고관절 골절 분류 딥러닝: 외부 검증과 판독 보조 평가

두 기관 영상 4,493장으로 개발하고 외부 기관의 675장으로 검증했습니다.

개발 4,493장, 외부 675장, 판독 비교 341장을 구분한 도표입니다. 341장은 외부 자료의 일부로 세 막대를 합산하지 않습니다. Table III의 0.83–0.89는 세 의사의 평균 열 값으로, 평가 주체 설명의 불일치 때문에 AI 단독 민감도로 표시하지 않습니다.
Bone & Joint Journal (2025). DOI: 10.1302/0301-620X.107B2.BJJ-2024-0791.R1 · Original explanatory chart based on reported data
근거·원문 그림 이용조건

연구에서 묻는 질문

AI가 고관절 골절 네 유형을 분류하고 의사 판독을 보조할 수 있을까?

대상과 방법

CNN 분류와 DAMO-YOLO 전처리·증강을 사용했습니다. 두 기관에서 개발하고 독립 기관에서 외부 검증했습니다. AI 보조 전후 판독도 비교했습니다. 5,168 AP radiographs: 내부 4,493장, 외부 675장.

주요 결과

두 기관 영상 4,493장으로 개발하고 외부 기관의 675장으로 검증했습니다. Table III의 외부 민감도 0.83·0.89·0.88·0.85는 세 의사(A·B·C)의 평균 열에 제시된 값입니다. 표의 주석과 초록의 모델 성능 설명이 일치하지 않아 AI 단독 민감도 수치로 제시하지 않습니다.

진료와 수술에서 읽을 지점

진단과 골절 유형 분류를 보조하는 모델입니다. 수술 선택의 효과를 평가한 연구는 아닙니다.

해석의 제한

후향적 영상 분류 연구입니다. 유형별 민감도·특이도는 전체 정확도와 다르며, 환자의 회복이나 수술 결과 개선을 직접 입증하지 않습니다. 초록·결과의 설명과 Table III의 판독자 주석 사이에 불일치가 있습니다. 표 번호와 평가 주체를 구분해 읽어야 합니다.

짧게 정리하면

어떤 진료 질문과 연결되나요?

진단과 골절 유형 분류를 보조하는 모델입니다. 수술 선택의 효과를 평가한 연구는 아닙니다.

Keywords · 주제어

Hip Fractures
Deep Learning
Retrospective Studies
Sensitivity and Specificity
Neural Networks, Computer
Radiography
Aged, 80 and over
AI

Abstract · 원문 초록

Zhiqian Zheng, Byeong Y Ryu, Sung E Kim, Dae S Song, Seong H Kim, Jung-Wee Park, Du H Ro. Deep learning for automated hip fracture detection and classification : achieving superior accuracy. The bone & joint journal. 2025;107-B(2):213-220. doi:10.1302/0301-620X.107B2.BJJ-2024-0791.R1.

AIMS

The aim of this study was to develop and evaluate a deep learning-based model for classification of hip fractures to enhance diagnostic accuracy.

METHODS

A retrospective study used 5,168 hip anteroposterior radiographs, with 4,493 radiographs from two institutes (internal dataset) for training and 675 radiographs from another institute for validation. A convolutional neural network (CNN)-based classification model was trained on four types of hip fractures (Displaced, Valgus-impacted, Stable, and Unstable), using DAMO-YOLO for data processing and augmentation. The model's accuracy, sensitivity, specificity, Intersection over Union (IoU), and Dice coefficient were evaluated. Orthopaedic surgeons' diagnoses served as the reference standard, with comparisons made before and after artificial intelligence assistance.

RESULTS

The accuracy, sensitivity, specificity, IoU, and Dice coefficients of the model for the four fracture categories in the internal dataset were as follows: Displaced (1.0, 0.79, 1.0, 0.70, 0.82), Valgus-impacted (1.0, 0.80, 1.0, 0.70, 0.82), Stable (0.99, 0.95, 0.99, 0.83, 0.89), and Unstable (1.0, 0.98, 0.99, 0.86, 0.92), respectively. For the external validation dataset, the sensitivity and specificity were as follows: Displaced (0.83, 0.94), Valgus-impacted (0.89, 0.90), Stable (0.88, 0.95), and Unstable (0.85, 0.99), respectively. The overall means (Micro AVG and Macro AVG) for the external dataset were Micro AVG (0.83 (SD 0.05), 0.96 (SD 0.01)) and Macro AVG (0.69 (SD 0.02), 0.95 (SD 0.02)), respectively.

CONCLUSION

Compared to human diagnosis alone, our study demonstrates that the developed model significantly improves the accuracy of detecting and classifying hip fractures. Our model has shown great potential in assisting clinicians with the accurate diagnosis and classification of hip fractures.

PubMed에서 초록 보기

원래 논문

Deep learning for automated hip fracture detection and classification: achieving superior accuracy

Zhiqian Zheng, Byeong Y Ryu, Sung E Kim, Dae S Song, Seong H Kim, Jung-Wee Park, Du H Ro
Bone & Joint Journal · 2025

DOI · 10.1302/0301-620X.107B2.BJJ-2024-0791.R1 PubMed 근거 자료

심사된 학술지 논문

연구 수치로 읽는 결과