数字算法骨折CT影像识别软件识别AO-C2型桡骨远端骨折的精准性及稳定性

doi:10.12307/2026.534

中国组织工程研究 ›› 2026, Vol. 30 ›› Issue (15): 3929-3935.doi: 10.12307/2026.534

• 骨与关节图像与影像Bone and joint imaging • 上一篇下一篇

数字算法骨折CT影像识别软件识别AO-C2型桡骨远端骨折的精准性及稳定性

刘飞1，2，邓新恒3，成永忠1，3，尹晓冬1，2，李晓敏1，朱书朝3，王朝鲁 1，2

1中国中医科学院望京医院，北京市 100102；2南阳市中医骨伤生物力学重点实验室，河南省南阳市 473000；3南阳市中医院，河南省南阳市 473000

接受日期:2025-01-20 出版日期:2026-05-28 发布日期:2025-11-07
通讯作者: 王朝鲁，主任医师，中国中医科学院望京医院，北京市 100102；南阳市中医骨伤生物力学重点实验室，河南省南阳市 473000 共同通讯作者：成永忠，主任医师，中国中医科学院望京医院，北京市 100102；南阳市中医院，河南省南阳市 473000
作者简介:第一作者：刘飞，男，1996年生，山东省泰安市人，博士，主要从事骨伤科疾病的临床与基础研究。共同第一作者：邓新恒，男，1984年生，河南省南阳市人，硕士，主治医师，主要从事创伤骨科疾病的临床研究。
基金资助:
中国中医科学院望京医院高水平中医医院建设临床循证研究专项(WJYY-XZKT-2023-14)，项目负责人：王朝鲁；首都临床特色诊疗技术研究及转化应用(Z2211007422075)，项目负责人：成永忠；河南省中医药科学研究专项(2024ZY2197)，项目负责人：王朝鲁；南阳市基础与前沿技术研究计划项目(GJGG121)，项目负责人：邓新恒

Accuracy and stability of digital algorithm-based CT imaging recognition software in identifying AO-C2 type distal radius fractures

Liu Fei1, 2, Deng Xinheng3, Cheng Yongzhong1, 3, Yin Xiaodong1, 2, Li Xiaomin1, Zhu Shuchao3, Wang Chaolu1, 2

1Wangjing Hospital, China Academy of Chinese Medical Sciences, Beijing 100102, China; 2Key Laboratory of Biomechanics for Nanyang Traditional Chinese Medicine Orthopedics, Nanyang 473000, Henan Province, China; 3Traditional Chinese Medicine Hospital of Nanyang, Nanyang 473000, Henan Province, China

Accepted:2025-01-20 Online:2026-05-28 Published:2025-11-07
Contact: Wang Chaolu, Chief physician, Wangjing Hospital, China Academy of Chinese Medical Sciences, Beijing 100102, China; Key Laboratory of Biomechanics for Nanyang Traditional Chinese Medicine Orthopedics, Nanyang 473000, Henan Province, China Co-corresponding author: Cheng Yongzhong, Chief physician, Wangjing Hospital, China Academy of Chinese Medical Sciences, Beijing 100102, China; Traditional Chinese Medicine Hospital of Nanyang, Nanyang 473000, Henan Province, China
About author:Liu Fei, MD, Wangjing Hospital, China Academy of Chinese Medical Sciences, Beijing 100102, China; Key Laboratory of Biomechanics for Nanyang Traditional Chinese Medicine Orthopedics, Nanyang 473000, Henan Province, China Deng Xinheng, MS, Attending physician, Traditional Chinese Medicine Hospital of Nanyang, Nanyang 473000, Henan Province, China Liu Fei and Deng Xinheng contributed equally to this article.
Supported by:
Clinical Evidence-Based Research Project for the Construction of High-Level TCM hospitals in Wangjing Hospital, China Academy of Chinese Medical Sciences, No. WJYY-XZKT-2023-14 (WCL); Research and Transformation Application of Clinical Characteristic Diagnosis and Treatment Technologies in the Capital, No. Z2211007422075 (to CYZ); Henan Province TCM Scientific Research Project, No. 2024ZY2197 (to WCL); Nanyang Basic and Frontier Technology Research Plan Project, No. GJGG121 (to DXH)

摘要/Abstract

摘要：
文题释义：
数字算法：是指用于处理数字数据的计算方法，广泛应用于各个领域，通常涉及数值计算、数据处理、分析和优化等方面，以提高效率和准确性。数字算法的设计和实现通常需要考虑效率和准确性，以确保在处理大规模数据时能够快速且精确地得出结果。
AO-C2型桡骨远端骨折：是根据AO/OTA分类系统对桡骨远端骨折进行的一种分类，指骨折线涉及桡骨远端关节面，伴随干骺端的骨折，形成一个不稳定的骨折类型。

摘要
背景：传统的骨折CT影像阅片主要依赖于医生的经验，存在主观性强和误差较大的问题。因此，开发基于数字算法的骨折CT影像识别软件能够有效辅助医生进行骨折类型及位移、旋转等特征的准确识别，具有重要的临床意义。
目的：验证自主开发骨折CT影像识别软件在AO-C2型桡骨远端骨折中的诊断准确性、骨折点识别稳定性，对比软件与医师测量的骨折块位移、旋转角度的差异，探讨CT影像识别软件的临床应用前景。
方法：收集2024年1-6月南阳市中医院收治的25例AO-C2型桡骨远端骨折患者的CT影像，应用骨折CT影像识别软件进行了一系列验证，包括软件在骨折类型、骨折点识别、骨折移位方面的测量，对比骨折CT影像识别软件与医师医疗影像存储与传输系统影像识读测量数据的差异；应用变异系数、双向组内相关系数一致性分析、Bland-Altman分析评估两种方案测量结果的稳定性及一致性。
结果与结论：①骨折CT影像识别软件对骨折类型识别准确率达92%；总骨折点识别的变异系数均小于19%，关节面骨折点变异系数均小于25%，骨干部骨折点变异系数均小于18%，骨折点识读稳定性良好；②组内相关系数分析表明，不同级别医师应用骨折CT影像识别软件测量骨折块移位、旋转值均具有较高的一致性；③Bland-Altman分析表明软件测量与医师医疗影像存储与传输系统测量在骨折位移中无显著差异，软件在骨折块旋转测量中具有较高的精准性；④提示基于数字算法的骨折CT影像识别软件在骨折点识别中具有较好的稳定性，在骨折移位、旋转识别上具有较好的一致性与精准性，对骨折旋转的识别明显优于医疗影像存储与传输系统测量，在AO-C2型桡骨远端骨折的应用中具有良好的临床应用前景，能够辅助医师更快地做出治疗决策。

中国组织工程研究杂志出版内容重点：人工关节；骨植入物；脊柱；骨折；内固定；数字化骨科；组织工程

关键词: 桡骨远端骨折, CT影像, 数字算法, 识别软件, 骨折类型, 骨折点识别, 骨折移位

Abstract: BACKGROUND: Traditional interpretation of fracture CT images primarily depends on physician experience, leading to substantial subjectivity and potential for significant error. Consequently, developing fracture CT image recognition software based on digital algorithms can effectively assist physicians in accurately identifying fracture types, displacement, rotation, and other features, which is of great clinical significance.
OBJECTIVE: To validate the diagnostic accuracy and stability of fracture point recognition of self-developed CT imaging recognition software for AO-C2 type distal radius fractures, compare the differences in displacement and rotation data of fracture fragments measured by the software and physicians, and explore the clinical application prospects of the CT imaging recognition software.
METHODS: CT images were collected from 25 cases of AO-C2 type distal radius fractures treated at Nanyang Traditional Chinese Medicine Hospital between January and June 2024. A series of validations were performed using the fracture CT imaging recognition software, assessing its performance in fracture type identification, fracture point recognition, and displacement measurement. Differences between the software and physician measurements based on the picture archiving and communication system were compared. The stability and consistency of the results were analyzed using the coefficient of variation, intraclass correlation coefficient, and Bland-Altman analysis.
RESULTS AND CONCLUSION: (1) The fracture CT imaging recognition software achieved a 92% accuracy rate in identifying fracture types. The overall coefficient of variation for fracture point recognition was below 19%, with coefficient of variation for joint surface fracture points under 25% and for bone shaft fracture points under 18%, demonstrating good stability in fracture point recognition. (2) Intraclass correlation coefficient analysis revealed high consistency in displacement and rotation measurements of fracture fragments by physicians of varying experience levels using the fracture CT image recognition software. (3) Bland-Altman analysis showed no significant differences in fracture displacement measurements between the software and those obtained by physicians using the picture archiving and communication system, while the software exhibited high precision in measuring the rotation of fracture fragments. (4) This study indicates that the fracture CT imaging recognition software, based on digital algorithms, shows good stability in recognizing fracture points and strong consistency and precision in identifying fracture displacement and rotation. The recognition of fracture rotation is significantly better than that of picture archiving and communication system. It holds promising clinical application prospects for AO-C2 type distal radius fractures, enabling physicians to make quicker treatment decisions.

Key words: distal radius fracture, CT imaging, digital algorithms, recognition software, fracture type, fracture point identification, fracture displacement

中图分类号:

刘飞, 邓新恒, 成永忠, 尹晓冬, 李晓敏, 朱书朝, 王朝鲁. 数字算法骨折CT影像识别软件识别AO-C2型桡骨远端骨折的精准性及稳定性[J]. 中国组织工程研究, 2026, 30(15): 3929-3935.

Liu Fei, Deng Xinheng, Cheng Yongzhong, Yin Xiaodong, Li Xiaomin, Zhu Shuchao, Wang Chaolu. Accuracy and stability of digital algorithm-based CT imaging recognition software in identifying AO-C2 type distal radius fractures[J]. Chinese Journal of Tissue Engineering Research, 2026, 30(15): 3929-3935.

图/表（结果） 5

参考文献

[1] CHINTA SR, CASSIDY MF, TRAN DL, et al. Epidemiology of distal radius fractures: Elucidating mechanisms, comorbidities, and fracture classification using the national trauma data bank. Injury. 2024;55(2): 111217.
[2] FLINKKILA T, SIRNIO K, HIPPI M, et al. Epidemiology and seasonal variation of distal radius fractures in Oulu, Finland. Osteoporos Int. 2011;22(8):2307-2312.
[3] NELLANS KW, KOWALSKI E, CHUNG KC. The epidemiology of distal radius fractures. Hand Clin. 2012;28(2):113-125.
[4] 李庭, 孙志坚, 姚东晨, 等. 成人桡骨远端骨折诊断与治疗循证指南(2024)[J]. 骨科临床与研究杂志, 2024,9(5):257-274.
[5] CHHABRA AB, YILDIRIM B. Adult Distal Radius Fracture Management. J Am Acad Orthop Surg. 2021;29(22):e1105-e1116.
[6] 中华医学会骨科学分会创伤骨科学组, 中华医学会骨科学分会外固定与肢体重建学组. 中国成人桡骨远端骨折诊疗指南(2023)[J]. 中华创伤骨科杂志,2023,25(1):6-13.
[7] ALLURI RK, HILL JR, GHIASSI A. Distal Radius Fractures: Approaches, Indications, and Techniques. J Hand Surg Am. 2016;41(8):845-854.
[8] MANN FA, WILSON AJ, GILULA LA. Radiographic evaluation of the wrist: what does the hand surgeon want to know? Radiology. 1992;184(1): 15-24.
[9] KALMET P, SANDULEANU S, PRIMAKOV S, et al. Deep learning in fracture detection: a narrative review. Acta Orthop. 2020;91(2): 215-220.
[10] GUERMAZI A, TANNOURY C, KOMPEL AJ, et al. Improving Radiographic Fracture Recognition Performance and Efficiency Using Artificial Intelligence. Radiology. 2022;302(3):627-636.
[11] KUO R, HARRISON C, CURRAN TA, et al. Artificial Intelligence in Fracture Detection: A Systematic Review and Meta-Analysis. Radiology. 2022;304(1):50-62.
[12] ZHAO H, LIU Z, TANG J, et al. Energy-efficient high-fidelity image reconstruction with memristor arrays for medical diagnosis. Nat Commun. 2023;14(1):2276.
[13] 屈锐, 李开南. 深度学习技术在骨折诊断中应用的研究进展[J]. 中华创伤杂志,2023,39(4):378-384.
[14] 宋浩然, 张玉强, 谷娜, 等. 基于Citespace对人工智能在骨创伤研究的可视化分析[J]. 中国组织工程研究,2025,29(3):493-502.
[15] YANG L, GAO S, LI P, et al. Recognition and Segmentation of Individual Bone Fragments with a Deep Learning Approach in CT Scans of Complex Intertrochanteric Fractures: A Retrospective Study. J Digit Imaging. 2022;35(6):1681-1689.
[16] LIU P, HAN H, DU Y, et al. Deep learning to segment pelvic bones: large-scale CT datasets and baseline models. Int J Comput Assist Radiol Surg. 2021;16(5):749-756.
[17] ZHOU Q, QIN P, LUO J, et al. Evaluating AI rib fracture detections using follow-up CT scans. Am J Emerg Med. 2023;72:34-38.
[18] 胥少汀,葛宝丰,徐印坎. 实用骨科学[M]. 北京: 人民军医出版社, 2012.
[19] MEINBERG EG, AGEL J, ROBERTS CS, et al. Fracture and Dislocation Classification Compendium-2018. J Orthop Trauma. 2018;32 Suppl 1: S1-S170.
[20] KOTTNER J, AUDIGE L, BRORSON S, et al. Guidelines for Reporting Reliability and Agreement Studies (GRRAS) were proposed. J Clin Epidemiol. 2011;64(1):96-106.
[21] ZHANG J, YAO X, SONG Y, et al. Establishment and preliminary evaluation of CT-based classification for distal radius fracture. Sci Rep. 2024;14(1):9673.
[22] 宋彬略, 周童飞, 梁辉, 等. 螺旋CT三维重建技术用于AO-C型桡骨远端骨折的诊断价值[J]. 中国基层医药,2021,28(2):258-262.
[23] SEIGERMAN D, LUTSKY K, FLETCHER D, et al. Complications in the Management of Distal Radius Fractures: How Do We Avoid them? Curr Rev Musculoskelet Med. 2019;12(2):204-212.
[24] COGNET JM, MARES O. Distal radius malunion in adults. Orthop Traumatol Surg Res. 2021;107(1S):102755.
[25] 杨燕青, 郑宏, 王慧燕, 等. 医护人员压力源与应对策略现状分析[J]. 中华全科医学,2018,16(6):983-988.
[26] TEOH K, SINGH J, MEDISAUSKAITE A, et al. Doctors’ perceived working conditions, psychological health and patient care: a meta-analysis of longitudinal studies. Occup Environ Med. 2023;80(2):61-69.
[27] MYERS TG, RAMKUMAR PN, RICCIARDI BF, et al. Artificial Intelligence and Orthopaedics: An Introduction for Clinicians. J Bone Joint Surg Am. 2020;102(9):830-840.
[28] PRIJS J, LIAO Z, ASHKANI-ESFAHANI S, et al. Artificial intelligence and computer vision in orthopaedic trauma: the why, what, and how. Bone Joint J. 2022;104-B(8):911-914.
[29] 田楚伟, 陈翔溆, 朱桓毅, 等. 机器学习在创伤骨科中的应用与展望[J]. 中国修复重建外科杂志,2023,37(12):1562-1568.
[30] LANGERHUIZEN D, JANSSEN SJ, MALLEE WH, et al. What Are the Applications and Limitations of Artificial Intelligence for Fracture Detection and Classification in Orthopaedic Trauma Imaging? A Systematic Review. Clin Orthop Relat Res. 2019;477(11):2482-2491.
[31] XIN C, LI B, WANG D, et al. Deep learning for the rapid automatic segmentation of forearm muscle boundaries from ultrasound datasets. Front Physiol. 2023;14:1166061.
[32] 王一寒, 李杨, 张玲, 等. 数字骨科三维可视化技术在股骨转子间骨折复位内固定中的应用[J]. 中国组织工程研究,2021,25(24): 3816-3820.
[33] DANKELMAN L, SCHILSTRA S, IJPMA F, et al. Artificial intelligence fracture recognition on computed tomography: review of literature and recommendations. Eur J Trauma Emerg Surg. 2023;49(2):681-691.
[34] LUQUE-LUQUE A, PEREZ-CANO FD, JIMENEZ-DELGADO JJ. Complex fracture reduction by exact identification of the fracture zone. Med Image Anal. 2021;72:102120.
[35] ZENG B, WANG H, TAO X, et al. A bidirectional framework for fracture simulation and deformation-based restoration prediction in pelvic fracture surgical planning. Med Image Anal. 2024;97:103267.
[36] JEON YD, JUNG KH, KIM MS, et al. Clinical validation of artificial intelligence-based preoperative virtual reduction for Neer 3- or 4-part proximal humerus fractures. BMC Musculoskelet Disord. 2024;25(1): 669.
[37] ALOWAIS SA, ALGHAMDI SS, ALSUHEBANY N, et al. Revolutionizing healthcare: the role of artificial intelligence in clinical practice. BMC Med Educ. 2023;23(1):689.
[38] 张鑫, 陈夫涛, 陆加明, 等. 人工智能在医学影像科全流程管理应用场景中的研究进展[J]. 中华放射学杂志,2023,57(10):1042-1046.
[39] STASSEN P, WESTERMAN D. Novice Doctors in the Emergency Department: A Scoping Review. Cureus. 2022;14(6):e26245.
[40] ANDERSON PG, BAUM GL, KEATHLEY N, et al. Deep Learning Assistance Closes the Accuracy Gap in Fracture Detection Across Clinician Types. Clin Orthop Relat Res. 2023;481(3):580-588.

引言

材料方法

1.1 设计 回顾性病例分析，将所收集CT影像数据导入软件进行骨折识别与模拟复位，通过计算变异系数、组内相关系数(intraclass correlation efficient，ICC)及Bland-Altman分析判定软件稳定性及结果的一致性。
1.2 时间及地点 试验于2024年6-9月在南阳市中医骨伤生物力学重点实验室完成。
1.3 对象 收集2024年1-6月南阳市中医院收治的25例AO-C2型桡骨远端骨折患者的CT影像资料，其中女16例，男9例；年龄20-67岁。所有患者均符合诊断及分型标准。
纳入标准：距离桡骨远端关节面3 cm内的骨折[18]；分型标准参考2018年AO/OTA桡骨远端骨折分型标准[19]。
排除标准：合并其他骨折或严重骨质疏松的患者，以减少混杂因素对结果的影响。
CT影像由同一台GE64排螺旋CT(Optima CT660，管电压120 kV，管电流为200 mA，层厚为1 mm)拍摄，影像数据以DICOM格式导出并存储。
此次研究获得南阳市中医院伦理委员会审批通过(审批号：2024-06)，所有患者均知情同意并自愿参与此次研究。
1.4 软件来源 作者研究团队前期开发设计了一套专门针对桡骨远端骨折CT影像识别软件，结合医学图像分析技术，综合医学影像、数学建模、数字图像处理与分析、数字算法等，把CT的模拟图像转变为数字图像存储和传输，应用递进式算法，自动识别勾选区域的CT值，对比分析CT值变化，判断区域骨折点；通过法兰坐标系，可以创建患者骨骼的三维模型，实现骨折移位精准化识别与模拟复位操作，开发出专用软件实现骨折CT阅片的智能化，完成了软件训练、识别、质量控制及人机交互处理方案。
1.5 方法
1.5.1 骨折CT影像识别软件执行研究团队3名成员包括一名主治医师、一名住院医师、一名在读研究生，分别将患者的CT影像导入骨折CT影像识别软件(第7版)，完成智能化识读并进行质量控制，软件导出报告包括：①骨折类型；②骨折点检测包含关节面骨折点、骨干部骨折点及总骨折点；③关节面两骨折块分别在X、Y、Z方向的位移(mm)、旋转角度(°)。
1.5.2 临床医师阅片执行团队上述3名成员分别于医疗影像存储与传输系统(picture archiving and communication system，PACS)进行影像识读，标定关节面2个骨折块的中心点，测量其在冠状面、矢状面、水平面相对于骨干部的位移、旋转数值。
1.6 主要观察指标 软件输出的骨折类型，关节面骨折点、骨干部骨折点及总骨折点数量，软件及人工测量所得关节面两骨折块分别在X、Y、Z方向的位移、旋转等。
1.7 统计学分析 应用SPSSAU(https://spssau.com)进行数据分析。计算3次重复测量结果的均值和标准差，进行描述性统计分析。计算变异系数衡量数据的相对稳定性，当变异系数≤30%时，数据较稳定。双向ICC一致性分析评估两种测量方式下3名医师测量结果的一致性，一般认为，ICC为0.90-0.95表明数据具有较高的一致性和可靠性，ICC > 0.95表明一致性极好[20]；Bland-Altman分析比较两种测量方式在骨折移位和旋转测量方面的差异性和一致性；P < 0.05为差异有显著性意义。文章统计学方法已经中国中医科学院生物统计学专家审核。

中国组织工程研究杂志出版内容重点：人工关节；骨植入物；脊柱；骨折；内固定；数字化骨科；组织工程

讨论

此次研究系统性地探讨了由作者团队开发的基于数字算法骨折CT识别软件在AO-C2型桡骨远端骨折CT影像识别中的应用。螺旋CT扫描具有层面薄、密度分辨率高的特点，已经成为桡骨远端骨折评估的重要工具，医师可以从各层面清晰地观察到骨折线及骨折块的移位情况[21]，在AO-C型桡骨远端骨折及腕关节隐匿性骨折的诊断中应用普遍[22]。基于数字算法的骨折点识别技术是作者开发软件的特点之一，此软件的研发旨在改善传统影像学方法在骨折诊断中的不足，以提高临床决策的准确性和效率，利用了螺旋CT高分辨率的影像特点，应用图像降噪处理、递进式算法，能够快速、准确地定位骨皮质不连续的点，减少了医师在诊断过程中的主观判断误差。同时，对桡骨远端骨折类型的识别提高了诊断的准确性和效率，软件可以提供客观数据支持，为临床医师提供了可靠的决策支持。变异系数是用于衡量数据离散程度的相对统计量，当变异系数≤
30%时，数据较稳定；此次统计分析发现，软件骨折点识别变异系数值均小于25%，稳定性良好。
作者对比了3名医师应用两种方法测量骨折移位及旋转值，软件组的ICC值均高于医师PACS系统测量组，说明不同年资医师应用此软件均具有较高的一致性；两种方式测量值Bland-Altman检验表明，软件组与医师PACS系统测量组在骨折旋转移位的测量中具有显著差异性，导致此差异的可能有以下几点原因：①研究者在PACS系统测量骨折块旋转时较难操作，手动选择的测量点容易产生误差；②医师在使用PACS系统时，可能受到个人经验、判断和主观意识的影响，需要操作者具备较高的专业技能和经验；③软件可以通过模拟复位的过程，更准确地追溯骨折块原始的位置和旋转状态，而 PACS系统缺乏此功能，在测量时可能只是基于当前骨折块的位置进行估算，无法考虑到骨折移位的整体情况，从而导致测量结果不够精准；④CT拍摄体位也会影响测量的精准性，软件具有数据校准功能，将骨骼结构与法兰坐标系相匹配，避免了因此引起的误差。桡骨远端骨折畸形愈合经常由于骨块发生旋转或移位[23]，引发腕关节活动受限、握力减弱及长期疼痛等并发症[24]，导致患者劳动能力及生活能力下降，影响生活质量[4]。此软件集成了骨折块分割、模拟复位等多项功能，骨折块识别效率高、骨折位移判断精准，输出骨折块移位、旋转值可以为医师骨折复位提供更为直观、可靠的参考，有助于临床医师制定及时有效的干预策略。
随着医疗需求的增加，医师面临着越来越大的工作压力，尤其是在急诊、骨科和外科等领域，医师需要在短时间内做出准确的诊断和治疗决策[25-26]。机器学习、数字算法与医师之间的有效协作，将成为创伤骨科未来医疗发展的一个重要方向[27-28]。通过建立数字算法与人机协作的工作流程，可以在影像分析中发挥重要作用，从而提高诊断的效率和准确
性[29-31]，协助术前规划可以缩短手术时间，减少术中出血量，提高复位质量[32]。具体而言，数字算法可以通过迅速识别和标记CT影像中的骨折，帮助医师更快地获取关键信息，这不仅减少了医师在影像解读上的时间消耗，还降低了人为错误的风险，使得医疗决策更加科学和可靠[30，33]。通过精准识别骨折和模拟复位，可以完成骨折块对齐、旋转复位的功能，解决复杂骨折术前规划等问题[34]。ZENG等[35]开发了骨盆骨折模拟复位和手术规划的算法，手术规划的时间为52.9 s，
临床验证复位效果良好。JEON等[36]基于人工智能对肱骨近端骨折虚拟复位以协助术前手术规划，得到了临床医师的广泛认可。需要说明的是，此软件作为一个智能助手，可辅助医师进行更复杂的临床决策，而非取代医师的工作。此外，由于人工智能、数字算法能够承担重复性和繁琐的任务，医师可以从中解放出来并专注于更具挑战性和创造性的工作，可以提升医疗服务整体质量和医师的工作满意度[37-38]。
低年资医师由于经验不足，往往需要较长的学习周期来掌握影像分析和疾病诊断的技能[39]，研究表明，深度学习算法降低了经验不足临床医师的漏诊率，有助于医疗质量的提升[40]。
尽管此次研究展示了数字算法在骨折CT影像识别中的良好表现，但关节面骨折点识别中，部分病例所得一致性结果较差，在临床实际应用中还需要通过对大量病例数据的积累与分析，进一步优化算法，对软件系统迭代更新；由于此次研究属于回顾性研究，AO-C2型桡骨远端骨折仍分不同亚型，选择性偏差是不可避免的；且仅选取了25例患者的CT影像进行分析，为了更全面地验证软件效果，未来研究需要扩大样本量、开展临床随机对照研究，以便为医师提供更明确的参考。
综上所述，此次研究表明基于数字算法的骨折CT影像识别软件在骨折点识别中具有较好的稳定性，在骨折移位、旋转识别上具有较好的一致性与精准性，通过与临床医师的深入合作，不仅提高了影像分析的效率，还在一定程度上减轻了医师的工作负担，在AO-C2型桡骨远端骨折的应用中具有良好的临床应用前景。随着技术的不断进步，数字算法、人工智能在骨折诊断及治疗中的应用将更加广泛，将为骨科临床实践带来新的机遇与挑战。
中国组织工程研究杂志出版内容重点：人工关节；骨植入物；脊柱；骨折；内固定；数字化骨科；组织工程

数字算法骨折CT影像识别软件识别AO-C2型桡骨远端骨折的精准性及稳定性

Accuracy and stability of digital algorithm-based CT imaging recognition software in identifying AO-C2 type distal radius fractures

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表（结果） 5

参考文献

相关文章 8

引言

材料方法

讨论

文章快阅

延伸阅读

编辑推荐

Metrics

本文评价

[1]	吕绍茂, 蓝佐珍, 吴文雪, 池金澄, 段少银. 基于CT影像儿童枢椎正常发育与变异的解剖特征[J]. 中国组织工程研究, 2025, 29(21): 4545-4551.
[2]	蓝佐珍, 钱雅楠, 池金澄, 黄炳旭, 段少银. CT研究寰椎正常发育与变异[J]. 中国组织工程研究, 2023, 27(22): 3573-3579.
[3]	徐光华, 刘鸿宇, 张立夫, 谢少明, 邓堃, 赵长义. 跆拳道运动对跟骨骨皮质厚度与骨小梁应力分布的影响[J]. 中国组织工程研究, 2021, 25(35): 5582-5587.
[4]	卢秋平，桂裕昌，许建文，覃海飚，饶远森. 维生素D受体基因多态性与胸腰段骨质疏松性椎体压缩骨折半定量分型的关联[J]. 中国组织工程研究, 2019, 23(35): 5577-5581.
[5]	奚彬，杨莹，李冬成，丁燕萍，殷渠东. 桡骨远端双柱die-punch骨折影像学类型：骨折分型及力学机制[J]. 中国组织工程研究, 2018, 22(27): 4405-4409.
[6]	付裕，林冰，李筱贺. C₄-C₆前路固定参数CT影像数字化钉道模拟测量的临床意义[J]. 中国组织工程研究, 2015, 19(4): 606-611.
[7]	关群，冯世龙，唐进，廖乙名，杨涛，程军 . 特殊类型髋臼骨折的一期全髋关节置换[J]. 中国组织工程研究, 2013, 17(43): 7514-7520.
[8]	徐佳明，艾自胜，张长青. 胫腓骨骨折固定物与固定方式的研究进展[J]. 中国组织工程研究, 2013, 17(4): 663-671.