European Radiology：诊断肛提肌撕脱伤的人工智能模型

众所周知，提肛肌（LAM）在女性盆腔器官的支持和功能方面起着重要作用。大约有10-30%的妇女在第一次阴道分娩后会发生LAM撕脱。已经证实，撕脱与更晚期的盆腔器官脱垂（POP）和更严重的生活质量损害有关，且LAM撕脱容易在手术后复发。由于复发率高，一些外科医生主张对患有POP和脱垂的妇女使用网状移植材料以减少并发症的风险。因此，术前评估LAM的完整性对于手术方法的选择和网片的使用至关重要。

虽然LAM撕脱可以通过触诊来诊断，但这需要大量的训练且主观性较强。三维和四维（3D/4D）经阴超声（TPUS）具有可重复性、广泛的可及性和有效性等优点，近年来被常规应用于LAM形态的评估。然而，该技术在一定程度上依赖于经验，需要经过一定时期的标准化训练才能达到较高的诊断准确率。

近年来，深度学习已经被引入到医学领域以帮助疾病筛查及诊断。然而据我们所知，还没有使用人工智能确定LAM撕脱的相关研究。

近日，发表在European Radiology杂志的一项研究评估了断层超声成像自动识别LAM撕脱的新算法的可行性，并通过比较自动和金标准的人工诊断来评估其可靠性，为临床更准确、快速的识别及诊断LAM撕脱提供了技术支持。

本研究纳入了2018年1月-2020年10月期间拍摄的共计304名患者的盆底超声图像。纳入的所有患者都进行了标准化的访谈和经阴超声检查（TPUS）。采用转移学习和集合学习方法，在三个经典卷积神经网络（CNN）的基础上开发了拟议的模型。混淆矩阵（CM）和ROC统计学被用来评估拟议模型的有效性。梯度加权类激活映射（Grad-CAMs）被用来帮助提高拟议模型的可解释性。 

在纳入的304名患者中，208人纳入推导队列（108名LAM撕脱和100名正常），96人（39名LAM撕脱和57名正常）纳入验证队列。在派生队列和验证队列的测试集中，所提出的LAM撕脱诊断模型的均表现优于其他模型和初级临床医生，准确率分别为0.95和0.81，AUC为0.98和0.86。根据Grad-CAMs的热图，所提出的模型在进行诊断时主要定位在耻骨联合和LAM的双侧插入点之间的区域，这正是临床实践中关注的区域。 

图 使用Grad-CAM对集合模型进行可视化的示例子。左图：超声图像。右图：热图图像。a正常LAM。b，c两侧LAM撕脱。突出显示的视觉效果反映了预测时LAIM的关注区域。黄色箭头代表LAM的断裂点。白色箭头表示LAIM中存在过拟合现象

综上所述，本研究利用盆底的超声图像提出了一个复合人工智能模型，并取得了相对较好的性能。这是临场上首次尝试LAM完整性的自动识别，所提出的模型是临床实践中协助诊断LAM撕脱的一个十分具有临床前景的影像学工具。

原文出处：

Shuangyu Wu,Yong Ren,Xin Lin,et al.Development and validation of a composite AI model for the diagnosis of levator ani muscle avulsion.DOI:10.1007/s00330-022-08754-y