基于深度學習的死后CT肋骨骨折自動檢測：領域偏移分析與模型性能評估

《International Journal of Legal Medicine》：Automatic rib fracture detection on postmortem CT data using deep learning

【字體： 大 中 小 】 時間：2025年12月05日 來源：International Journal of Legal Medicine 2.3

　　

在法醫鑒定中心，肋骨骨折的識別是一項關乎生死判定的關鍵任務。據統計，在瑞士洛桑-日內瓦法醫中心（CURML）的死后放射學檢查中，近半數案例存在肋骨骨折。這些骨折可能源于交通事故的猛烈撞擊、高空墜落的重創，甚至心肺復蘇術的醫療操作——后者導致的骨折概率高達80%。更復雜的是，許多遺體還伴有陳舊性骨折，這些愈合痕跡如同生命歷程的檔案，需要被精確記錄和分析。然而，傳統CT影像中肋骨骨折的檢測猶如大海撈針，即使經驗豐富的放射科醫生平均靈敏度也僅達75.6%，且需耗費大量時間。

深度學習（DL）技術為這一困境帶來轉機。臨床研究表明，AI輔助診斷可使放射科醫生的檢測靈敏度提升20個百分點，并大幅縮短分析時間。但死后CT（PMCT）與臨床CT存在顯著差異：遺體因尸僵常保持手臂環抱胸腹的姿勢，掃描區域可能殘留心電監護導線、氣管插管等醫療器具，這些因素構成顯著的"領域偏移"（domain shift），導致基于臨床數據訓練的模型在法醫場景中表現急劇下滑。目前國際上僅有兩項研究涉及PMCT肋骨骨折分類，尚無針對骨折檢測與定位的深入探索。

為此，Manel Lopez-Melia團隊在《International Journal of Legal Medicine》發表研究，首次系統評估了nnDetection深度學習模型在PMCT數據上的肋骨骨折檢測性能，并深入剖析了臨床與法醫影像的領域偏移機制。研究人員采用逆向思維設計實驗：一方面用50例PMCT掃描（PMRF數據集）訓練專用模型nnDetPM，另一方面用660例臨床CT掃描（RibFrac數據集）訓練對照模型nnDetClin，通過交叉測試揭示領域偏移的影響程度。

關鍵技術方法

研究采用多中心數據對比分析策略：PMRF數據集包含50例低放射學改變（RA<50）的成人PMCT掃描，由資深法醫放射科醫生使用3D Slicer進行骨折標注，采用"人機協同"流程完善標注質量；RibFrac數據集包含公開的660例臨床CT掃描。使用nnDetection對象檢測框架，保持默認參數（50輪訓練+10輪隨機權重平均，初始學習率0.01），在五折交叉驗證環境中進行模型訓練與評估。

研究結果

PMRF數據集標注特征

50例PMCT共標注698處肋骨骨折，其中訓練集30例含378處骨折（每例12.6處），測試集19例含241處骨折（12.7處/例）。與臨床RibFrac數據集相比，PMRF的骨折標注體積更小（中位數437.74 mm³ vs 2013.81 mm³），反映法醫標注更聚焦骨皮質微小異常。

模型性能對比

nnDetPM在PMRF測試集上表現優異：平均靈敏度70.2%，平均精度（IoU 0.1）78.1%，顯著優于nnDetClin的19.8%靈敏度。反觀臨床數據測試，nnDetPM在RibFrac測試集仍保持61.5%靈敏度，說明PM到臨床的領域偏移影響較小。進一步分析顯示，nnDetClin在PMCT中誤將指骨、醫療器具（如呼吸管、拉鏈）識別為骨折，而模型對陳舊性骨折的檢測反而更優（73% vs 54%）。

骨折分類嘗試

增設骨折類型分類的nnDetPM_CLASS模型對急性骨折檢測靈敏度達69.9%，但對陳舊性骨折僅51.5%，表明模型更擅長識別急性損傷特征。兩類骨折的漏檢模式與未分類模型基本一致，說明分類任務未顯著提升檢測性能。

極端案例驗證

在含79處骨折的廣泛損傷（ED）測試案例中，兩模型均表現不佳：nnDetPM檢出18處骨折（零誤報），nnDetClin僅檢出4處（16處誤報）。模型對移位距離大的骨折、椎旁區骨折和粉碎性骨折識別能力最弱，凸顯復雜骨折模式的檢測挑戰。

結論與展望

本研究證實領域偏移是阻礙臨床AI模型向法醫場景遷移的關鍵瓶頸。PMCT專用訓練的nnDetPM模型達到與放射科醫生相當的檢測靈敏度，且誤報率更低（PMRF測試集1.74 FPPS vs 6.21 FPPS）。研究首次明確三大領域偏移因素：遺體姿態導致的肢體遮擋、醫療器具干擾、重建核函數差異。盡管數據集規模（50例PMCT）限制了模型對復雜骨折的識別能力，但結果為法醫影像AI奠定了重要基石。未來將通過多中心合作擴大數據集，探索自監督學習技術，并整合全身分割模型（如TotalSegmentator）提升模型魯棒性。這項研究不僅為法醫鑒定提供了可落地的計算機輔助檢測（CADe）工具，更建立了跨領域醫學影像分析的方法論范式。