S'abonner

Deep learning for the radiographic diagnosis of proximal femur fractures: Limitations and programming issues - 26/03/21

Doi : 10.1016/j.otsr.2021.102837 
Sylvain Guy , Christophe Jacquet, Damien Tsenkoff, Jean-Noël Argenson, Matthieu Ollivier
 Institut du Mouvement et de l’appareil Locomoteur, 270, boulevard de Sainte Marguerite, 13009 Marseille, France 

Corresponding author.

Bienvenue sur EM-consulte, la référence des professionnels de santé.
Article gratuit.

Connectez-vous pour en bénéficier!

Abstract

Introduction

Radiology is one of the domains where artificial intelligence (AI) yields encouraging results, with diagnostic accuracy that approaches that of experienced radiologists and physicians. Diagnostic errors in traumatology are rare but can have serious functional consequences. Using AI as a radiological diagnostic aid may be beneficial in the emergency room. Thus, an effective, low-cost software that helps with making radiographic diagnoses would be a relevant tool for current clinical practice, although this concept has rarely been evaluated in orthopedics for proximal femur fractures (PFF). This led us to conduct a prospective study with the goals of: 1) programming deep learning software to help make the diagnosis of PFF on radiographs and 2) to evaluate its performance.

Hypothesis

It is possible to program an effective deep learning software to help make the diagnosis of PFF based on a limited number of radiographs.

Methods

Our database consisted of 1309 radiographs: 963 had a PFF, while 346 did not. The sample size was increased 8-fold (resulting in 10,472 radiographs) using a validated technique. Each radiograph was evaluated by an orthopedic surgeon using RectLabel™ software (rectlabel.com/), by differentiating between healthy and fractured zones. Fractures were classified according to the AO system. The deep learning algorithm was programmed on Tensorflow™ software (Google Brain, Santa Clara, Ca, USA, tensorflow.org). In all, 9425 annotated radiographs (90%) were used for the training phase and 1074 (10%) for the test phase.

Results

The sensitivity of the algorithm was 61% for femoral neck fractures and 67% for trochanteric fractures. The specificity was 67% and 69%, the positive predictive value was 55% and 56%, while the negative predictive value was 74% and 78%, respectively.

Conclusion

Our results are not good enough for our algorithm to be used in current clinical practice. Programming of deep learning software with sufficient diagnostic accuracy can only be done with several tens of thousands of radiographs, or by using transfer learning.

Level of evidence

III; Diagnostic studies, Study of nonconsecutive patients, without consistently applied reference “gold” standard.

Le texte complet de cet article est disponible en PDF.

Keywords : Deep learning, Artificial intelligence, Traumatology, Proximal femur fracture

Abbreviations : AI, PFF, ED


Plan


© 2021  Elsevier Masson SAS. Tous droits réservés.
Ajouter à ma bibliothèque Retirer de ma bibliothèque Imprimer
Export

    Export citations

  • Fichier

  • Contenu

Vol 107 - N° 2

Article 102837- avril 2021 Retour au numéro
Article précédent Article précédent
  • Median nerve entrapment syndrome in the elbow and proximal forearm. Anatomic causes and results for a 55-case surgical series at a mean 7 years’ follow-up
  • Clara Sos, Steven Roulet, Ludovic Lafon, Philippe Corcia, Jacky Laulan, Guillaume Bacle
| Article suivant Article suivant
  • Impact of introducing extremity cone-beam CT in an emergency radiology department: A population-based study
  • Thibaut Jacques, Vincent Morel, Julien Dartus, Sammy Badr, Xavier Demondion, Anne Cotten

Bienvenue sur EM-consulte, la référence des professionnels de santé.

Mon compte


Plateformes Elsevier Masson

Déclaration CNIL

EM-CONSULTE.COM est déclaré à la CNIL, déclaration n° 1286925.

En application de la loi nº78-17 du 6 janvier 1978 relative à l'informatique, aux fichiers et aux libertés, vous disposez des droits d'opposition (art.26 de la loi), d'accès (art.34 à 38 de la loi), et de rectification (art.36 de la loi) des données vous concernant. Ainsi, vous pouvez exiger que soient rectifiées, complétées, clarifiées, mises à jour ou effacées les informations vous concernant qui sont inexactes, incomplètes, équivoques, périmées ou dont la collecte ou l'utilisation ou la conservation est interdite.
Les informations personnelles concernant les visiteurs de notre site, y compris leur identité, sont confidentielles.
Le responsable du site s'engage sur l'honneur à respecter les conditions légales de confidentialité applicables en France et à ne pas divulguer ces informations à des tiers.


Tout le contenu de ce site: Copyright © 2025 Elsevier, ses concédants de licence et ses contributeurs. Tout les droits sont réservés, y compris ceux relatifs à l'exploration de textes et de données, a la formation en IA et aux technologies similaires. Pour tout contenu en libre accès, les conditions de licence Creative Commons s'appliquent.