基于YOLOv3 算法的肋骨骨折診斷模型的構(gòu)建及應(yīng)用

白潔，孫晶，程曉光，劉凡，劉華，王旭

1.北京市公安局，北京 100192；2.首都醫(yī)科大學(xué)附屬北京積水潭醫(yī)院，北京 100035；3.中國政法大學(xué)證據(jù)科學(xué)教育部重點(diǎn)實(shí)驗(yàn)室，北京 100088

肋骨骨折是法醫(yī)臨床鑒定中的常見損傷，在鈍性胸部損傷患者中，40%～50%的人群存在肋骨骨折[1-2]。對于肋骨骨折損傷，現(xiàn)行法醫(yī)臨床學(xué)標(biāo)準(zhǔn)主要以骨折數(shù)量為判定依據(jù)，因此，骨折數(shù)量是鑒定的關(guān)鍵，對于定罪、量刑、賠償?shù)人痉▽?shí)踐至關(guān)重要。典型的完全性肋骨骨折通過影像學(xué)檢查較容易診斷，對于肋骨細(xì)微結(jié)構(gòu)的骨性損傷，雖然有高分辨率CT，但在實(shí)際工作中，一些隱匿性肋骨骨折仍然容易被漏診及誤診。同時(shí)肋骨影像學(xué)片的判讀需要大量的時(shí)間并要求鑒定人具有豐富的閱片經(jīng)驗(yàn)，技術(shù)門檻高，工作量大。如何快速、準(zhǔn)確地對肋骨骨折影像學(xué)資料進(jìn)行判定，是法醫(yī)工作者面臨的難題。

人工智能（artificial intelligence，AI）自1956 年在達(dá)特茅斯會議被提出后，其研究領(lǐng)域不斷擴(kuò)展深入[3]。機(jī)器學(xué)習(xí)是AI 領(lǐng)域的重要分支，其子領(lǐng)域深度學(xué)習(xí)近年來被廣泛應(yīng)用。深度學(xué)習(xí)中的神經(jīng)網(wǎng)絡(luò)模型最早嘗試和應(yīng)用的領(lǐng)域就是圖像分類與目標(biāo)識別，因其基于語義識別的特點(diǎn)，神經(jīng)網(wǎng)絡(luò)模型逐漸應(yīng)用于影像學(xué)診斷[4]，應(yīng)用深度學(xué)習(xí)中的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行肋骨骨折診斷的研究也不斷開展[5-6]。目標(biāo)檢測是計(jì)算機(jī)視覺和數(shù)字圖像處理的熱門方向，是一種基于目標(biāo)幾何和統(tǒng)計(jì)特征的圖像分割，其可將目標(biāo)的分割和識別合二為一，能夠快速識別目標(biāo)。

本研究旨在介紹一種基于熱門目標(biāo)檢測YOLOv3算法[7]建立的對胸部CT 圖像進(jìn)行肋骨骨折標(biāo)定與診斷的方法，以期輔助法醫(yī)學(xué)鑒定人縮短閱片時(shí)間，提高診斷準(zhǔn)確性及工作效率。

1 材料與方法

1.1 材料

采集北京積水潭醫(yī)院2020 年1 月—7 月門急診外傷患者的肋骨骨折胸部CT 掃描DICOM 格式圖像。經(jīng)過篩選后選擇884 例數(shù)據(jù)用于建模，其中801 例（男性438 例、女性363 例，年齡27～81 歲）共計(jì)29 388 張骨折圖像作為訓(xùn)練集和驗(yàn)證集，83 例（男性47 例，女性36 例，年齡25～78 歲）共計(jì)7 752 張圖像作為測試集。

納入標(biāo)準(zhǔn)：（1）胸部外傷患者；（2）原始影像學(xué)資料涵蓋兩側(cè)所有肋骨；（3）18 歲以上成年人。

排除標(biāo)準(zhǔn)：（1）患有影響骨骼系統(tǒng)的疾病，如腫瘤、骨代謝性疾病等；（2）因依從性差等原因?qū)е碌挠跋駥W(xué)圖像不清晰者。

本研究為回顧性研究，已經(jīng)獲得北京積水潭醫(yī)院倫理委員會的批準(zhǔn)（審批文號：積倫科審字第201903-24 號）。

1.2 評判標(biāo)準(zhǔn)

由2 名具有高級職稱的影像學(xué)專家（從事肌骨影像診斷工作20 年以上）對801 例患者的胸部CT 圖像進(jìn)行診斷，意見不一致時(shí)，由第3 位更高年資專家進(jìn)行確認(rèn)。通過多平面重組、三維重建及復(fù)查CT觀察是否有骨質(zhì)斷裂、骨痂等判定有無骨折，協(xié)商后共同在CT 圖像上進(jìn)行骨折標(biāo)注，作為模型訓(xùn)練和驗(yàn)證的“金標(biāo)準(zhǔn)”數(shù)據(jù)集，同時(shí)記錄骨折具體位置、數(shù)目及所在層面。將專家發(fā)現(xiàn)的輕微骨折、移位骨折、骨折修復(fù)性改變等作為陽性結(jié)果，專家未發(fā)現(xiàn)骨折為陰性結(jié)果。

1.3 建模方法

1.3.1 數(shù)據(jù)預(yù)處理

影像學(xué)專家診斷骨折后，根據(jù)患者編號以及左、右側(cè)肋骨骨折所在層數(shù)等信息制作肋骨骨折斷層位置描述表格文件。患者肋骨斷層掃描得到的原始CT圖像的命名規(guī)則為Iabcdefg，其中a～g 均是數(shù)字。根據(jù)CT 圖像的命名規(guī)律構(gòu)建CT 圖像名與上述肋骨骨折斷層位置描述表格文件中序數(shù)之間的映射關(guān)系，由此可以得到患者有肋骨骨折圖片的文件名，從而將骨折圖片從患者所有DICOM 格式文件中提取出來。

用基于python編程語言的pydicom工具包將DICOM格式圖像數(shù)據(jù)讀取到內(nèi)存之后，像素值的變化范圍為-2 048～2 048，通過設(shè)置窗寬與窗位參數(shù)的方法將像素值進(jìn)行變換（窗寬值1 500、窗位值350），將CT 圖像的骨質(zhì)部分提取出來。

用OpenCV 工具包將DICOM 格式文件轉(zhuǎn)化成JPG格式，由影像學(xué)專家采用與CT 圖像背景顏色差異較大的黃色矩形框進(jìn)行骨折目標(biāo)的標(biāo)記。

對上述JPG 格式文件分別進(jìn)行處理，得到TXT 格式骨折位置標(biāo)注文件及歸一化的JPG 圖像。

1.3.1.1 TXT 格式骨折位置標(biāo)注文件

采用圖像識別中的模板識別原理，運(yùn)用圖像識別工具包識別骨折標(biāo)注矩形框，設(shè)置圖像中黃色部分像素值的提取條件，得到二值化圖像，黃色矩形框經(jīng)過二值化處理后得到白色矩形框，其內(nèi)部為骨折所在區(qū)域。

采用OpenCV 的cv2.findContours 函數(shù)對二值化圖像骨折位置標(biāo)注的白色矩形框輪廓進(jìn)行提取。采用基于python編程語言的圖像處理算法對矩形框的頂點(diǎn)坐標(biāo)進(jìn)行識別，得到骨折標(biāo)記矩形框左上點(diǎn)和右下點(diǎn)的坐標(biāo)。如圖像中有多個(gè)骨折的位置，會得到多個(gè)矩形框，提取不同矩形框的左上點(diǎn)和右下點(diǎn)坐標(biāo)，分別記為（xmin，ymin）和（xmax，ymax），其中xmin表示標(biāo)記框上所有點(diǎn)的橫坐標(biāo)的最小值、xmax表示標(biāo)記框上所有點(diǎn)的橫坐標(biāo)的最大值、ymin表示標(biāo)記框上所有點(diǎn)的縱坐標(biāo)的最小值、ymax表示標(biāo)記框上所有點(diǎn)的縱坐標(biāo)的最大值。將上述坐標(biāo)信息生成TXT 格式骨折位置標(biāo)注文件。

1.3.1.2 歸一化JPG 圖像

使用基于python 編程語言的PyTorch 模塊中的函數(shù)將圖像數(shù)據(jù)尺寸歸一化成512×512×3 大小，以提高模型構(gòu)建的計(jì)算效率。

1.3.2 基于YOLOv3 算法的模型訓(xùn)練

YOLOv3算法的訓(xùn)練階段包括：構(gòu)建基于YOLOv3算法的目標(biāo)算法框架，將JPG格式的肋骨骨折圖像數(shù)據(jù)與標(biāo)注文件數(shù)據(jù)導(dǎo)入算法框架中進(jìn)行模型訓(xùn)練計(jì)算。

1.3.2.1 構(gòu)建目標(biāo)算法框架

YOLOv3 算法框架主要由卷積模塊、殘差模塊、上采樣模塊與Darknet53 骨干特征提取網(wǎng)絡(luò)構(gòu)成。

卷積模塊是由計(jì)算機(jī)隨機(jī)生成若干卷積核，不同的卷積核用于提取圖像中不同的特征。卷積核中的權(quán)重參數(shù)是模型訓(xùn)練過程中需要優(yōu)化的參數(shù)。

殘差模塊最顯著的特點(diǎn)是使用了快捷路徑機(jī)制來緩解神經(jīng)網(wǎng)絡(luò)算法訓(xùn)練過程中的梯度消失問題，從而使得神經(jīng)網(wǎng)絡(luò)變得更容易優(yōu)化。其通過恒等映射的方法使輸入和輸出之間建立起一條直接的關(guān)聯(lián)通道，從而使得網(wǎng)絡(luò)集中學(xué)習(xí)殘差模塊輸入和輸出之間的差值。

上采樣模塊的作用是在后續(xù)YOLOv3 網(wǎng)絡(luò)中進(jìn)行相加操作時(shí)保證兩個(gè)特征圖的寬和高相同。

YOLOv3 使用了具有53 個(gè)卷積層的骨干網(wǎng)絡(luò)Darknet53。YOLOv3設(shè)定每個(gè)網(wǎng)格單元都有3個(gè)檢測框負(fù)責(zé)檢測，而且每個(gè)檢測框需要有x、y、w、h、confidence 5 個(gè)基本參數(shù)（其中x為檢測框的中心橫坐標(biāo)、y為檢測框的中心縱坐標(biāo)、w為檢測框的寬度、h為檢測框的高度、confidence 為檢測框內(nèi)有檢測物體的概率），同時(shí)還要有80 個(gè)類別的概率，因此每個(gè)輸出的通道數(shù)都是3×（80+5）。將一張416×416 的彩色圖片輸入Darknet53 網(wǎng)絡(luò)后得到3 個(gè)分支，這些分支在經(jīng)過一系列的卷積、上采樣以及合并等操作后最終得到3 個(gè)特征映射，尺寸分別為[13，13，255]、[26，26，255]和[52，52，255]。

1.3.2.2 導(dǎo)入數(shù)據(jù)

將TXT 格式骨折位置標(biāo)注文件以及從DICOM 格式數(shù)據(jù)轉(zhuǎn)化成的JPG 格式的圖像數(shù)據(jù)導(dǎo)入YOLOv3算法框架，將模型得到的檢測框信息轉(zhuǎn)化為原圖上的坐標(biāo)信息，通過交并比閾值檢測及非極大值抑制處理，清除冗余的預(yù)測框。

經(jīng)過第1 次模型構(gòu)建后，得到肋骨骨折識別圖像，識別出的骨折位置以藍(lán)色矩形框標(biāo)記，同時(shí)在矩形框上方標(biāo)注此處骨折的識別概率，如圖1 所示。

圖1 第1 次建模得到的肋骨骨折標(biāo)注及識別圖像Fig.1 Rib fracture labeling and recognition images obtained by the first modeling

第1 次建模后，識別的準(zhǔn)確率不理想，為優(yōu)化模型，進(jìn)行了第2 次建模（圖2）。通過不斷調(diào)整模型的參數(shù)，最小化損失函數(shù)，提高了模型的預(yù)測能力。

圖2 第2 次建模得到的肋骨骨折識別圖像Fig.2 Rib fracture recognition images obtained by the second modeling

1.3.3 模型測試

為測試模型的準(zhǔn)確性和泛化性，將測試集數(shù)據(jù)輸入模型進(jìn)行判別，根據(jù)模型的精確率（precision rate，PR）、召回率（recall rate，RR）、F1 分?jǐn)?shù)評價(jià)模型的訓(xùn)練效果。其中，精確率是指所有被預(yù)測為陽性（即骨折）的樣本中實(shí)際為陽性的樣本比例；召回率是指所有實(shí)際為陽性的樣本中被預(yù)測為陽性的樣本比例；F1 分?jǐn)?shù)是精確率和召回率的調(diào)和平均值。公式如下：

式中，TP為真陽性，即模型預(yù)測為骨折而實(shí)際也為骨折的樣本數(shù)量；FP為假陽性，即模型預(yù)測為骨折而實(shí)際非骨折的樣本數(shù)量；FN為假陰性，即模型預(yù)測為非骨折而實(shí)際為骨折的樣本數(shù)量。

使用配置為NVIDIA GeForce GTX 1080Ti 顯卡、英特爾?至強(qiáng)?處理器E5-2630 v3（2.40 GHz）的服務(wù)器對測試集DICOM 格式數(shù)據(jù)進(jìn)行識別，同時(shí)記錄模型閱片時(shí)間。

1.4 案例應(yīng)用

王某，女，50 歲，被人致傷胸部。受傷當(dāng)日就診病歷記載：胸部可及壓痛，左側(cè)胸廓擠壓痛。胸部CT顯示：左側(cè)第4 前肋骨皮質(zhì)局部走行扭曲，欠規(guī)整。診斷證明書記載：左側(cè)第4 前肋疑似骨折。經(jīng)閱片，王某胸部CT 顯示左側(cè)第4 前肋骨皮質(zhì)欠規(guī)整，僅依靠人工判讀影像學(xué)資料明確診斷有一定難度。法醫(yī)建議王某于傷后3 個(gè)月復(fù)查胸部CT，并由辦案單位調(diào)取王某胸部CT 的DICOM 格式數(shù)據(jù)，采用AI 肋骨骨折診斷模型進(jìn)行輔助診斷。

2 結(jié)果

2.1 模型訓(xùn)練情況

模型訓(xùn)練過程的損失函數(shù)曲線見圖3。隨著迭代次數(shù)的增加，損失函數(shù)逐漸降低，識別準(zhǔn)確率逐漸升高。當(dāng)?shù)螖?shù)在10 以內(nèi)時(shí)，損失函數(shù)下降較快，模型快速收斂；當(dāng)?shù)螖?shù)在10～50 時(shí)，損失函數(shù)下降緩慢，趨于常值；當(dāng)?shù)螖?shù)大于50 時(shí)，損失函數(shù)穩(wěn)定。最終選擇100 作為模型的最大迭代次數(shù)，模型達(dá)到最優(yōu)狀態(tài)。

圖3 第2 次建模的損失函數(shù)曲線Fig.3 The loss function curve of the second modeling

2.2 模型測試情況

該模型存在將滋養(yǎng)孔、神經(jīng)血管溝、肋骨局部不完全性鈣化及因掃描容積效應(yīng)造成的局部高密度影誤診為骨折的現(xiàn)象（即假陽性，圖4），對修復(fù)期骨折、無明顯移位的肋骨骨折及骨皮質(zhì)損傷較輕的不完全性骨折存在漏診現(xiàn)象（即假陰性，圖5）。

圖4 假陽性結(jié)果Fig.4 Results of the false positive

圖5 假陰性結(jié)果Fig.5 Results of the false negative

在83 例測試集的胸部CT 圖像中，準(zhǔn)確判定骨折（即真陽性）845 張，假陽性89 張，真陰性6 542 張，假陰性276 張。經(jīng)計(jì)算，本模型的精確率為90.5%，召回率為75.4%，F(xiàn)1 分?jǐn)?shù)為0.82。

2.3 閱片時(shí)間

測試集的83 例患者共計(jì)7 752 張圖像，模型完成全部圖像的識別耗時(shí)1 761 s，每秒可識別4.4 張圖像，對每位患者的數(shù)據(jù)識別花費(fèi)時(shí)間平均為21 s。

2.4 案例應(yīng)用

將王某受傷當(dāng)日和傷后3 個(gè)月的胸部CT 數(shù)據(jù)導(dǎo)入模型，模型識別左側(cè)第4 肋骨的骨折概率分別為73%和59%。前后兩次CT 片的模型識別結(jié)果見圖6。影像學(xué)專家閱傷后3 個(gè)月復(fù)查片：左側(cè)第4 肋骨局部硬化，骨痂形成，為陳舊性骨折。最終法醫(yī)根據(jù)閱片及AI 識別結(jié)果認(rèn)定被鑒定人左側(cè)第4 肋骨骨折。

圖6 實(shí)際肋骨骨折案例的模型識別結(jié)果Fig.6 Model recognition results of the practical rib fracture case

該案例運(yùn)用本研究構(gòu)建的模型對可疑肋骨骨折進(jìn)行識別和診斷，兩次影像學(xué)資料均識別為骨折，對此結(jié)果雙方當(dāng)事人未有異議。

3 討論

3.1 YOLO 概述

YOLO（You Only Look Once）系列算法于2015 年由REDMON 等[8]首次提出，是當(dāng)前目標(biāo)檢測領(lǐng)域較為熱門的算法之一，是目標(biāo)檢測算法的經(jīng)典代表，其核心思想是直接對Bbox 進(jìn)行回歸，然后進(jìn)行類別的預(yù)測，將目標(biāo)邊界定位問題轉(zhuǎn)換成回歸問題，不需要分別訓(xùn)練各個(gè)部分的網(wǎng)絡(luò)，可以實(shí)現(xiàn)端對端的訓(xùn)練，只需要一次完整的過程即可完成目標(biāo)識別及定位，是典型的一階段（one-stage）算法。相比兩階段（two-stage）算法，如區(qū)域卷積神經(jīng)網(wǎng)絡(luò)（region-convolutional neural network，R-CNN）、Fast R-CNN、Faster R-CNN 等，YOLO的檢測速度大大提升，是R-CNN的1 000倍、Fast R-CNN 的100倍[9]。為克服YOLOv1框坐標(biāo)定位不準(zhǔn)、召回率較低、對小目標(biāo)或比較密集的目標(biāo)檢測效果欠佳等缺點(diǎn)，YOLOv2[10]及YOLOv3 版本[7]對此進(jìn)行了改進(jìn)。YOLOv3 采用Darknet53 網(wǎng)絡(luò)進(jìn)行圖像的特征提取，較之前的v2 版本（使用Darknet19）準(zhǔn)確率更高[7]。研究[11]認(rèn)為YOLOv3 算法結(jié)構(gòu)簡單，魯棒性好，檢測速度快，精度較高。YAO 等[12]對YOLOv3 算法和Fast RCNN、Faster R-CNN 的性能進(jìn)行了評估，認(rèn)為YOLOv3算法的精確率、召回率、F1 分?jǐn)?shù)、陰性預(yù)測值均高于其他兩種算法。

3.2 模型應(yīng)用

本研究基于YOLOv3 算法構(gòu)建了AI 輔助肋骨骨折診斷模型，該模型實(shí)現(xiàn)了網(wǎng)絡(luò)端到端的完全自動化的肋骨骨折影像學(xué)診斷，并提供骨折識別概率，避免了因經(jīng)驗(yàn)不足等原因引起的人工判讀造成的漏診、誤診；該模型可識別CT 影像通用DICOM 格式文件，普適性高；所使用的訓(xùn)練集涵蓋多種類型骨折，具有一定的差異度，模型精確率較高；該模型操作簡單、便捷，識別速度快，輔助法醫(yī)進(jìn)行肋骨骨折診斷不僅可以提高鑒定效率，同時(shí)計(jì)算機(jī)判讀結(jié)果不受人為因素影響，作為客觀證據(jù)更具有信服力，容易被當(dāng)事雙方接受。通過實(shí)際案例的應(yīng)用及測試，該模型識別結(jié)果與影像學(xué)專家判定結(jié)果一致，可靠性高，重復(fù)性好，有助于解決法醫(yī)臨床鑒定實(shí)踐中隱匿性骨折診斷困難等問題，可輔助鑒定人進(jìn)行肋骨骨折診斷，具有良好的應(yīng)用前景。

有研究[13]顯示，肋骨骨折人工判讀的召回率為63.5%，本研究模型的召回率為75.4%，高于人工判讀。召回率越高，說明模型識別骨折的假陰性率越低。對于輸入骨折圖片但模型輸出結(jié)果為陰性的漏診現(xiàn)象，分析認(rèn)為主要有以下原因：（1）相同部位連續(xù)的骨折圖片存放在同一文件夾內(nèi)，僅標(biāo)注少數(shù)圖片，默認(rèn)其他圖片相應(yīng)位置也為骨折，這個(gè)標(biāo)注方法對大部分圖片適用，但是部分圖片在標(biāo)記框?qū)?yīng)位置并沒有骨折特征，因此造成模型識別性能降低；（2）受算法的限制，特征不能百分之百被識別并訓(xùn)練，加之部分特征區(qū)分度低，較難訓(xùn)練，影響了模型的識別效率；（3）訓(xùn)練樣本中涵蓋不同類型的骨折，但部分類型骨折數(shù)據(jù)量較少，有效訓(xùn)練不足，使得模型識別效率降低；（4）部分骨折輕微，無移位，僅表現(xiàn)為骨皮質(zhì)的改變，特征不明顯，不易被訓(xùn)練。

本研究模型在測試集上的精確率為90.5%，有學(xué)者研究醫(yī)療公司的uAI EasyTriage-Rib 軟件及uAIBoneCare軟件得到的精確率分別為91%[14]及89.3%[15]，周清清等[16]構(gòu)建Faster R-CNN 模型診斷不同類型的肋骨骨折，精確率最高為90.2%，本研究所建立模型的精確率與其基本相同。精確率越高，模型識別骨折的假陽性率越低，考慮本研究模型存在假陽性結(jié)果的主要原因是：（1）部分類型骨折數(shù)量較少，在學(xué)習(xí)過程中特征學(xué)習(xí)不足，導(dǎo)致模型在訓(xùn)練過程中對無骨折的圖像與本類骨折圖像有所混淆，對無骨折部位進(jìn)行了識別，造成假陽性；（2）模型會對放入相同文件夾的多個(gè)連續(xù)層面的陽性圖片進(jìn)行學(xué)習(xí)，在標(biāo)注過程中僅標(biāo)注少量圖片，其他層面在標(biāo)注的相同位置上可能為非骨折結(jié)構(gòu)，模型默認(rèn)相同位置的特征為骨折，因此出現(xiàn)識別錯(cuò)誤；（3）由于CT 的容積效應(yīng)或者鈣化等原因，正常骨組織結(jié)構(gòu)內(nèi)出現(xiàn)了局部高密度影，與骨折的修復(fù)性改變相似，從而被模型判定為骨折；（4）在模型的實(shí)際應(yīng)用過程中，會將被鑒定人胸部CT 的全部DICOM 格式數(shù)據(jù)輸入模型，其中部分矢狀位層面肋骨呈現(xiàn)出與橫斷面肋骨相似的走行及形態(tài)特征，因而被識別為骨折。

在閱片時(shí)間上，本研究模型每秒可識別4.4 張圖像，對每位患者的數(shù)據(jù)識別僅平均花費(fèi)21 s 即可給出診斷及骨折概率，而臨床上結(jié)合容積再現(xiàn)、多平面重組等后處理技術(shù)診斷用時(shí)分別平均為7.6 min 及8.2 min[17]，模型比人工識別用時(shí)更短。尤其對于隱匿性骨折，因骨折比較輕微，人工識別往往需要花費(fèi)更多時(shí)間，對于此類骨折的判讀，模型的優(yōu)勢更加凸顯。更換先進(jìn)的硬件設(shè)備及優(yōu)化算法，閱片速度還有進(jìn)一步提升的空間。

本研究亦有一定的局限性：（1）骨折判定標(biāo)準(zhǔn)基于高年資影像學(xué)專家的診斷，而非病理結(jié)果，也存在誤診或漏診的可能，因此可能對模型的整體效能產(chǎn)生影響；（2）該模型目前僅能識別骨折，尚無法完成骨折的分類任務(wù)；（3）本研究排除了因依從性差導(dǎo)致的圖像不清晰病例，但實(shí)際工作中，此類病例并不少見；（4）本研究的主要樣本為CT 橫斷面圖片，未結(jié)合多平面重組、曲面重組、容積再現(xiàn)等重組圖像，不利于肋骨骨折的檢出。在今后的研究中，應(yīng)通過加大樣本量、細(xì)化骨折分類、改進(jìn)標(biāo)注方法、優(yōu)化算法等手段，不斷提高模型的整體效能，為司法鑒定提供有力的技術(shù)支撐。

3.3 展望

目前國內(nèi)外學(xué)者利用AI 技術(shù)對肋骨骨折進(jìn)行診斷的研究不斷開展，AI 與醫(yī)師聯(lián)合閱片檢出肋骨骨折的敏感度優(yōu)于單獨(dú)醫(yī)師閱片[13]。同時(shí)在AI 的輔助下，醫(yī)生的診斷效率顯著提高，診斷時(shí)間縮短，召回率提高，減少了誤診[12]。筆者認(rèn)為，在以下幾個(gè)方面還有進(jìn)一步深入研究的可能：

（1）骨折分類方面。法醫(yī)學(xué)鑒定實(shí)際工作需要區(qū)分骨折與非骨折、是否為完全性骨折、新鮮與陳舊骨折、是否有二次骨折、不同時(shí)期的骨折等，后續(xù)研究可繼續(xù)細(xì)化分類，提高骨折分類的診斷能力。

（2）骨折定位方面。應(yīng)用AI 輔助診斷肋骨骨折，在準(zhǔn)確定位方面還存在問題：一是目前研究多采用橫斷面CT 圖像進(jìn)行模型構(gòu)建，一名患者完整的胸部CT圖片有幾百張，每張圖片會顯現(xiàn)2～16 根肋骨，除了個(gè)別不完全性骨折，常見的骨折都會連續(xù)出現(xiàn)在幾張圖片中，需要采取一定的措施避免出現(xiàn)在多張圖片上的一處骨折被識別為多處骨折；二是如何對一張圖片中顯示的肋骨進(jìn)行解剖學(xué)準(zhǔn)確定位，明確骨折具體位置。為解決第一個(gè)問題，有學(xué)者[16]設(shè)計(jì)了結(jié)果合并程序，將1～2 mm 薄層CT 圖像的多個(gè)預(yù)測框合并成一個(gè)骨折病灶，并輸出包含肋骨骨折的相應(yīng)層數(shù)的結(jié)構(gòu)化報(bào)告，使用骰子函數(shù)來判斷不同層面或同一層面不同部分的檢測結(jié)果是否屬于同一骨折。徐傳冰等[18]使用了AI 全自動肋骨骨折檢測系統(tǒng)，可自動切換骨窗并對圖像上的肋骨進(jìn)行計(jì)數(shù)。解剖學(xué)定位方面，目前關(guān)于椎體的研究[19-20]較多，而對于CT 橫斷面圖像上的肋骨進(jìn)行解剖學(xué)定位的問題，還需要大量算法的研究。解決定位問題，可以準(zhǔn)確、快速地判定骨折部位，幫助法醫(yī)預(yù)判可能存在的其他損傷，同時(shí)可以一定程度上減少本模型存在的假陽性問題。

（3）診斷的準(zhǔn)確性方面。隱匿性骨折在初次檢查中常不易被發(fā)現(xiàn)，是法醫(yī)學(xué)鑒定中的難點(diǎn)問題。如有大量后期復(fù)查影像學(xué)資料，可將前后CT 圖像輸入模型進(jìn)行比對以提高初次影像學(xué)檢查的診斷準(zhǔn)確率，為法醫(yī)學(xué)診斷提供依據(jù)，幫助鑒定人對血管或神經(jīng)溝等易與隱匿性骨折混淆的表現(xiàn)進(jìn)行鑒別診斷。為消除AI 輔助診斷過程中的假陽性，對于肋骨不完全性鈣化、呼吸運(yùn)動產(chǎn)生的偽影、滋養(yǎng)孔、神經(jīng)血管溝等可能誤判為骨折影的影像學(xué)表現(xiàn)，可搜集數(shù)據(jù)，增加訓(xùn)練的樣本量，進(jìn)一步提高模型的準(zhǔn)確性。利用本方法已能對部分隱匿性骨折進(jìn)行預(yù)判，希望后期能夠進(jìn)一步提高識別概率。

（4）算法方面。從深度學(xué)習(xí)的角度看，肋骨骨折診斷被定義為一個(gè)目標(biāo)檢測問題，不同的學(xué)者采用不同的深度學(xué)習(xí)算法。在YOLOv3 之后，Ultralytics 公司相繼推出v4、v5 等版本，目前已推出v8 版本。相比單一的模型和算法，羅鑫等[21]提出了基于多重注意力機(jī)制的深度學(xué)習(xí)模型，利用圖像技術(shù)對肋骨進(jìn)行定位，縮小目標(biāo)識別區(qū)域，并提出殘差通道雙注意力模塊（residual channel bi-attention module，RCBM），同時(shí)使用通道注意力模塊（channel attention module，CAM）與RCBM，相較于只使用CAM 模塊，準(zhǔn)確率和F1 分?jǐn)?shù)均大幅提升。由此可見，隨著科技的進(jìn)步，可進(jìn)一步優(yōu)化算法或使用更為先進(jìn)、適宜的模型及方法，以提高模型的精確度和泛化性。

（5）應(yīng)用范圍方面。目前應(yīng)用AI 輔助診斷肋骨骨折的模型多采用CT 橫斷面圖像數(shù)據(jù)進(jìn)行構(gòu)建，后期可結(jié)合多種重組方法，如橫斷面圖像結(jié)合多平面重組、容積再現(xiàn)、曲面重組等后處理數(shù)據(jù)進(jìn)行模型訓(xùn)練；也可利用其他影像學(xué)方法如MRI 來提高診斷的準(zhǔn)確性。對于胸部CT 影像學(xué)資料，除了肋骨骨折，也期待利用AI 方法識別更多對法醫(yī)學(xué)鑒定有意義的鄰近組織損傷，如氣胸、縱隔損傷、鎖骨骨折、椎體骨折、肩胛骨骨折等。如能對上述損傷進(jìn)行準(zhǔn)確判定，對CT 片上可能呈現(xiàn)的損傷進(jìn)行全面、系統(tǒng)的診斷，將會大大提高法醫(yī)的工作效率，也有望進(jìn)一步拓寬AI 輔助CT診斷技術(shù)在法醫(yī)臨床學(xué)中的應(yīng)用前景。