AI帮你看膝盖：用深度学习快速发现异常

本研究旨在评估深度学习重建（DLR）技术在膝关节磁共振成像（MRI）中的应用效果，并进一步考察将DLR与人工智能辅助压缩感知（ACS）技术联合使用时，对膝关节异常病变的诊断价值。研究前瞻性纳入10名健康志愿者和40名膝关节异常患者；患者被随机分为三组：常规扫描组（Con）、ACS组、以及ACS+DLR联合组。研究人员先在健康志愿者中优化扫描加速参数（加速因子设为1–3），再比较三组在扫描时间、信噪比（SNR）、对比噪声比（CNR）、主观图像质量评分及医生诊断信心等方面的差异。两位分别拥有10年和15年经验的肌骨影像科医生，在完全不知分组信息的情况下独立阅片，诊断依据为MRI标准征象，包括信号异常、形态变形和结构中断等。组间差异采用单因素方差分析或Friedman检验，观察者一致性用组内相关系数（ICC）评估。结果显示：相比常规扫描，ACS组和ACS+DLR组扫描时间均缩短55%，SNR和CNR显著提高；两组的图像质量和诊断信心评分也明显优于常规组；而ACS+DLR联合组又进一步优于单独ACS组。特别值得注意的是，该联合技术能更清晰地分级半月板撕裂程度、有效减少金属植入物引起的伪影、并更好显示骨髓水肿及周围软组织结构。综上，ACS联合DLR可在大幅缩短膝关节MRI检查时间的同时，保持甚至提升图像质量，从而帮助医生更可靠地发现早期或微小的膝关节结构损伤。