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(jī)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(shí)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(jī)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(jìn)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(jī)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(jìn)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(jìn)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。
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(yùn)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。
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
由3位影像診斷專家(工作經(jīng)驗>10年)共同在CT圖像上進(jìn)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。
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(jìn)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。
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。
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(jìn)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。
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螅泄钦郏ㄝp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)
2.2.1 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?,AI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)
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(dá)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(hù)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?dú)庑兀?5.3%)、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(shí)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,且它們通常可在沒有手術(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(dá)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(shí)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(shí)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(dá)到較高的水平,只有AI獨(dú)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(jìn)行真實(shí)工作場景下的臨床驗證。本研究發(fā)現(xiàn)AI軟件獨(dú)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(shí)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?;颊?。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(jìn)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(dú)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(jìn)行了探討,并未就AI檢出骨折所用時間進(jìn)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(dú)醫(yī)生”的閱片時間進(jìn)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(shí)不夠大。因此,在將本AI軟件實(shí)際應(yīng)用于臨床工作前,我們還將進(jìn)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(xiàn)
[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(jī)輔助診斷在醫(yī)學(xué)影像診斷中的基本原理和應(yīng)用進(jìn)展[J].放射學(xué)實(shí)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(shí)踐,2016,31(12):1143-1145.
[22] 韓超,朱麗娜,劉想,等.基于U-Net實(shí)現(xiàn)前列腺M(fèi)R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(shí)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.
上海交通大學(xué)學(xué)報(醫(yī)學(xué)版)2021年7期