疲勞性骨折是應力性骨折的一種類型，是過度使用導致的骨損傷，在高強度訓練的軍人和運動員群體中發病率極高。在病理生理學上，疲勞性骨折是在重複和超負荷的壓力下由於破骨細胞的吸收和成骨細胞的骨合成之間的平衡被破壞而導致的累積性骨微損傷的過程。疲勞性骨折通常發生在下肢的承重骨上，如脛骨和蹠骨。在臨床上，雖然及時休息和保守治療是輕度疲勞性骨折的基本處理方法，但漏診往往會造成嚴重後果，延誤治療可發展為完全性骨折，功能恢複不佳。

        放射學檢查是診斷疲勞性骨折的首要技術。雖然放射性核素骨掃描和磁共振成像檢測十分敏感，但平片由於其檢查迅速、費用低廉，仍是首選的影像學檢查。在臨床上，疲勞性骨折通常起病隱蔽，進展緩慢，且較為罕見。因此，疲勞性骨折的診斷十分困難，且易被誤診。

        人工智能(AI)通過自動學習原始數據而不是主觀的視覺評估，實現了更快、更準確的圖像解讀，已被越來越多地應用於基於X線的骨折檢測和分類，並在輔助放射診斷方麵表現出優越性能。以前的研究表明，深度學習模型在檢測肩胛骨骨折時可以達到放射科醫生水平的表現(AUC，0.87 vs 0.83)，在診斷腕部骨折時，借助算法比未借助時提高了診斷靈敏度。而目前的人工智能研究都集中在緊急臨床情況下的創傷性骨折，到目前為止還沒有專注於疲勞性骨折的深度學習研究。

        近日，發表在European Radiology雜誌的一項研究利用深度學習的能力構建了一個可實現檢測和分級下肢X線片上疲勞性骨折的人工智能模型，為臨床醫生診斷細微的疲勞性骨折提供了重要的信息和準確的評估，進一步改善病人的治療及預後。

        本項回顧性研究招募了來自兩個臨床中心的1151張疲勞性骨折的X線圖像(脛腓骨/足：682/469)和2842張沒有異常表現的X線圖像(脛腓骨/足：2000/842)。對病變進行標記後，一個中心的圖像(脛腓骨/足：2539/1180)按7:1:2分配用於模型構建，另一個中心的剩餘圖像(脛腓骨/足：143/131)用於外部驗證。采用ResNet-50和三重分支網絡來構建檢測和分級的診斷模型。檢測模型的性能是通過敏感性、特異性和接受者操作特征曲線下的麵積(AUC)來評估的，而分級模型是通過混淆矩陣來評估準確性。由放射科醫生進行視覺評估，並與模型進行比較。

        脛腓骨的檢測模型在內部測試/外部驗證組中達到了95.4%/85.5%的敏感性、80.1%/77.0%的特異性以及0.965/0.877的AUC。足的檢測模型達到了96.4%/90.8%的敏感性、76.0%/66.7%的特異性，AUC為0.947/0.911。檢測模型顯示出優於初級放射醫師的診斷性能，與中級或高級放射醫師相當。在內部檢測/外部驗證集中，診斷模型的總體準確率脛腓骨為78.5%/62.9%、足部為74.7%/61.1%。

        本研究通過開發基於深度學習技術的複合診斷模型證實了深度學習模型在脛腓骨和足部X線片中檢測和分級疲勞性骨折的可行性。本研究提出的深度學習模型能夠勝任輔助放射診斷的工作，並為下肢疲勞性骨折提供了多級病變的嚴重程度分級。