استخدام الذكاء الاصطناعي في اكتشاف الكسور

تُعد رعاية الرضوح في أقسام الطوارئ مرهونة بالاكتشاف السريع والدقيق للكسور، لما له من دور جوهري في تخفيف معاناة المرضى وتفادي المضاعفات الخطيرة. وهنا يبرز دور الذكاء الاصطناعي كأداة ثورية تُحدث تحولًا في مسار التشخيص الطبي، وتسهم في رفع كفاءة الإجراءات وتعزيز سلاسة سير العمل داخل القسم.

أظهرت العديد من الدراسات قدرة الذكاء الاصطناعي على اكتشاف الكسور الدقيقة التي قد لا يلاحظها الأطباء في بعض الأحيان. فعلى سبيل المثال، كشفت دراسة عُرضت في مؤتمر RSNA 2023 أن الذكاء الاصطناعي تفوّق على اختصاصيي الأشعة في اكتشاف الكسور التي غالبًا ما يتم التغاضي عنها، ما يشير إلى أن التعاون بين اختصاصي الأشعة والذكاء الاصطناعي قد يُحسن من دقة التشخيص.

كما بدأت المعايير الوطنية تأخذ بعين الاعتبار الدور المتنامي للذكاء الاصطناعي في سير عمل التشخيص الطبي. ففي المملكة المتحدة، أوصى المعهد الوطني للصحة وجودة الرعاية (NICE) باستخدام نظام Rayvolve®، وهو حل ذكاء اصطناعي يشمل أربعة محاور رئيسية:

• AZtrauma: اكتشاف الكسور
• AZchest: أمراض الصدر
• AZmeasure: قياسات الزوايا والأطوال
• AZboneage: تقدير العمر العظمي

وتؤكد توصية NICE على القيمة السريرية للذكاء الاصطناعي، لا سيما في أقسام الطوارئ، لدوره في تقليل الأخطاء التشخيصية وتحسين سرعة ودقة اتخاذ القرار الطبي (المصدر: nice.org.uk).

يمثّل استخدام الذكاء الاصطناعي في اكتشاف الكسور خطوة أولى نحو مرحلة جديدة من الدقة التشخيصية وتسريع مسار الرعاية للمريض. في هذا المقال، نسلّط الضوء على آلية عمل هذه التقنية، وما يمكن أن تضيفه من قيمة حقيقية في بيئة العمل الطبي لأطباء الأشعة.

استخدام الذكاء الاصطناعي لاكتشاف الكسور في التصوير الطبي

يُعتبر AZtrauma من الحلول الذكية الرائدة في مجال الأشعة، وهو برنامج ذكاء اصطناعي معتمد بالكامل ضمن نموذج "البرمجيات الطبية كخدمة" (MDaaS)، طوّرته شركة AZMED للكشف عن الكسور. يعتمد النظام على خوارزميات متقدمة في التعلّم العميق ورؤية الحاسوب لتحليل الصور الطبية بدقة، والتعرّف على الكسور، والخلوع، و الانصبابات المفصلية.

يوفر AZtrauma دعمًا حقيقيًا لأخصائي الأشعة من خلال تعزيز دقة التشخيص وتسريع سير العمل. كما يعمل كقارئ ثانٍ ذكي، ما يساعد في تقليل احتمالية تفويت الإصابات الدقيقة أو المعقدة، خاصة في أقسام الطوارئ أو في الحالات ذات الأحجام الكبيرة من الصور.

وبصفته أداة مساعدة في التشخيص، يقدّم AZtrauma عددًا من المزايا المهمة مقارنة بالأساليب التقليدية، أبرزها:

تقنيات التعلّم الآلي المتقدمة

يعتمد Rayvolve® AI Suite من شركة AZMED على أحدث نماذج التعلّم العميق، بما في ذلك الشبكات العصبية الالتفافية (CNNs) والمحوّلات البصرية (Visual Transformers)، لتوفير دعم تشخيصي دقيق وفعّال لأطباء الأشعة.

تم تدريب النظام على واحدة من أضخم قواعد بيانات صور الأشعة السينية في العالم، تضم أكثر من 15 مليون صورة مشروحة بعناية من قبل أطباء أشعة معتمدين، مما مكّنه من التعرّف على أنماط الكسور الدقيقة والمعقّدة بكفاءة عالية.

هذا التدريب المكثّف يجعل من AZtrauma أداة قوية تدعم كفاءة أطباء الأشعة في الممارسة اليومية. فيما يلي نظرة عامة على مراحل تطوير النموذج:

• إنشاء قاعدة البيانات: تبدأ العملية بجمع عدد كبير من صور الأشعة السينية، تتضمن حالات مصابة بالكسور وأخرى سليمة.
• الشرح والتوصيف الطبي: يقوم أطباء أشعة مختصون بترميز الكسور وتحديد مواقعها بدقة في الصور، لتكون مرجعًا موثوقًا للتدريب.
• تدريب النموذج: يتعلم النموذج من البيانات الموصوفة كيفية التمييز بين الأنماط المختلفة للكسور من خلال تكرار العمليات وتحسين الأداء تدريجيًا.
• التحقق والتقييم: يتم اختبار النموذج باستخدام صور جديدة أو لم تُستخدم من قبل، للتحقّق من دقته وكفاءته في التطبيق العملي.

مزايا استخدام الذكاء الاصطناعي في اكتشاف الكسور

يعتمد نظام AZtrauma على خوارزميات متقدمة لتحليل صور الأشعة، مما يعزز دقة اكتشاف الكسور الدقيقة، ويقلّل من معدلات التشخيصات الخاطئة، سواء الإيجابية أو السلبية الكاذبة. ويتميز النظام بقدرته العالية على توفير قراءات متّسقة وسريعة، ما يُمكّن من تحديد الحالات الحرجة بشكل فوري، وتقليص أوقات الانتظار، وتسريع بدء العلاج في الوقت المناسب.

كما يُخفف AZtrauma من عبء المهام المتكررة عبر تنفيذها بشكل آلي، مما يمكّن أطباء الأشعة من التركيز على الحالات المعقدة، وبالتالي تقليل الإرهاق المهني وتحسين كفاءة الأداء داخل أقسام التصوير الطبي.

خلال مؤتمر RSNA لعام 2023، عرض الدكتور شون راج (Sean Raj)، مدير الابتكار في SimonMed، دراسة لتقييم أداء الذكاء الاصطناعي Rayvolve®3 .وشملت الدراسة مقارنة بين بيانات الفحوصات لعام 2022 (من دون استخدام الذكاء الاصطناعي) وعام 2023 (مع استخدامه)، حيث تم تحليل ما مجموعه 159,601 فحصًا في 2022 و170,703 فحصًا في 2023.

أبرز النتائج:

• ارتفعت نسبة اكتشاف الكسور من 10.4% بدون الذكاء الاصطناعي إلى 11.8% عند استخدامه.
• تم تقليص متوسط زمن إعداد التقرير للحالات الإيجابية للكسور من 48 ساعة إلى 8.3 ساعات فقط باستخدام الذكاء الاصطناعي — أي بانخفاض قدره 39 ساعة في المتوسط.‍

تطبيق الحلول المعتمدة على الذكاء الاصطناعي في المؤسسات الصحية

تعتمد AZmed نهجًا شاملًا في تدريب العاملين في القطاع الصحي، يشمل تقديم أساسيات الذكاء الاصطناعي، والتدريب العملي على استخدام برنامج AZtrauma، بالإضافة إلى إرشادات حول كيفية قراءة تقارير التشخيص المدعومة بالذكاء الاصطناعي وتوظيفها بشكل فعّال في اتخاذ القرار الطبي.

ولأن كل منشأة صحية لها متطلباتها الخاصة من حيث البنية التحتية ومتطلبات الأمان، توفر AZmed ثلاث نماذج مختلفة للتكامل: على الخوادم المحلية (On-Premise)، عبر الشبكات الخاصة الافتراضية (VPN)، أو مزيج بين الاثنين (On-premise & VPN). وقد تم تصميم هذه النماذج بعناية لضمان حماية بيانات المرضى، ومنع تسربها، مع توفير حلول آمنة لإدارة الشبكات وتخزين البيانات. تمنح هذه المرونة المؤسسات الصحية القدرة على اختيار النموذج الأنسب لاحتياجاتها وسياساتها الأمنية القائمة.

‍

التكامل مع أنظمة التصوير الطبي القائمة

‍

يُدمج نظام AZtrauma بسلاسة ضمن سير العمل في المستشفيات، حيث يتصل مباشرة بأنظمة التصوير الطبي لتقديم دعم تشخيصي مدعوم بالذكاء الاصطناعي:

‍

خطوة الربط التقني

التفاصيل

الاتصال بنظام PACS (نظام أرشفة الصور والاتصالات)

يتصل نظام الذكاء الاصطناعي بنظام أرشفة الصور والاتصالات بالمستشفى

معالجة الصور

يقوم النظام تلقائيًا بمعالجة صور الأشعة الجديدة

عرض النتائج

يُبرز الكسور المحتملة ليراجعها اختصاصي الأشعة

‍

عملية تحديد الكسور بشكل فوري

عند التقاط صورة أشعة جديدة:

1. يستقبل نظام الذكاء الاصطناعي الصورة على الفور
2. يقوم النموذج المدرب بتحليل الصورة لاكتشاف أنماط الكسور
3. تُعرض النتائج خلال ثوانٍ مع إبراز مواضع الكسور المحتملة
4. يقوم اختصاصي الأشعة بمراجعة النتائج المدعومة بالذكاء الاصطناعي خلال العرض الثانوي للصورة لإجراء التفسير النهائي

‍

خاتمة

باستخدام خوارزميات التعلم العميق التي تم تدريبها على مجموعات بيانات ضخمة، يقوم نظام AZtrauma بتحليل الأشعة السينية خلال ثوانٍ لاكتشاف كسور العظام التي قد يكون من الصعب أحيانًا تفسيرها. فوائد هذه التقنية واضحة، حيث توفر دقة تشخيص أفضل، نتائج أسرع، وفرصًا أكبر لتوفير التكاليف على أنظمة الرعاية الصحية.

على الرغم من الإمكانيات الواعدة للذكاء الاصطناعي في اكتشاف الكسور، إلا أن التغلب على التحديات المتعلقة بجودة البيانات، والتحيّز في الخوارزميات، ودمج هذه التقنية بسلاسة ضمن الأنظمة الصحية الحالية يُعد أمرًا حيويًا وضروريًا. تلتزم AZmed بمواجهة هذه التحديات للحفاظ على أداء AZtrauma العالي و موثوقيته أثناء الاستخدامات السريرية .مع استمرار البحث والتطوير، من المتوقع أن تقوم التقنيات الحديثة والمستقبلية بتحسين أداء الذكاء الاصطناعي في تشخيص الكسور، وتوسيع نطاق استخدامه، وتعزيز جودة رعاية المرضى بشكل أكبر.

للاطلاع على مزيد من المعلومات حول حل AZtrauma، يمكنكم مراجعة الدراسات السريرية المتاحة هنا.

حالياً، تم اعتماد نظام AZtrauma في مراكز SimonMed Imaging، ويمكنكم متابعة المقابلة الكاملة التي أجراها "JT Radiologue" خلال مؤتمر RSNA 2024.

الولايات المتحدة الأمريكية
تصنيف الجهاز الطبي: الفئة الثانية (Class II) وفقًا لموافقة 510(k).
يُعدّ Rayvolve برنامجًا لمساعدة الكشف والتشخيص (CAD) يهدف إلى دعم أطباء الأشعة وأطباء الطوارئ في اكتشاف الكسور أثناء مراجعة صور الأشعة للجهاز العضلي الهيكلي. يُستخدم الجهاز لكل من البالغين والأطفال (من عمر سنتين فما فوق).

الاتحاد الأوروبي
تصنيف الجهاز الطبي: الفئة الثانية أ (Class IIa) في أوروبا (CE 2797) ووفقًا للوائح الأجهزة الطبية (2017/745).
يُعتبر Rayvolve أداة تشخيص بمساعدة الحاسوب، تهدف إلى مساعدة أطباء الأشعة وأطباء الطوارئ في اكتشاف وتحديد مواقع التغيرات غير الطبيعية في صور الأشعة التقليدية.

‍

الأدلة السريرية

أكبر دراسة أُجريت حتى الآن حول اكتشاف الكسور بالذكاء الاصطناعي تُثبت موثوقية AZtrauma عبر 195,706 صورة أشعة للجهاز العضلي الهيكلي من 26 دولة

الهدف

هدف هذا التقييم هو تحليل أول دراسة دولية متعددة المراكز لمجموعة حلول الذكاء الاصطناعي Rayvolve®، لتقييم أدائها في الظروف الواقعية عبر بيئات سريرية وفئات مرضى متنوعة، حيث شكّل AZtrauma الجزء الأكبر من مجموعة البيانات.

الطرق

بين عامي 2022 وأبريل 2025، تم جمع صور الأشعة من 100 مركز طبي في 26 دولة وعلى 5 قارات، بإجمالي 258,373 صورة. شكلت بيانات AZtrauma نسبة 75.7% منها، أي ما يعادل 195,706 صورة أشعة للجهاز العضلي الهيكلي. قام 13 مقيّمًا خبيرًا بتوصيف جميع الصور بالتوافق باستخدام نموذج قراءة مزدوجة، وتولّى مقيّم ثالث اتخاذ القرار النهائي في الحالات المتباينة. تمثلت المعايير الأساسية في المساحة تحت المنحنى (AUC)، والحساسية، والخصوصية، والقيمة التنبؤية الإيجابية (PPV)، والقيمة التنبؤية السلبية (NPV)، مع تحليلات فرعية حسب الفئة العمرية، والجنس، وجزء الجسم، والدولة.

النتائج

حقق AZtrauma مساحة إجمالية تحت المنحنى بلغت 98.3% (فاصل ثقة 95%: 98.2%–98.4%)، وحساسية 97.4%، وخصوصية 96.4%، وقيمة تنبؤية سلبية 99.7%. وبلغت المساحة تحت المنحنى للكسور 98.7%، بحساسية وخصوصية بلغتا 98.2% وـ 93% على التوالي. أما لاكتشاف الخلوع فبلغت المساحة تحت المنحنى 95.6%، بحساسية وخصوصية بلغتا 93.4% وـ 96.7% على التوالي. وبلغت المساحة تحت المنحنى لاكتشاف الانصبابات المفصلية 97.5%، بحساسية وخصوصية بلغتا 96.1% وـ 98.8% على التوالي. وأظهرت النتائج أداءً قويًا ومتسقًا عبر جميع الفئات الفرعية في مجموعة البيانات، بما في ذلك جميع الفئات العمرية للأطفال، والبالغين فوق 60 عامًا، وكلا الجنسين؛ ولجميع أجزاء الجسم الـ 17، وعبر جميع المناطق الجغرافية، بمساحة تجاوزت 96%، وحساسية تجاوزت 93%، وخصوصية تجاوزت 93%.

الخاتمة

تُمثّل هذه الدراسة أوسع عملية تحقق تم نشرها حتى الآن لأداة اكتشاف كسور تعتمد على الذكاء الاصطناعي، والأكثر تنوعًا من الناحية الجغرافية. وأظهرت بيانات AZtrauma أداءً مرتفعًا وموثوقًا وقابلًا للتعميم بشكل مستمر في البيئات السريرية الواقعية، مما يؤكد موثوقية هذه الأداة الداعمة للتشخيص لجميع فئات المرضى، وأجزاء الجسم، وظروف التقاط الصور.

لمزيد من التفاصيل: منشور في مجلة Radiography

تقييم إمكانات أداة التعلم العميق لتحسين اكتشاف الكسور من قبل أطباء الأشعة وأطباء الطوارئ على صور الأشعة للأطراف

الهدف

تقييم الأداء المستقل لأداة تعتمد على الذكاء الاصطناعي وتقنيات التعلم العميق في اكتشاف الكسور على صور الأشعة للأطراف، بالإضافة إلى تقييم أداء أطباء الأشعة وأطباء الطوارئ في التعرف على الكسور في الأطراف مع الاستعانة بالأداة وبدونها.

‍

‍

الطرق

تم تطوير أداة الذكاء الاصطناعي سابقًا باستخدام 132,000 صورة أشعة لجهاز الهيكل العظمي الطرفي، مقسمة إلى 87% تدريب، 11% تحقق، و2% مجموعة اختبار. تم تقييم الأداء المستقل للأداة على 2626 صورة أشعة مجهولة الهوية من مؤسسة واحدة في ولاية أوهايو، شملت على الأقل 140 فحصًا لكل منطقة من مناطق الجسم .استند التقييم إلى قرار موحّد من ثلاثة أطباء أشعة عضلية هيكلية (MSK) أمريكيين معتمدين كمعيار مرجعي. أُجريت دراسة استعادية شارك فيها عدة خبراء تقييم شملت 24 مشاركًا (ثمانية أطباء طوارئ، وثمانية أطباء أشعة غير متخصصين في MSK، وثمانية أطباء أشعة متخصصين في MSK) حيث قاموا بتحديد الكسور في 186 حالة خلال جلستين مستقلتين مع وبدون مساعدة الذكاء الاصطناعي، مع فترة استراحة قدرها شهر بين الجلستين. تم مقارنة الدقة (الممثلة بمساحة تحت منحنى الاستقبال والتشغيل)، الحساسية، الخصوصية التشخيصي, ووقت القراءة مع وبدون مساعدة النموذج.

النتائج

حقق النموذج دقة مستقلة بلغت 0.986، حساسية بنسبة 0.987، وخصوصية بلغت 0.885، مع دقة عالية (> 0.95) عبر تصنيفات حسب جزء الجسم، العمر، الجنس، زوايا الأشعة، ونوع الجهاز المستخدم. باستخدام مساعدة الذكاء الاصطناعي، ارتفعت دقة القارئ بمقدار 0.047 (فاصل ثقة 95%: 0.034 إلى 0.061؛ القيمة الاحتمالية p = 0.004)، وتحسنت الحساسية بشكل ملحوظ من 0.865 (فاصل ثقة 95%: 0.848 إلى 0.881) إلى 0.955 (فاصل ثقة 95%: 0.944 إلى 0.964). كما تم تقليل متوسط زمن القراءة بمقدار 7.1 ثوانٍ (27%) لكل فحص. وعند التصنيف حسب نوع الطبيب، كانت هذه التحسينات أكثر وضوحًا لدى أطباء الطوارئ وأطباء الأشعة غير المتخصصين في MSK.

الخاتمة

أظهرت الأداة الذكية دقة عالية مستقلة، وساعدت في رفع دقة التشخيص لدى الأطباء، كما قلّلت من زمن قراءة الصور.

للمزيد من التفاصيل: منشور في مجلة Academic Radiology

‍

التقييم الخارجي لخوارزمية التعلم العميق المتوفرة تجاريًا لاكتشاف الكسور عند الأطفال

الهدف

هدف هذه الدراسة هو اجراء تحقق خارجي لخوارزمية تقييم الكسور المعتمدة على التعلم العميق (Rayvolve®) باستخدام صور الأشعة الرقمية لمجموعة واقعية من الأطفال الذين يتوجهون بشكل روتيني إلى قسم الطوارئ.

‍

الطرق

أُجريت هذه الدراسة الاستعادية على 2634 مجموعة صور أشعة (5865 صورة) لـ 2549 طفلاً (1459 ذكور، 1090 إناث؛ متوسط العمر 8.5 ± 4.5 سنة؛ النطاق العمري: من 0 إلى 17 سنة) تم تحويلهم من قسم الطوارئ للأطفال بسبب الإصابات. تم تسجيل لكل مجموعة ما إذا تم العثور على كسر واحد أو أكثر، وعدد الكسور، ومواقعها كما حدّدها أطباء الأشعة الكبار والخوارزمية. باستخدام تشخيص أطباء الأشعة الكبار كمرجع أساسي، تم حساب أداء خوارزمية التعلم العميق (Rayvolve®) من خلال ثلاث طرق مختلفة: طريقة الكشف (وجود أو عدم وجود كسر كمتغير ثنائي)، طريقة العد (العدد الدقيق للكسور المكتشفة)، وطريقة التمركز (تقييم ما إذا كانت الكسور المكتشفة محددة الموقع بشكل صحيح). كما أُجريت تحليلات فرعية بناءً على وجود الجبيرة أو عدمها، الفئة العمرية (0–4 سنوات مقابل 5–18 سنة)، والمنطقة التشريحية.

النتائج

فيما يتعلق بطريقة الكشف، أظهرت خوارزمية التعلم العميق حساسية بنسبة 95.7% (فاصل ثقة 95%: 94.0–96.9)، خصوصية بنسبة 91.2% (فاصل ثقة 95%: 89.8–92.5)، ودقة بنسبة 92.6% (فاصل ثقة 95%: 91.5–93.6). فيما يخص طريقتي العد والتمركز، حققت الخوارزمية حساسية بنسبة 94.1% (فاصل ثقة 95%: 92.1–95.6)، خصوصية بنسبة 88.8% (فاصل ثقة 95%: 87.3–90.2)، ودقة بنسبة 90.4% (فاصل ثقة 95%: 89.2–91.5) لكلا الطريقتين.
بالنسبة للتحليلات الفرعية حسب العمر، أظهرت الخوارزمية حساسية وقيمة تنبؤية سلبية أعلى في فئة الأطفال من 5 إلى 18 سنة مقارنة بفئة 0–4 سنوات في طريقة الكشف (P < 0.001 وP = 0.002 على التوالي) وكذلك في طريقتي العد والتمركز (P = 0.012 وP = 0.028). كانت القيمة التنبؤية السلبية العالية ثابتة في جميع التحليلات الفرعية، ما عدا المرضى الذين لديهم جبائر (P = 0.001 لطريقة الكشف وP < 0.001 لطريقتي العد والتمركز).

الخاتمة

تُعد خوارزمية التعلم العميق Rayvolve® موثوقة جدًا في اكتشاف الكسور لدى الأطفال، وخصوصًا لدى الأطفال الأكبر من 4 سنوات والذين لا يحملون جبائر.

حالات سريرية واقعية في تحليل صور الأشعة بالذكاء الاصطناعي

الحالة الأولى: كوع طفل

قامت وحدة AZtrauma ضمن Rayvolve® بتحليل سلسلة من 3 صور أشعة لكوع طفل للكشف عن الكسور بالذكاء الاصطناعي. صنّفت الوحدة الصور الثلاث على أنها ذات شبهة عالية، وأشارت إلى منطقة الاهتمام في الساعد البعيد، حيث لوحظ انبعاج قشري طفيف يتوافق مع كسر "تورس" (الانطواء)، وهي إصابة خاصة بالأطفال. أدت هذه النتائج إلى تقييم مركّز من قبل الطبيب المعالج، كما ساعدت في تسريع ترتيب أولويات قائمة العمل ضمن سير عمل التصوير.

توضّح هذه الحالة، بمعزل عن غيرها، كيف يمكن للذكاء الاصطناعي في اكتشاف الكسور أن يساعد في توجيه الانتباه إلى انقطاعات صغيرة قد لا تكون واضحة بسهولة في مفاصل معقدة مثل الكوع. قدّم الذكاء الاصطناعي تحديد موقع دقيقًا على مستوى البكسل لمنطقة الاهتمام بشكل متسق عبر الصور الثلاث، مما ساهم في تفسير الصور وقد يُحسّن التقرير السريري في حال استخدامه في الممارسة الفعلية.

الحالة الثانية: انصباب الكوع (الوسائد الدهنية)

تم تحليل صورة أشعة واحدة للكوع باستخدام وحدة AZtrauma ضمن Rayvolve®، وهو نظام لتحليل الكسور بالذكاء الاصطناعي. لوحظت شبهة متزايدة لوجود انصباب، وتم إبراز منطقتين موضع اهتمام تقعان في الوسائد الدهنية الأمامية والخلفية. وكانت "علامة الوسادة الدهنية" ظاهرة، وهي تشير إلى احتمال وجود إصابة أولية داخل المفصل، غالبًا ما ترتبط بكسور خفية في الكوع.

سمح نظام تحليل الكسور بالذكاء الاصطناعي للأطباء بتحديد علامات غير مباشرة للإصابة مرتبطة بنمط انصباب مفصلي وشذوذ قد لا يظهر على صورة الأشعة العادية. وعندما توجد علامات غير مباشرة دون كسر واضح، يمكن للأطباء إكمال التقييم بالتصوير المقطعي المحوسب. ومن الواضح أن للذكاء الاصطناعي دورًا في تعزيز اليقظة التشخيصية، ودعم تفسير صورة الأشعة، والمساهمة في إدارة المريض في مجال تصوير الجهاز العضلي الهيكلي.

الحالة الثالثة: نتائج على مستوى الترقوة والأضلاع

في هذه الحالة، أجرت وحدة AZtrauma ضمن Rayvolve® تقييمًا بالذكاء الاصطناعي لسلسلة أشعة شملت مناظر للكتف والصدر. تمكّن النظام من تحديد كسر واضح في الترقوة كان قد لوحظ أثناء القراءة الأولية، كما رصد كسرًا في الضلع كان من الممكن أن يُغفل بسهولة بسبب تداخل تشريح الصدر.

أظهر التحديد التلقائي لكلتا الإصابتين أن تحليل الكسور بالذكاء الاصطناعي يوفر "زوج عيون إضافيًا" يساعد في دعم الثقة التشخيصية، ويساعد أخصائي الأشعة على أن يكون أكثر شمولية بعد اكتشاف كسر واضح، ويقلل من خطر إغفال مثل هذه النتائج. وتوضّح هذه الحالة قدرة الذكاء الاصطناعي على مساعدة أخصائيي الأشعة في تحديد إصابات متعددة ضمن فحص واحد، مع احتمال زيادة الدقة ودعم كفاءة موثوقة ومتسقة.