肋骨骨折是鈍性或穿透性胸部創傷患者中最常見的胸腔損傷，通常與血胸和氣胸等並發症有關，需要立即治療。肋骨骨折的數量，尤其是不穩定肋骨骨折代表了創傷嚴重程度的一個重要指標，並有報道稱其與胸部創傷後的死亡率相關。造影劑增強或平掃CT是檢測由主要鈍器創傷引起的胸部損傷的常規成像方式，在檢測肋骨骨折方麵比射線攝影更敏感。然而，要在數百張薄層CT圖像上識別所有的肋骨骨折仍然是一項繁瑣而具有挑戰性的任務。

為了解決這個問題，臨床上最近發表了一些利用深度學習(DL)技術對肋骨骨折進行計算機輔助診斷的工作，檢測靈敏度在65.7-92.9%之間，平均每次掃描有0.16-5.62個假陽性。這些模型大多是在單中心數據集上評估的，因此結果的偏差較大。

近日，發表在European Radiology雜誌的一項研究開發了一項可以從胸部CT掃描中自動檢測肋骨骨折的DL模型，並在一個大規模的多中心數據集上進行驗證，通過對不同的骨折亞組、肋骨和病人的綜合分析，將該模型的性能與放射科主治醫師的診斷性能進行了比較。

本項回顧性研究招募了12208名急診室(ER)收入的創傷患者內部數據集和1613名接受胸部CT掃描的ER創傷患者的外部數據集。開發了兩個基於擴展U-Net架構的級聯深度神經網絡，分別用於分割肋骨和檢測肋骨骨折。在內部和外部數據集上用95%的置信區間(CI)評估了模型的性能，並使用t檢驗與主治醫師的評估進行了比較。

在內部數據集上，檢測每個肋骨水平骨折的模型的AUC為0.970(95% CI：0.968，0.972)，敏感性為93.3%(95% CI：92.0%，94.4%)，特異性為98.4%(95% CI：98.3%，98.5%)。在外部數據集上，該模型獲得的AUC為0.943(95% CI：0.941，0.945)，敏感性為86.2%(95% CI：85.0%，87.3%)，特異性為98.8%(95% CI：98.7%，98.9%)，而放射主治醫師的敏感性為70.5%(95% CI：69.3%，71.8%)(P < .0001)，特異性為98.8%(95% CI：98.7%，98.9%)(P = 0.175)。

本項研究所提出的DL模型是一項識別胸部CT掃描中肋骨骨折的可行方法，可以達到與主治醫師相當的診斷水平。因此，在深度學習模型的輔助下，可放射科醫生的閱讀效率和診斷準確性，並顯著減輕工作負擔。