Detekce fraktur pomocí rentgenového snímku má zásadní význam pro účinnou léčbu pacienta. Navzdory pokroku zůstávají přehlédnuté fraktury významným problémem. Tato studie hodnotí diagnostický výkon modelu hlubokého učení ve srovnání s radiology při identifikaci fraktur na rentgenových snímcích muskuloskeletálního systému. Pro účely naší studie jsme shromáždili studijní vzorek (n_SAMPLE) 600 rentgenových snímků pediatrických a dospělých pacientů, snímky byly retrospektivně analyzovány dvěmi čtenáři stanovující základní pravdu, čtyřmi radiology s různou úrovní zkušenosti zapojenými do multi-reader studie a modelem umělé inteligence (Carebot AI Bones 1.2.2 Carebot s.r.o.). Základní pravda byla stanovena pro 548 snímků (n_GT), včetně 95 případů fraktur (n_FRACTURE) a 453 normálních případů (n_NORMAL). Výsledky ukázaly, že systém AI dosáhl senzitivity (Se) 0,884 (0,804-0,934) a specificity (Sp) 0,879 (0,845-0,906). Pro srovnání, senzitivita radiologů se pohybovala od 0,695 (0,596-0,778) do 0,832 (0,744-0,894) a jejich specificita od 0,962 (0,941-0,976) do 0,993 (0,981-0,998). Model s umělou inteligencí překonal radiology v Se napříč různými částmi těla, zejména v oblastech s vyšší prevalencí zlomenin, přičemž v některých kategoriích vykazoval srovnatelnou Sp. Tato studie zdůrazňuje potenciál AI pro zvýšení diagnostické přesnosti v klinické praxi.
.png)
