肌肉骨骼损伤是儿科急诊收治的最常见原因。在诊断过程中，通常需要进行 X 线检查以排除骨折。急诊科对 X 线片的初步评估常常由非放射科医生临时进行，与经过认证的儿科放射科医生的最终评估相比，这可能会导致假阴性和假阳性结果。用于骨折检测的人工智能（AI）支持软件旨在充当 “第二双眼睛”，有望提高一线医生的工作表现，从而可能增强患者安全性并减少复诊次数。

儿科骨折与成人骨折有显著差异，这取决于儿童的年龄和骨骼成熟程度。儿童特有的甚至是特定的骨折、类似撕脱伤的骨核以及看似骨折线的生长板，都给正确诊断带来了挑战。儿童骨折漏诊的临床后果往往更为严重，可能会导致长期并发症，如关节活动受限和生长发育受损。这些后果也可能带来重大的法医学影响。

在欧洲，有 14 种用于评估成人 X 线片中骨折情况的深度学习算法已通过 “欧洲合格认证”（CE 认证），被批准作为医疗器械。然而，由于儿科骨折的独特特征，不能假定在成人骨折数据上训练的人工智能模型在儿童骨折诊断中也能有同样出色的表现。只有四个程序明确具备对儿童的诊断能力：Rayvolve（AZmed 公司）、BoneView（Gleamer 公司）、SmartUrgences（Milvue 公司）和 RBFracture（Radiobotics 公司）。到目前为止，尚未有关于 RBFracture 在儿童骨折检测方面的独立验证报告。对于医学影像领域的人工智能程序来说，这种外部验证非常必要，因为与制造商相关的数据集往往与软件开发中使用的训练数据相似，从而限制了模型的通用性。此外，还没有大规模病例研究能够证明在真实临床环境中，人工智能软件对经验不足的医生具有额外价值。

最近，发表在European Radiology 上的一篇文章评估了一款基于人工智能（AI）的软件在真实临床环境中检测儿科患者骨折的性能。具体而言，本研究试图评估：（1）该人工智能在真实队列以及一组选定的具有法医学相关性的骨折病例中的独立性能；（2）它对经验不足的急诊科医生诊断性能的影响。

这项回顾性研究涉及 1672 张 18 岁以下儿童的 X 光片，这些 X 光片是在一家三级儿科急诊科连续获取（真实队列）和选择性获取（法医学队列）的。在这些图像上，确定了一款市售的基于深度学习的软件的独立性能。此外，三名儿科住院医师在接受人工智能辅助前后分别独立阅片，并评估其对诊断准确性的影响。

在我们的队列中（中位年龄 10.9 岁，59% 为男性），该人工智能表现出 92% 的敏感性、83% 的特异性和 87% 的准确性。对于具有法医学相关性的骨折，该人工智能对胫骨近端骨折的敏感性达到了 100%，但对桡骨髁骨折的敏感性仅为 68%。人工智能辅助将住院医师基于患者的敏感性从 84% 提高到 87%，特异性从 91% 提高到 92%，诊断准确性从 88% 提高到 90%。在 2% 的病例中，阅片者在人工智能的辅助下错误地放弃了他们原本正确的诊断。

图 根据van Laer，经常错过具有医学意义的骨折实体。a桡骨髁骨折，b胫骨近端骨折，c内踝骨折。用箭头标出的透光表示骨折

本项研究表明，该人工智能在儿科环境中展现出了强大的独立性能，并且能够适度提高经验不足的医生的诊断准确性。然而，必须权衡其在经济方面的影响与对患者安全潜在的益处。

原文出处：

Maria Ziegner,Johanna Pape,Martin Lacher,et al.Real-life benefit of artificial intelligence-based fracture detection in a pediatric emergency department.DOI:10.1007/s00330-025-11554-9

Tags： European Radiology：人工智能助力儿科骨折诊断！真实临床验证提升急诊诊断准确性