在全世界范围内，前交叉韧带（ACL）断裂十分常见，占膝关节损伤的50%以上。磁共振成像（MRI）是诊断前交叉韧带撕裂和确定手术的金标准非侵入性检查。根据最近的一项荟萃分析显示，MRI能够提供较高的诊断性能，敏感性为87%，特异性为90%，曲线下面积（AUC）为0.93。然而，这种诊断性能可能取决于放射科医生的经验和实践领域。

多项研究表明，人工智能（AI）在医学成像中可起到重要的作用，特别是在肌肉骨骼成像中。迄今为止，用于前交叉韧带撕裂检测的深度学习方法要么是在不到10000个研究的数据集上开发的，要么是在没有外部验证的情况下开发的，因此准确性及可重复性还有待商榷。

近日，发表在European Radiology杂志的一项研究使用大型数据集开发了一个用于前交叉韧带撕裂检测的深度学习工具，并使用两个外部数据集比较了其准确性，为前交叉韧带撕裂的快速准确诊断提供了技术支持。

本研究将一个由不同制造商和磁场发出的19765张膝关节核磁共振扫描图像（17,738名患者）的数据库用来建立了一个基于深度学习的前交叉韧带撕裂检测器。15%的患者显示出部分或完全的前交叉韧带断裂。使用了冠状和矢状脂肪抑制的质子密度或T2加权序列。使用一个自然语言处理算法来自动标记与每个MRI检查相关的报告。本研究在两个公开可用的外部数据集上比较了模型的准确性。使用ROC曲线、曲线下面积（AUC）、敏感性、特异性和准确性来评估模型的性能。 

本研究提出的神经网络在检测前交叉韧带撕裂方面取得了0.939的AUC值，灵敏度为87%（0.875），特异性为91%（0.908）。在Bien数据集和Stajduhar数据集上重新训练模型后，算法分别取得了0.962（95% CI 0.930-0.988）和0.922（95% CI 0.875, 0.962）的AUC。对Bien数据集的敏感性、特异性和准确性分别为85%（95% CI 75-94%，0.852）、89%（95% CI 82-97%，0.894）、0.875（95% CI 0.817-0.933）；对Stajduhar数据集的敏感性、特异性和准确性分别为68%（95% CI 54-81%，0.681）、93%（95% CI 89-97%，0.934）和0.870（95% CI 0.821-0.913）。 

图 算法检测到的前交叉韧带撕裂的示例和相应的热图。矢状面质子密度加权MR图像显示两个ACL完全撕裂。热图显示前交叉韧带中的高概率区域，模型是基于对前交叉韧带撕裂的解释

本研究表明，在大样本量的情况下，本研究实现了对前交叉韧带撕裂的极高检测准确性。此外，在类似的实验条件下，与文献中的类似模型相比，该模型取得了更具有竞争力的表现。本研究结果表明，基于深度学习的方法具有较高的临床应用潜力，可以在膝关节损伤时协助放射科医生对前交叉韧带撕裂进行快速准确的诊断。

原文出处：

Alexia Tran,Louis Lassalle,Pascal Zille,et al.Deep learning to detect anterior cruciate ligament tear on knee MRI: multi-continental external validation.DOI:10.1007/s00330-022-08923-z