人工智能辅助放射初级医师在肋骨骨折CT诊断中的应用价值

目的探讨人工智能(AI)辅助放射初级医师在肋骨骨折CT诊断中的应用价值。方法温州市中心医院2022年1月至2023年6月收治的因外伤导致肋骨骨折患者80例,采用3种方式进行阅片诊断。放射医师:在未知AI结果情况下,由放射初级医师对肋骨进行分析诊断;AI:采用AI辅助诊断软件,对肋骨进行自动分析诊断;AI+放射医师:由放射初级医师+AI软件对肋骨进行联合分析诊断。以2名放射高级职称医师诊断结果作为参考标准,计算分析3种阅片方式诊断肋骨骨折的真阳性率、真阴性率、误诊率、漏诊率、符合率和平均诊断时间,并应用Kappa检验评价其诊断肋骨骨折结果与参考标准结果的一致性。结果2名副主任医师对80例共960根肋骨进行阅片分析,共确认骨折857根(89.2%):完全性骨折673根,不完全性骨折184根。在诊断效能方面,AI+放射医师诊断肋骨骨折的真阳性率96.7%(829/857)、真阴性率94.2%(97/103)和符合率96.5%(926/960)均高于单独医师[89.1%(764/857)、85.4%(88/103)、88.8%(852/960)]和AI[90.3%(774/857)、83.5%(86/103)、89.6%(860/960)];AI+医师漏诊率(3.3%,28/857)和误诊率(5.8%,6/103)均低于放射医师[10.9%(93/857)、4.6%(15/103)]、AI[9.7%(83/857)、6.5%(17/103)];AI软件的平均诊断时间最多,其次是AI+放射医师阅片,放射医师阅片用时最少;3种阅片方式与2名高级职称放射医师诊断结果的一致性均较好(Kappa=0.82、0.81、0.87)。结论放射初级医师辅助AI软件可提高肋骨骨折CT诊断效能,缩短一定的诊断时间,提高工作效率,降低漏诊率和误诊率。

常规磁共振成像结合弥散加权成像对腹膜转移瘤的诊断价值

腹膜转移瘤是临床工作中最常遇到腹膜肿瘤,一般来源于胃、结肠或卵巢,其次为胰腺、胆道和子宫,其常见位置位于道格拉斯窝、结肠旁沟、肠系膜、大网膜和膈下[1]。明确肿瘤性质及位置对术前确定正确的手术方案和治疗计划极为重要,腹腔肿瘤位置的确定可以减少术中手术探查时间和麻醉时间,有效减少手术并发症,增加患者生存率[2]。常规磁共振成像（MRI）相对于CT扫描而言,图像质量较高,但其图像采集时间较长,易受呼吸运动的影响。

乳腺X线摄影BI-RADS4分类相关影响因素探讨

乳腺癌是女性最常见的恶性肿瘤之一，我国乳腺癌增长速率约为3%~4%，高于世界年平均增长水平，已经成为严重威胁我国女性健康和生命的主要疾病之一[1]。早发现、早诊断对降低乳腺癌死亡率和提高5年生存率具有举足轻重的作用。美国放射学院（the american college of radiology，ACR）于1992年提出乳腺影像报告和数据系统（breast imaging reporting and data system，BI-RADS）[4]。该系统依据影像学把乳腺病变诊断结果分为7类，其中BI-RADS4在7个类别中既具有复杂性又比较难以把握。这类病灶的阳性预测值（positive predictive value，PPV）在2%~95%之间，由于对该系统标准认识、理解的差异，某些病变的阳性预测值可能偏低，有时患者和临床医生在选择处理方案时很难做出准确判断，从而增加过度诊断或是贻误诊断的风险[4]。虽然BI-RADS（第5版）已建议将4类病变依据出现恶性结果的可能性分为3个亚类，但目前的指南中提供的信息并不是很充分，特别是对亚分类的情况还有待完善。本文通过对80例诊断为BI-RADS4乳腺影像表现的分析，对影响分类的相关因素进行探讨，包括肿块的边缘、形态、密度，钙化的形态及分布，腺体结构扭曲，腺体密度，以及乳晕、血运、腋窝部淋巴结等，以期提高对BI-RADS4类病变及其亚分类评估的认识，进而提高对乳腺癌诊断的准确率。