简介：摘要目的探讨常规MRI中T2加权成像（T2-weighted imaging，T2WI）及频率选择饱和法（frequency-selective saturation，FS）脂肪抑制T2WI序列在评估骨质疏松中的价值。材料与方法收集重庆医科大学附属大学城医院行腰椎MRI及双能X线吸收法(dual-energy X-ray absorptiometry，DXA）骨密度测定的88例受检者资料，根据DXA骨密度结果分为正常组、骨质减少组及骨质疏松组，另外，骨质减少组与骨质疏松组又归为骨质异常组。分析腰1至腰4椎体矢状面T2WI及FS-T2WI的信号强度差值在各组间的差异及对骨质异常的诊断效能。结果各组信号差值分别为：正常组为103.95±34.08，骨质减少组为193.46±38.35，骨质疏松组为206.80±34.72，骨质异常组为202.65±35.99。正常组、骨质减少组、骨质疏松组三组间差异有统计学意义(F=88.19，P<0.01)，骨质减少组与正常组间差异有统计学意义(P<0.01)，骨质疏松组与正常组间差异有统计学意义(P<0.01)，骨质减少组与骨质疏松组间差异无统计学意义(P=0.24 ）；正常组与异常组间差异有统计学意义(P<0.01)。信号差值=156.15时，区分骨质正常与异常的ROC曲线下面积最大，为0.983，敏感度和特异度分别为93.3%、93.0%。结论常规MRI T2WI及FS-T2WI图像信号差值能通过检测骨髓脂肪组织含量间接反映骨质情况，对骨质疏松的诊断具有提示意义。

简介：摘要目的构建一种发育性髋关节发育不良（developmental dysplasia of the hip，DDH）超声图像的人工智能（artificial intelligence，AI）辅助诊断的深度学习系统并验证。方法回顾性收集2019年1月至2021年1月的2 000段儿童髋关节超声影像片段，并选取影像片段中标准截面2 000张，所有标准截面均由标注小组通过使用基于Python 3.6环境的自编软件使用图片跨媒体数据标注与人工审核标准化流程用统一的标准进行处理。随机选取其中1 753张用于训练深度学习系统，余247张用于测试系统。再从测试集中随机选取200张标准截面，并由8位临床医生独立完成读片标注，将8份独立结果与AI结果进行比较。结果测试集共247例，与临床医生测量相比，判读髋关节是否成熟的诊断受试者工作特征曲线（receiver operating characteristic curve，ROC）下的面积（area under the ROC，AUC）为0.865，灵敏度为76.19%，特异性为96.90%。Graf详细分型下的深度学习系统判读的AUC为0.575，灵敏度为25.90%，特异性为89.10%。根据Bland-Altman方法确定的α角[95% LoA（-4.7051°，6.5948°），Bias -0.94，P<0.001]和β角[95% LoA（-7.7191，6.8777），Bias -0.42，P=0.077]，与8位临床医生相比AI系统判读结果均更为稳定，且β角效果更为突出。结论新型人工智能系统可快速且准确的测量标准髋关节超声平面的Graf法相关指数。