[论文解读] Towards an Interactive and Interpretable CAD System to Support Proximal Femur Fracture Classification.

Amelia Jiménez-Sánchez, Anees Kazi+6 more|arXiv (Cornell University)|Feb 4, 2019

Artificial Intelligence in Healthcare and Education被引用 6

一句话总结

本文提出了一种基于深度学习的CAD系统，可自动根据AO分类对X射线图像中的近端股骨骨折进行分类，对A型、B型和正常类型的区分达到89%的精确率，对骨折与正常情况的分类达到94%的精确率。该系统通过可解释的、交互式的AI集成，提升了诊断准确性并支持临床决策。

ABSTRACT

Fractures of the proximal femur represent a critical entity in the western world, particularly with the growing elderly population. Such fractures result in high morbidity and mortality, reflecting a significant health and economic impact on our society. Different treatment strategies are recommended for different fracture types, with surgical treatment still being the gold standard in most of the cases. The success of the treatment and prognosis after surgery strongly depends on an accurate classification of the fracture among standard types, such as those defined by the AO system. However, the classification of fracture types based on x-ray images is difficult as confirmed by low intra- and inter-expert agreement rates of our in-house study and also in the previous literature. The presented work proposes a fully automatic computer-aided diagnosis (CAD) tool, based on current deep learning techniques, able to identify, localize and finally classify proximal femur fractures on x-rays images according to the AO classification. Results of our experimental evaluation show that the performance achieved by the proposed CAD tool is comparable to the average expert for the classification of x-ray images into types ''A'', ''B'' and ''normal'' (precision of 89%), while the performance is even superior when classifying fractures versus ''normal'' cases (precision of 94%). In addition, the integration of the proposed CAD tool into daily clinical routine is extensively discussed, towards improving the interface between humans and AI-powered machines in supporting medical decisions.

研究动机与目标

• 解决老龄化人群中近端股骨骨折相关的高发病率和高死亡率问题。
• 克服使用标准X射线图像进行骨折分类时存在的低组内和组间专家一致性问题。
• 开发一种自动、可解释且交互式的CAD系统，以支持基于AO标准的准确骨折分类。
• 通过将AI工具整合到放射科工作流程中，提升诊断一致性，从而改善临床决策。

提出的方法

• 利用最先进的深度学习模型，对X射线图像进行端到端分析。
• 采用两阶段方法：首先定位骨折区域，然后将其分类为AO类型（A型、B型或正常）。
• 应用卷积神经网络（CNNs）对近端股骨X射线数据集进行训练，以提取特征并完成分类。
• 引入可解释性技术，可视化并解释模型预测结果，以增强临床信任和透明度。
• 设计交互式界面，促进临床诊断工作流程中的人机协作。
• 使用包含专家标注骨折类型和AO分类标准的临床数据集对系统进行验证。

实验结果

研究问题

• RQ1 基于深度学习的CAD系统能否在近端股骨骨折分型方面达到与人类专家相当的分类性能？
• RQ2 该系统在区分正常与骨折病例与在特定AO类型之间进行分类方面的表现如何？
• RQ3 可解释性和交互性在多大程度上能够提升临床医生对AI在骨折诊断中应用的信任与采纳？
• RQ4 将此类CAD工具整合到常规放射科实践中，对提升诊断一致性具有多大潜力？

主要发现

• 该CAD系统在将X射线图像分类为AO类型A型、B型和正常时，精确率达到89%，与平均专家表现相当。
• 该系统在区分骨折与正常病例方面表现出更优性能，精确率达94%，超过平均专家一致性水平。
• 可解释性功能的集成使临床医生能够理解并验证模型预测，从而增强对AI输出的信任。
• 由于其高精度和交互式设计，该系统在临床部署方面展现出巨大潜力。
• 该工具支持一致且可靠的分类，减少了不同临床医生之间在骨折诊断中的变异性。
• 结果表明，基于AI的CAD工具可显著提升近端股骨骨折评估中的诊断准确性和决策能力。