies and literature review[J].Scand J Surg,2014,103(2):120-125.

[5] Chung JH,Cox CW,Mohammed TL,et al.ACR appropriateness criteria blunt chest trauma[J].JAm Coll Radiol,2014,11(4):345-351.

[6] Livingston DH,Shogan B,John P,et al.CT diagnosis of rib fractures and the prediction of acute respiratory failure[J].J Trauma,2008,64(4):905-911.

[7] Talbot BS,Gange CPJr,Chaturvedi A,et al.Traumatic rib injury:patterns,imaging pitfalls,complications,and treatment[J].Radiographics,2017,37(2):628-651.

[8] 李洪濤.16層螺旋CT與DR胸片對肋骨骨折的診斷價值分析[J].中國繼續(xù)醫(yī)學(xué)教育,2016,8(29):47-48.

[9] Gurcan MN,Sahiner B,Petrick N,et al.Lung nodule detection on thoracic computed tomography images:preliminary evaluation of a computer-aided diagnosissystem[J].Med Phys,2002,29(11):2552-2558.

[10] Lehman CD,Blume JD,DeMartini WB,et al.Accuracy and interpretation time of computer-aided detection among novice and experienced breast MRI readers[J].AJRAm JRoentgenol,2013,200(6):W683-W689.

[11] Lin FC,Li RY,Tung YW,et al.Morbidity,mortality,associated injuries,and management of traumatic rib fractures[J].J Chin Med Assoc,2016,79(6):329-334.

[12] Dunham CM,Hileman BM,Ransom KJ,et al.Trauma patient adverse outcomes are independently associated with rib cage fracture burden and severity of lung,head,and abdominal injuries[J].Int JBurns Trauma,2015,5(1):46-55.

[13] Barnea Y,Kashtan H,Skornick Y,et al.Isolated rib fractures in elderly patients:mortality and morbidity[J].Can JSurg,2002,45(1):43-46.

[14] Holcomb JB,McMullin NR,Kozar RA,et al.Morbidity from rib fractures increasesafter age45[J].JAm Coll Surg,2003,196(4):549-555.

[15] Park S.Clinical analysis for the correlation of intra-abdominal organ injury in the patients with rib fracture[J].Korean JThorac Cardiovasc Surg,2012,45(4):246-250.

[16] Al-Hassani A,Abdulrahman H,Afifi I,et al.Rib fracture patterns predict thoracic chest wall and abdominal solid organ injury[J].Am Surg,2010,76(8):888-891.

[17] Park HS,Ryu SM,Cho SJ,et al.A treatment case of delayed aortic injury:the patient with posterior rib fracture[J].Korean J Thorac Cardiovasc Surg,2014,47(4):406-408.

[18] Pan Y,Shi D,Wang H,et al.Automatic opportunistic osteoporosis screening using low-dose chest computed tomography scans obtained for lung cancer screening[J].Eur Radiol,2020,30(7):4107-4116.

[19] Ringl H,Lazar M,T?pker M,et al.The ribs unfolded—a CT visualization algorithm for fast detection of rib fractures:effect on sensitivity and specificity in traumapatients[J].Eur Radiol,2015,25(7):1865-1874.

[20] 高歌,馬帥,王霄英.計算機輔助診斷在醫(yī)學(xué)影像診斷中的基本原理和應(yīng)用進展[J].放射學(xué)實踐,2016,31(12):1127-1129.

[21] 高歌,胡娟,王成彥,等.整合臨床及多參數(shù)MRI信息的前列腺癌CAD系統(tǒng):診斷效能研究[J].放射學(xué)實踐,2016,31(12):1143-1145.

[22] 韓超,朱麗娜,劉想,等.基于U-Net實現(xiàn)前列腺MR圖像上腺體的自動分割和徑線測量:臨床植入驗證研究[J].放射學(xué)實踐,2020,35(4):519-524.

[23] Liu Y,Liu Q,Han C,et al.The implementation of natural language processing to extract index lesions from breast magnetic resonance imaging reports[J].BMCMed Inform Decis Mak,2019,19(1):288.