使用腕部X光片识别早产儿代谢性骨病的深度学习模型

守护脆弱的新生儿骨骼

极早产婴儿面临许多隐匿的健康风险，其中最严重的之一是骨骼脆弱和矿化不足，可能在毫无征兆的情况下发生骨折。医生常依赖腕部X光来寻找早期损伤，但典型迹象往往很隐晦，容易被遗漏，尤其是在繁忙的医院或缺乏专科医生的地方。本研究介绍了一种基于深度学习的计算机程序，能够读取早产婴儿的腕部X光，帮助医生更早、更准确地发现骨骼问题，从而有可能预防疼痛性骨折和长期并发症。

为何微小骨骼需要额外关注

早产儿代谢性骨病是指极小、极早出生的婴儿骨骼矿化不良的情况。由于这些婴儿错过了孕期最后几周——正是在此期间大量的钙与磷沉积到骨骼中——他们格外脆弱。风险在出生于28周前或体重低于1500克的婴儿中最高，且通常在出生后4到8周达到高峰。血液检查可以提示问题，但医生通常通过腕部X光确认怀疑，X光在桡骨生长端可见到细微变化。不幸的是，这些变化可能直到骨质流失已相当严重时才出现，而且即便出现，对于非专家来说也难以识别。

教计算机解读腕部X光

为了解决这一问题，韩国研究人员汇集了两家大型医院超过一千名极低出生体重婴儿的腕部X光影像。经验丰富的专家对来自其中一家医院的814名婴儿的2239张图像进行了仔细复核，并标注每张X光为正常骨骼或代谢性骨病的征象。他们在桡骨末端的关键区域画了一个方框，以便计算机专注于人工专家使用的相同区域。随后，团队在这些裁剪后的图像上训练了几种最先进的深度学习模型，并采用常规的数据增强手段，如轻微旋转、调亮或模糊图像，使算法能适应新生儿重症监护影像的复杂现实。

数字读片器的表现如何

在测试的七个模型中，一种名为DenseNet‑121的网络表现最佳。在原始医院未见过的X光上，它约能在92%的病例中正确区分正常与异常影像，并且在排除疾病方面表现尤为出色，很少漏诊。当该模型面临来自第二家医院（设备和患者不同）的X光时，仍然表现强劲，总体准确性高，且在区分可疑与正常影像方面表现优异。进一步分析显示，当模型判定正确时，其关注的区域与人类专家相同，表明它学到的是具有医学意义的模式，而非数据的随机特征。

为医生提供更智能的第二意见

研究人员随后请八名儿科医生和三名放射科医生两次解读腕部X光：一次单独阅读，一次在显示模型预测结果的情况下阅读。有了这个数字助理，临床医生在准确性和一致性方面都有提高。在原始医院的影像上，平均准确率从约三分之二提升到超过五分之四，虚惊和漏诊率均下降。在解读第二家医院的影像时也出现了类似的改进。收益对儿科医生尤为显著——他们在骨骼影像方面的经验通常有限。对于他们来说，AI支持将一项具有挑战且易出错的任务转变为更接近放射科医生水平的判断，同时略微减少了读片时间。

这对早产婴儿可能意味着什么

简单来说，这项研究表明，经过良好训练的计算机程序可以成为照护脆弱早产婴儿医生可靠的第二双眼。尽管该模型不能取代临床判断或血液检查，但它能更容易地标出值得进一步关注的X光，尤其在缺乏儿科放射科医生的医院更有价值。更早、更有把握地发现骨质减弱，可能促使及时调整营养、监测和处理方式，从而降低疼痛性骨折和长期生长问题的风险。随着进一步改进、更大的数据集以及血液标志物的整合，这类AI工具有望成为全球新生儿病房的标准配备，默默在后台保护最小的患者。

引用: Park, S.G., Jeong, S., Cho, M. et al. Deep learning model for identification of metabolic bone disease of prematurity using wrist radiographs. Sci Rep 16, 7885 (2026). https://doi.org/10.1038/s41598-026-37116-7

关键词: 早产儿, 骨骼健康, 医学影像人工智能, 腕部X光, 新生儿重症监护