文献速递腹部技术与安全CT

基于人工智能的腹部CT身体成分分析工具全自动流水线的方法学

Methodology for a fully automated pipeline of AI-based body composition tools for abdominal CT.
PubMed 文献 · Abdom Radiol (NY) · 2025-04-28

本文介绍了一套全自动、基于人工智能的腹部CT身体成分分析流水线,涵盖数据归一化、解剖标志定位、自动组织分割和定量生物标志物提取。该工具包强调可移植性与跨扫描仪、协议和计算环境的兼容性,是腹部放射学机会性筛查联盟(OSCAR)的基础,并已在多中心研究中显示稳健性和通用性。

要点

  • 流水线可自动分割肝脏、脾、胰腺、肾、腹部脂肪、肌肉、主动脉钙化和椎体骨小梁,并输出体积、密度和截面积等定量指标。
  • 在11,699例检查中至少一个AI工具失败268例(2.3%),最常见为分割错误,主要是内脏脂肪面积高估和皮下脂肪面积低估。
  • 处理流程首选平扫期,其次门静脉期、延迟期、动脉期,并在所选期内选最薄层厚序列。

核心结论

  • 该全自动流水线整合了数据归一化、解剖标志识别、分割和生物标志物提取,适用于大规模多中心研究。
  • 作者指出,尽管分割工具在多样成像条件下表现稳健,但复杂患者解剖或图像质量下降可能降低分割准确性。

研究设计与样本

  • 本文为方法学论文,介绍OSCAR工具包的5步处理流程:数据归一化、解剖标志定位、自动分割、定量测量和标准化输出。
  • 在11,699例检查中评估了潜在失败模式和错误检测机制。
  • 在1,242例肾供体CT平扫(5 mm层厚)上评估处理时间,使用单GPU的高性能Linux服务器。

关键影像表现/征象

  • 主动脉Agatston评分通过沿主动脉对分割钙化进行逐层加权求和计算,分为腹部Agatston(膈肌裂孔至主动脉分叉)和全主动脉Agatston(整个可见主动脉)。
  • 解剖标志包括第10-12胸椎椎体和第1-5腰椎椎体(以椎体中心定义)以及主动脉裂孔和分叉。
  • 器官对比剂增强用于自动判断和验证静脉对比剂的有无。

诊断标准与关键数值

  • 序列纳入标准:至少30幅图像;原发轴位采集(排除重建或二次捕获);层厚小于7.5 mm;不涉及双能技术如虚拟单能或物质基成像。
  • 序列选择优先级:平扫 > 门静脉期 > 延迟期 > 动脉期;所选期内选最薄层厚。
  • 在11,699例检查中至少一个AI工具失败268例(2.3%),主要失败模式为分割错误,以内脏脂肪面积高估和皮下脂肪面积低估为主。

临床应用与阅片要点

  • 工具包输出质量保证图像(分割叠加图和冠状位最大密度投影MIP),以DICOM对象形式回传PACS,便于临床医生快速确认分割是否可用于测量。
  • 每个标记物设置了基于数据直方图和异常病例审查确定的限值,用于检测分割错误。
  • 处理时间中器官分割(TotalSegmentator)最耗时,解剖标志识别约6秒,可快速判断序列是否合格。

局限性

  • 复杂患者解剖或图像质量下降可能降低分割准确性。
  • 该流水线未以开放许可证公开发布供公众使用(TotalSegmentator组件除外)。
全文中译8 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者,按 CC BY 许可使用,本译文为翻译改编。出处:Abdom Radiol (NY). 2025 Apr 28;50(11):5567–80. doi: 10.1007/s00261-025-04951-7

引言

世界卫生组织将筛查定义为一种旨在识别看似健康人群中某些健康状况风险升高个体的过程。这种早期识别有助于及时干预或治疗,从而可能降低这些疾病的发病率和死亡率。在医疗实践中,机会性筛查是指在非计划性或偶然性就诊期间采取的预防措施。在放射学领域,这一概念已发展为包括系统性地利用因与主要临床指征无关的原因而获得的影像数据。

一个显著的例子是对腹部或胸部CT扫描中的身体成分数据进行定量分析。通过测量肌肉、脂肪、骨骼、肝脏、脾脏、肾脏和动脉钙化等各种组织和器官,这些扫描可以为风险分层或早期疾病检测提供有价值的预后信息。虽然机会性筛查可应用于其他影像学方法如传统X线摄影、超声和MRI,但重点主要集中于身体CT,尤其是随着AI辅助方法的出现。基于人群的机会性CT筛查日益受到关注,这由以下几个因素驱动:CT测量的客观性、躯干的全面横断面成像、不同CT厂商间的可重复性[1]、每年进行的大量CT扫描[2]、可解释和可阐释的AI算法的发展以及可用计算资源(尤其是图形处理单元(GPU))的快速增长[3, 4],以及对提升常规放射学实践价值的日益重视[5]。

CT图像以及其他影像学方法的图像,在其主要临床目的之外还包含大量数据,这些数据可能具有正面和负面意义。历史上,关注点一直在于偶发发现或“偶发瘤”的潜在负面后果[6]。然而,这些偶发发现的潜在益处是显著的。当充分利用时,CT扫描的偶发数据可以为患者带来净获益。心血管疾病、骨质疏松症、代谢综合征、肌少症和癌症等重大公共卫生问题构成了老龄化人群中的大多数死亡原因。在无症状的高风险个体中早期发现这些疾病,可能通过及时的生活方式改变或医疗干预带来更好的临床结局[7–10]。

胸部或腹部CT扫描可以在初始影像学临床指征之外提供对组织和器官的全面评估。定量评估的例子包括用于骨质疏松症的骨密度、用于代谢综合征的内脏脂肪、用于肌少症的肌肉量、用于脂肪变性的肝脏脂肪以及用于动脉粥样硬化的动脉钙化。其他评估可以检测肝纤维化、肝硬化、糖尿病和尿石症等疾病。CT结肠成像的研究表明,检测骨质疏松症、腹主动脉瘤和结肠外癌症等未被怀疑的疾病可以增强检查的临床疗效和成本效益[11]。

新兴证据表明,在机会性CT筛查中用于骨质疏松症和心血管代谢疾病的人工智能辅助身体成分分析可以改善临床结局并具有成本效益,甚至可能节省成本。用于身体成分分析的全自动、可解释的人工智能工具的开发标志着机会性筛查的重大进步。这些工具已显示出预测不良临床结局的潜力,包括主要心血管事件、骨质疏松性骨折和死亡。在本研究中,我们概述了如何开发用于身体成分测量的自动分割工具、组装既便携又稳健的处理流程,以及确定临床整合的策略。为说明这些概念,我们重点介绍了目前由腹部放射学机会性筛查联盟(OSCAR)所采用的一个经过充分验证的处理流程,该联盟是一个由学术和私人放射学执业机构组成的全球性团体,从事机会性CT筛查和身体成分分析的研究[8]。

身体成分分析流程

许多不同的团队已经开展了自动身体成分分析,并且存在各种用于学术目的以及近期用于临床的工具包[12]。无论是学术还是商业用途,这些流程都需要自动化且可重复才能发挥作用。这些流程中的每一个都假定正确的相关序列已由编排/路由引擎识别,或者在某些情况下在到达时过滤掉不相关的序列。一旦识别出正确的序列,这些流程中的大多数将遵循下文列出的五个步骤,如图1所示:

对数据进行归一化和预处理,以为流程的后续组件提供一致的输入。

执行某种类型的定位或解剖学检查,以确保序列中存在相关解剖结构。这通常是一个步骤,如果相关解剖结构不存在,可能会触发退出流程,而不是将不相关的图像传递到后续步骤。

使用从基于规则或阈值方法到最先进深度学习方法的各种技术和工具,自动分割感兴趣的器官和组织。

这些分割用于从检查中生成测量值,如体积、横截面积或衰减/CT值测量。

这些结果(离散测量值和图像分割)被打包成有用的、便携的、基于标准的输出,可与下游工具(如电子病历(EMR)或放射学报告软件)共享。

图1 OSCAR工具包示意图,展示处理流程的5个主要步骤 查看原图 ↗

数据归一化和解剖标志定位

数据预处理和归一化是一个关键步骤,有助于减轻因不同CT协议、厂商特定的医学数字成像和通信(DICOM)文件属性或患者体位而出现的一些变异性。OSCAR工具包的第一步是使用dcm2niix应用程序(版本1.0.20181125-1build1)从输入的DICOM图像生成单个便携式NIFTI文件,并应用强度缩放以确保不同扫描间的CT值一致。强度缩放通过减去生成的NIFTI的最小值来实现,使背景和空气值为0,避免出现负值。DICOM到NIFTI的转换可能需要适应多种协议,包括将多个对比期相作为单个序列包含的情况[13]或非规则层面采样。每个序列多次采集的问题通过选取具有最大轴位覆盖范围的DICOM图像集(一个集定义为给定采集号的所有图像;DICOM标签0020,0012)来解决。采集号仅在给定序列内唯一,因此此选择必须针对单个序列进行。如果多个采集号跨越相同的轴位距离,则使用最低的采集号。非规则层面采样的问题通过简单的线性插值处理。然后,如有需要,输入NIFTI体积会被自动重新定向以匹配标准的头先进仰卧位患者体位。随后,工具包将输入CT图像重采样为标准体素大小,即3 mm层厚、3 mm间距。这种3 × 3间距保留了足够的细节并限制了部分容积伪影,同时不会产生过于嘈杂的图像。这种采样也产生了大小可控的体积(就磁盘空间和内存使用而言),可由广泛的计算资源进行处理;这已被证明是一个良好的折中方案,对于原生薄层(< 1 mm层面)或较厚的输入图像可产生相似的结果[14]。

一旦体积已被归一化和标准化,通常会进行解剖标志定位。这可以通过多种方式实现,在OSCAR工具包中,这是通过身体部位回归工具实现的[15]。该工具以无监督方式训练,为图像中每个切片返回一个描述解剖位置的“评分”。共从420名受试者收集了800个未标注的CT体积。这些体积范围从30到700个切片,主要由胸部-腹部-盆腔扫描组成。训练期间未提供解剖标签或扫描范围注释。该模型以完全无监督的方式训练,解剖区域边界仅从图像数据推断。胸部、腹部和盆腔的手动切片级标签仅应用于测试集以进行定量评估。通过向模型呈现许多轴位CT图像,然后用已知的相关标志校准输出评分,该工具可以可靠地为感兴趣的标志提供切片位置。在OSCAR工具包中,相关标志是第10-12胸椎椎体和第1-5腰椎椎体(定义在椎体中心;示例病例见图2)以及主动脉裂孔和分叉。这些水平用于定义脂肪和肌肉值的标准测量位置[16],以及定义主动脉的腹部腔室用于钙化斑块测量。

图2 一例74岁男性患者的代表性病例,展示了处理流程中识别的不同解剖标志水平 查看原图 ↗

自动分割工具

任何身体成分工具包的核心组件是经过训练以识别和分割感兴趣组织和器官的自动组织分割工具。这些分割将用于自动测量体积、横截面积、CT值等。一些所需测量将是体积性的(例如腹主动脉Agatston评分或肝脏体积),而其他测量更常在单切片中进行(例如L1的小梁骨密度、L3的内脏脂肪横截面积等)。逐切片应用的2D模型可能存在轻微不一致,因此对于将用于3D测量的分割,应使用3D分割模型以确保一致且有用的分割。

尽管3D模型可以应用于2D任务,但为每个分割任务训练3D模型可能并不合理。3D模型训练可能需要高达20倍的系统内存,这可能是无法实现的或过于昂贵[17]。对于某些任务,它们也可能表现不佳,因为组装足够大的独特3D样本队列进行训练比2D训练更困难(每个体积有许多图像切片)[18]。

除了在二维和三维模型之间进行选择外,特定的模型架构可能对特定任务有用或非常适合。一些模型被训练来同时完成许多事情,例如一次性分割许多不同的组织类别。一个著名的例子是TotalSegmentator[19],它使用nnUnet架构[20]在CT检查中同时分割100多个解剖结构。这些“分割一切”的模型对于具有标准定义的器官或骨骼结构等非常方便,然而,如果需要组织的特定子区域(例如椎体内的骨小梁或血管中的钙化斑块),或者如果需要对组织进行亚分类(内脏脂肪组织与皮下脂肪组织),则需要为这些特定任务定制模型。对于每个这样的定制模型,将需要一个专门的训练队列,其中包含突出显示所需组织分割的标注图像。此外,应选择非常适合特定任务的模型架构。流行的现代模型架构包括U-Net[21]的变体和视觉Transformer模型(ViTs)[22]。

要在医学影像中开发稳健的机器学习模型,尤其是在CT分割任务中,获取高质量的标注数据至关重要。策划此类数据集通常涉及多种方法,包括使用公共数据集、建立数据共享协议以及实施有效的数据标注策略。诸如肺图像数据库联盟(LIDC)和图像数据库资源计划(IDRI)等公共数据集包含用于肺癌筛查的标注CT图像,在支持分割研究方面发挥了重要作用[23]。其他值得注意的来源包括癌症影像档案(TCIA)[24],它托管了各种标注医学影像数据集,以及美国医学物理学家协会(AAPM)的放射治疗MRI自动勾画(RT-MAC)挑战赛,它提供用于放射治疗计划的CT数据[25]。除了公共数据集之外,机构之间的数据共享协议(通常受监管框架约束)能够在遵守患者隐私要求的同时实现多样化数据集的聚合[26]。然而,由于各机构政策和隐私法规不同,这些协议可能难以驾驭[27]。各机构之间CT图像质量和解剖结构的高度变异性进一步增加了实现一致标注标准的难度,而这是训练准确分割模型的关键因素[28]。

数据增强技术在增强有标注CT数据集的泛化能力方面发挥着至关重要的作用,尤其是在标注数据可能有限的医学影像应用中。随机旋转、缩放、裁剪和强度变化等技术可模拟临床环境中常见的变化,从而提高模型对新数据的泛化能力[29]。更先进的方法包括使用生成对抗网络(GAN)生成合成数据,其可创建逼真的CT图像以扩展训练集并改善分割任务的性能[30, 31]。这些增强方法不仅解决了数据稀缺问题,还缓解了医学影像数据中常见的类别不平衡所带来的挑战。此外,半监督学习等技术——即将较小的有标注数据集与较大的无标注数据集相结合——已在大肠CT分割中展现出前景,可最大化可用数据的效用[32]。通过这些方法,研究人员可以创建更稳健的模型,更好地处理真实世界CT图像的复杂性。

OSCAR流程包括对多个腹部器官的自动分割,包括肝脏、脾脏、胰腺和肾脏,以及腹部脂肪组织(语义上分为内脏脂肪组织和皮下脂肪组织)、肌肉(包括肌内脂肪组织)、主动脉钙化和椎体中的骨小梁。模型架构、特征和训练队列总结于表1、表2和表3以及表4中。尽管该流程已在多个学术机构中使用,但未以开放许可证发布供公众使用(TotalSegmentator [19]组件除外)。

表1 每个分割模型的模型架构、方法(逐层切片 vs. 三维体积)和权重文件大小 查看原表 ↗
表2 用于训练每个分割模型的唯一检查数量和患者人口学特征 查看原表 ↗
表3 用于模型训练的数据增强技术 查看原表 ↗
表4 每个分割模型的训练超参数和方法列表 查看原表 ↗
表5 OSCAR工具包执行的组织和器官测量及其单位和可接受的生理范围 查看原表 ↗

身体成分和生物标志物测量

一旦相关器官和组织被分割,定量测量便可相对容易地导出。理想情况下,这些测量值应接近经过训练的操作者在有足够时间和适当工具的情况下所能获得的值,从而增强可解释性和可理解性。常用的衍生指标包括以亨斯菲尔德单位(HU)表示的密度(衰减)值、体积评估以及在标准解剖参考水平(例如L3椎体处)测量的横截面积。

对于密度测量,通常从分割体积或特定感兴趣区域计算平均或中位HU值,并在适当时报告标准差。体积和横截面积测量通过将输入图像的体素尺寸与分割中包含的体素计数相结合来计算。值得注意的是,使用横截面积测量要求一致的层厚,以确保结果的可靠性和可比性。

该工具包执行的一项独特测量是主动脉Agatston评分。这是通过对主动脉分割钙化进行逐层加权求和来测量的,如下所示[37]:

其中

该流程测量两种Agatston评分:1. 腹部Agatston评分,定义为从膈肌裂孔至主动脉分叉处测量的Agatston评分;2)主动脉总Agatston评分,定义为对整个可见主动脉测量的Agatston评分。

对于OSCAR工具包分割的各种器官和组织,这些标准化测量程序产生了稳健、可重复的指标,适合后续分析。为验证这一可靠性及自动化流程的临床适用性,我们在先前的一项研究中评估了潜在失效模式并实施了错误检测机制[1]。在该研究中,我们通过审查11,699例检查识别了若干失效模式和相应的错误检测机制。在该队列中,至少一种人工智能工具在268例(2.3%)中失效,分割错误是最常见的失效模式。这些错误主要由于内脏脂肪面积的高估和皮下脂肪面积的低估所致。为检测此类错误,我们记录并建立了每个标志物的限值。这些限值列于表5中,是通过审查数据直方图和检查异常病例来确定的。限值设定基于高于或低于该值时无法识别有效分割的标准。器官对比剂增强也用于自动确定和验证静脉对比剂的有无[38]。

存储在DICOM文件头中的扫描参数对于实施后处理校正或识别潜在失效模式可能具有重要价值。除结果中记录的离散生物标志物外,关键的DICOM文件头字段通常也会被记录。这些字段提供了对成像过程的深入信息,包括采集参数、对比剂特征、扫描仪规格、患者属性和重建细节。OSCAR工具包记录的具体DICOM文件头字段汇总于表6。离散输出值。

除工具包输出的离散值外,还以质量保证图像的形式创建视觉输出,包括分割叠加图和冠状位最大强度投影(MIP)图像,以提供清晰且可解释的结果(见图3)。这些可视化图像以DICOM对象形式创建,其检查和研究特征与原始图像匹配,因此可以共享回图像归档与通信系统(PACS)。这些图像可以帮助临床医生快速确认分割是否正确且可用于测量。

表6 OSCAR工具包记录的DICOM文件头字段列表 查看原表 ↗
图3 一名61岁男性患者的质量保证图像样本,显示各种器官和组织分割 查看原图 ↗

研究选择、可移植性和兼容性

该流程的研究选择遵循结构化的多步骤过程。首先根据我们PACS数据库中手动输入的“身体部位”字段识别检查程序,以腹部相关检查为目标。然后使用DICOM StudyDescription字段(0008,1030)检索指定时间范围内的相关检查。

执行序列级查询以应用纳入标准。序列满足以下条件时被纳入:(1)包含至少30幅图像;(2)代表原始轴位采集,根据ImageType字段(0008,0008)排除重建或二次捕获图像;(3)层厚小于7.5 mm,由SliceThickness(0018,0050)定义;(4)不涉及双能技术,如虚拟单色成像或物质基成像,由SeriesDescription字段(0008,103E)确定。

从每项研究中的合格序列中,流程根据对比剂期相优先级选择首选序列,优先顺序如下:平扫、门静脉期、延迟期,最后为动脉期。在所选期相内,选择可用层厚最薄的序列。

确保可移植性、可扩展性和计算效率涉及利用容器化技术,如Docker [39],将应用程序及其依赖项封装为可移植容器。该方法允许在各种环境中一致部署,包括云平台、本地服务器和边缘设备 [40]。容器化确保应用程序无论底层基础设施如何均以相同方式运行,这对于维护可能以多种不同方式和环境部署的CT机会性筛查工具的可靠性和可扩展性至关重要。通过使用容器,更新和补丁可以无缝应用,资源可以高效管理,促进应用程序扩展以满足不同需求。OSCAR工具包与合作者一起以Docker容器形式打包和分发,该容器维护在具有版本控制的安全存储库中。工具的当前版本为9.3(更新于02/28/2025);本工作中的图表使用版本9.0(更新于11/25/2024)生成。

在实际采用和在临床实践中实施此类工具包的潜在计算成本方面,一个关键考虑因素是所需的处理时间。为评估处理时间并评估临床部署的可行性,我们将OSCAR工具包应用于1,242例肾脏供体CT检查。实验在高性能Linux服务器上进行,配备双Intel Xeon Platinum 8468 CPU(Intel Corp.),每个具有48个核心和2.1 GHz基础时钟频率,1 TB内存,以及四块L40S GPU(NVIDIA Inc.),但流程配置为在单个GPU上运行。选择肾脏供体检查作为代表性用例,因为它们是健康个体中常规采集的高质量、标准化多期腹部CT研究,使其非常适合在典型临床成像条件下评估端到端系统性能。在本分析中,仅使用平扫期(5 mm层厚)。所有检查均在此一致的硬件环境中处理,从而能够精确测量流程关键阶段的计算时间,包括图像分割、后处理和报告生成。时间结果见表7。最耗时的单一步骤是使用TotalSegmentator进行器官分割。同样值得注意的是,解剖标志识别速度很快(约6秒),从而能够快速判断给定序列是否合格。

表7 OSCAR流程中各处理步骤所需时间汇总,以秒为单位的平均值及相应标准差表示,并给出占总处理时间的百分比 查看原表 ↗

讨论

本工作通过将体成分分析过程的所有关键阶段整合为一个全面、可重复的流程,推动了自动化体成分分析的最先进水平。与以往通常侧重于孤立步骤(如分割或测量)的方法不同,我们的解决方案在单一框架内统一了数据归一化、解剖标志识别、分割和生物标志物提取。通过减少手动输入并提高可重复性,该流程特别适合标准化和可扩展性至关重要的大规模、多中心研究。

所实施的分割工具利用机器学习和深度学习方法,这些方法已在多种成像条件下表现出较强的稳健性。尽管如此,某些局限性仍然存在。例如,具有挑战性的患者解剖结构或图像质量下降可能会降低分割准确性。解决这些问题可能涉及域适应策略、使用专门数据子集重新训练模型,以及整合自动化质量保证检查以检测和减轻问题病例。此外,确保分割的快速简便质量保证(QA)可用对于临床采用或大规模研究至关重要。

提取的生物标志物,包括不同组织和实体器官的体积、密度和横截面积指标,已在大量工作中被验证为机会性筛查的有用且稳健的标志物 [1, 14, 33, 41–44]。这些测量的示例用例包括生物学年龄表征 [7]、风险分层 [45–49]、纵向患者监测 [50] 等 [51–54]。通过捕获扫描和重建参数,我们的流程还能够通过下游校正和参数调整进行优化,从而提高可解释性并确保所得指标既有意义又在方法学上透明。

最后,对可移植性和兼容性的强调使该工具包能够在各种扫描仪类型、成像协议和计算环境中有效运行。这种多功能性不仅降低了采用障碍,还为广泛实施奠定了基础,其在OSCAR联盟内的整合即为例证。该工具包在临床工作流程中有众多潜在应用。临床采用可能通过从具有明确临床干预或护理路径的工作流程开始而得到促进,例如骨质疏松症筛查 [33] 或将高风险患者转诊至预防心脏病学服务 [9]。另一个起点可能是将该工具包整合到现有临床工作流程中,例如移植患者优先级排序,在其中它可以提供客观的衰弱评分以支持决策 [55]。

本工作所使用的 OSCAR 工具包当然不是测量腹部 CT 身体成分的唯一方法。目前有几种商业可用的工具已被批准用于各种有限用途,全球也开发了若干学术工具包。具体而言,包括 Comp2Comp 工具包 [56]、BOA 工具包 [57]、ABC 工具包 [58] 和 CompositIA [59]。每个工具包的分割工具列表略有不同,其中许多利用 TotalSegmentator [19] 等工具对各种器官进行分割。值得注意的是,这些工具在标签定义和报告的指标上也存在差异(例如,肌内脂肪是单独处理还是包含在肌肉内),目前很少有工具通过预后价值来基准测试性能,而是侧重于使用 Dice 分数等分割指标进行定量评估。这些差异使直接比较变得复杂,凸显了统一定义并针对临床结局进行评估的必要性。诸如多中心验证研究或大挑战赛等形式,以预后价值来验证和基准测试身体成分工具包,将是理解每个工具包真正优势和劣势的重要一步。

本工作存在若干局限性。首先,基于人工智能的图像分割工具的开发速度正在迅速演变。在实践中,这意味着可用于执行分割和分析的工具集不断增长,使得确定此类任务的最佳模型和方法极具挑战性。此外,该工具包中的模型需要 GPU 硬件才能高效运行,这可能导致相当大的实施成本,并限制在资源较少环境中的可及性。另一个关键局限性是依赖来自单一卫生系统的回顾性影像数据(尽管包括多个外展站点),这可能影响对其他人群、扫描仪或协议的泛化性。此外,虽然分割质量通过失败模式分析和人工审查进行了评估,但临床有效性和下游实用性的全面评估仍是重要的下一步。

未来工作将侧重于优化流程以提高性能、扩展到其他解剖区域,并与健康信息学平台(如电子健康记录和临床决策支持系统)集成,从而增强该流程的临床和研究效用。其他方向包括在不同患者群体和护理环境中进行前瞻性验证,由人工观察者或互补 AI 工具实施分割的实时细化,以及进一步探索主动学习方法以持续改善部署中的模型性能。

结论

我们提出了一种全自动 AI 驱动的腹部 CT 扫描身体成分分析流程,展示了其作为多中心研究稳健且多功能基础的能力。通过标准化输入、自动化分割和提取临床相关生物标志物,该方法促进了可重复性、可解释性和可扩展性。其对多种成像条件的适应性以及纳入 OSCAR 联盟,凸显了其在身体成分分析领域推进大规模研究工作和临床决策的潜力。

引用

  1. Garrett JW, Pickhardt PJ, Summers RM, et al. Methodology for a fully automated pipeline of AI-based body composition tools for abdominal CT. Abdom Radiol (NY). 2025. PMID: 40293521. doi:10.1007/s00261-025-04951-7
  2. 全文:PMC12568892(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12568892/

供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。