《Radiography》：External validation of a pre-trained hybrid convolutional neural network in radiographers agreement of positioning in lateral knee radiographs
编辑推荐：
本刊推荐：针对膝侧位X光摆位评估存在主观性、技师间一致性不足的问题，本研究通过外部验证预训练的混合卷积神经网络，为放射技师提供实时颜色编码的AI决策支持。结果显示，AI辅助轻微提升了判读准确性与特异性，并改善了技师间的一致性(ICC从0.52升至0.59)，但并未取代专业判断。研究表明AI工具有助于标准化放射成像质量评估流程，同时维护技师的独立临床决策能力。
膝侧位X光检查是诊断膝关节损伤与退行性病变的基石，其图像质量直接影响诊断准确性。然而，技师对图像摆位（尤其是股骨髁对齐情况）的评估，高度依赖个人经验与主观判断，导致不同观察者之间存在显著差异。随着检查量的增加，技师工作压力增大，疲劳可能导致评估错误风险上升。传统上，这可能导致不必要的重拍，增加患者辐射暴露和医疗成本。尽管人工智能（AI）在医学影像分析领域展现出巨大潜力，但其作为决策支持工具，如何影响放射技师的批判性思维和临床判断，特别是能否在提升效率的同时保持专业自主性，仍是一个悬而未决的问题。为此，来自VIA大学学院的Simon Lysdahlgaard等研究者在《Radiography》上发表了一项研究，旨在外部验证一个用于评估膝侧位X光股骨髁对齐情况的预训练AI模型，并量化其作为决策支持工具对放射技师分类表现的影响。
为了回答上述问题，研究人员主要运用了以下关键技术方法：1）使用一个基于Xception架构、在4000张膝X光片上预训练的混合卷积神经网络（CNN）AI模型。2）构建一个新的数据集，包含从同一影像部门连续收集的400张负重膝侧位X光片，并由两位资深报告放射医师（分别有15年和8年经验）建立关于股骨髁理想摆位的“共识参考标准”。3）招募来自三家不同机构的9名临床诊断放射技师，使用定制软件，在无AI辅助和有AI辅助（提供颜色编码反馈：绿色为接受，红色为拒绝）两种条件下，独立对400张图像进行分类（接受或拒绝），两次评估间隔一个月以消除记忆偏倚。4）采用卡方检验、诊断准确性指标（敏感性、特异性）、固定效应荟萃分析和组内/组间相关系数（ICC）进行统计分析。
研究结果显示：
- •
AI模型自身性能：与共识参考标准相比，AI单独判断的准确率为78.4%，敏感性为52.3%，特异性为85.8%。参考标准认为77.7%的图像可接受，AI的判断与之接近（77.2%）。
- •
AI对放射技师分类的影响：总体而言，AI支持使图像被分类为“接受”的比例从73.4%显著增加至77.2%（P<0.001）。根据参考标准，图像被正确分类的比例从84.5%上升至89.8%（P<0.001）。具体而言，使用AI后，技师的敏感性（正确识别需重拍图像的能力）下降，而特异性（正确识别可接受图像的能力）上升。
- •
观察者间与观察者内一致性变化：无AI辅助时，所有9名观察者的组间一致性ICC为0.52，在获得AI评估结果后上升至0.59。然而，按医院分层分析时，一致性变化模式不同（例如，医院A的ICC从0.71降至0.53，而医院C则从0.49升至0.67）。观察者内一致性（ICC）在有AI和无AI支持下均处于中等至高度水平，但观察者6是个例外，其ICC值较低（0.22）。
- •
个体差异：临床经验最短（3年）的放射技师（观察者6）受AI工具影响最大。在没有AI支持时，其特异性表现近乎随机，而在AI辅助下提升至接近完美；但敏感性却呈现相反的变化趋势。
研究结论与讨论指出，这项研究表明AI决策支持可以适度提高放射技师对膝侧位X光摆位评估的准确性和特异性，并促进判断的一致性。然而，这种提升是以牺牲对次优摆位图像（可能需要重拍）的识别能力（敏感性下降）为代价的。这意味着，使用该特定AI工具可能导致更多诊断质量受损的图像被接受。一个关键发现是，AI并未凌驾于专业判断之上或导致对AI建议的盲从，经验丰富的临床从业者在获得实时反馈后仍保持了独立的决策能力。研究特别强调，临床经验最浅的技师对AI的依赖度最高，AI帮助其避免了大量不必要的重拍，但副作用是更不加批判地接受了更多AI的错误分类。这凸显了在临床实施AI前，不仅需告知其益处，还需明确其缺陷和潜在陷阱，这对于经验不足、对自身专业技能信心较低的技师尤为重要。传统的摆位评估具有主观性，而AI提供了一种标准化的途径。尽管有调查显示放射技师对AI持积极态度，但多数人未经过正式培训即开始使用，因此AI系统的直观性、易用性至关重要。本研究的局限性包括数据集规模有限、缺乏多样性，且图像拒绝率（基于严格的摆位标准）远高于临床常规报告的废片率，AI在更典型废片率（如5%）环境下的表现尚不明确。未来，实时反馈的AI系统，甚至能指导如何为患者或X射线管重新摆位，具有广阔前景。总之，AI工具的实施需要辅以针对性培训，让使用者充分了解其优势与短板，以确保其在提升放射成像质量评估一致性的同时，不损害临床判断的自主性。
