文献速递腹部泌尿生殖技术与安全CTMRUS

人工智能在腹部影像中的实际应用

Practical applications of AI in body imaging.
PubMed 文献 · Abdom Radiol (NY) · 2025-06-27

本文对美国截至2024年底获FDA批准、面向成人腹盆腔器官的AI算法进行了叙述性综述,涵盖肝胆、肾脏、膀胱、前列腺及胃肠影像,并讨论AI在提升诊断准确性与工作流程效率方面的潜在优势及未来方向。

要点

  • 截至2024年9月11日,共24个FDA批准的腹部影像AI算法符合纳入标准,覆盖肝胆、肾脏、前列腺及胃肠等器官。
  • 肝脏表面结节度(LSN)评分检测进展期纤维化(≥F3)的AUC为0.87,检测肝硬化(F4)的AUC为0.89。
  • 前列腺MRI软件辅助可将PI-RADS 4病变检出率提高4.4%,AUC从0.84升至0.88,读片时间中位数从103秒缩短至81秒。

核心结论

  • AI已开始改变包括腹部影像在内的放射学实践,可提升诊断准确性、优化工作流程并自动化重复任务。
  • 腹部影像AI仍处于起步阶段,其理论获益与市售产品的实际体验之间仍存在差距。
  • AI在腹部影像的应用落后于神经放射学或心胸放射学等其他亚专科,但每年有多个新算法获FDA批准。
  • AI实施面临训练数据偏倚、模型漂移、部分算法的「黑箱」性质以及患者数据隐私与责任等伦理风险。
  • 为最大化获益并降低风险,需要本地验证、持续监测与治理。

研究设计与样本

  • 本文为叙述性综述,检索截至2024年9月11日美国放射学院数据科学研究所AI Central网站上全部330个获FDA批准或认证的算法。
  • 筛选出「腹部影像」产品类别后排除284个算法,余46个产品,进一步排除22个不符合标准的算法,最终24个算法纳入。
  • 排除标准包括:腹部以外病变、血管性病变、图像采集时运行的算法、儿科或胎儿影像算法、输出面向非放射科医生的算法。
  • 部分算法参与ACR「透明AI」项目,需制造商自愿提交模型识别、特征、使用指征、性能、训练细节及局限性等数据。

关键影像表现/征象

  • 肝脏多参数MRI可自动从T1和T2*图计算cT1(Liver MultiScan),用于校正过量铁对T1的混杂影响并进行肝脂肪与纤维化定量。
  • 肝脏表面结节度(LSN)软件在用户沿肝脏前缘勾画5–10个线性ROI后自动检测肝表面并生成LSN评分,取各层测量值的算术平均数。
  • MRCP+可从非增强MRCP图像提取胆管直径、胆管扩张严重程度及胆管狭窄百分比等定量指标,并重建胆道树3D模型。
  • StoneChecker可分析DICOM CT图像,输出结石体积、平均HU密度、皮石距离及纹理值(均值、正像素均值、标准差、偏度、峰度、熵)。
  • GIQuant利用MRE动态 cine 图像生成运动图和解剖参考图,计算小肠运动评分,以评估克罗恩病活动度。

诊断标准与关键数值

  • 在161例HCV相关慢性肝病患者的多中心研究中,LSN评分单独检测进展期纤维化(≥F3)的AUC为0.87,检测肝硬化(F4)的AUC为0.89。
  • 基于PDFF的肝脂肪定量在1.5 T和3 T场强及不同制造商间,重复性系数为0.8%,再现性系数为0.75%。
  • 在45例患者的单中心小样本临床研究中,结石纹理分析区分较软尿酸结石与较硬非尿酸结石的单特征AUC为0.898至0.960。
  • 前列腺MRI软件辅助使PI-RADS 4病变检出率提高4.4%,AUC从0.84升至0.88,读片者间一致性提高63%,读片时间中位数从103秒降至81秒。
  • 在一项评估此类软件临床效用的研究中,经验不足与经验丰富的放射科医生分析结果比较,MRI阳性且活检阳性患者的敏感度为92.3%。

临床应用与阅片要点

  • 对慢性肝病患者,可利用FDA批准的CT软件半自动测量肝脏表面结节度,辅助评估进展期纤维化与肝硬化。
  • 对已知或疑似肝细胞癌患者,Liver Suite等后处理应用可优化序列显示并提供引导式工作流程,辅助计算LI-RADS评分。
  • 对肾结石患者,AI软件可标准化输出结石体积、HU密度及纹理特征,辅助判断结石成分及保守治疗成功的可能性。
  • 前列腺MRI软件可辅助PI-RADS v2.1风险分层、自动测量前列腺体积与PSA密度,并支持结构化报告。
  • 肿瘤随访中可使用病灶自动测量与分割算法,实现病灶2D或3D测量、体积分割及随时间变化的图表生成。

局限性

  • 腹部影像AI从实验室到临床的产品转化相对缓慢且数量有限。
  • 很少有研究实证测量AI优势的大小,尤其是对腹部影像医生而言。
  • 放射组学技术尚未在体部影像临床实践中广泛转化,其多步骤过程包括图像分割、纹理特征提取、数据分析、预测模型构建与验证。
  • AI工具的理论获益与当前市售产品的实际体验之间仍存在差距。
  • AI实施涉及训练数据潜在偏倚、模型漂移、部分算法的「黑箱」性质以及患者数据隐私与责任等伦理考虑。
全文中译11 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 Jun 27;51(1):458–66. doi: 10.1007/s00261-025-05088-3

引言/概述

近年来,人工智能(AI)对生活和商业的许多领域产生了重大影响,医疗保健也不例外。机器学习(ML)是AI的一个子类,利用技术创建算法,使基于数据中的模式进行预测成为可能[1]。深度学习(DL)是ML的一个子类,涉及具有多层的神经网络,可以同时分析众多变量,以识别大型数据集(如影像学研究)中的复杂模式[1, 2]。在放射学中,这些算法已显示出在医疗环境中增强诊断、治疗规划和运营效率的潜力[3]。在实践中,这些技术使得开发复杂的工具成为可能,用于识别解剖结构、分割器官或部位以及检测异常。

尽管在开发和实施过程中仍处于早期阶段,但一些放射学亚专科在AI应用方面比其他亚专科取得了更大的进展。腹部放射学落后于神经放射学或心胸放射学等其他亚专科[4, 5],尽管一些用于腹部影像的算法已被开发并获得了美国食品药品监督管理局(FDA)的许可。

本手稿对截至2024年末在美国商业可用的、针对腹部和盆腔器官及相关疾病评估的FDA许可AI算法进行了叙述性综述。在本文中,我们使用“AI”一词来指代参与医学图像分析以进行疾病检测、病灶表征或器官分割的ML或DL算法。为缩小论文范围,我们仅评估针对成人腹部和盆腔器官的算法,重点关注肝胆、肾脏、膀胱、前列腺和胃肠道影像中的应用。针对放射科医生上游任务(例如图像采集)、报告生成(例如自动印象)或专注于放射组学/特征提取的算法不在范围内。除了综述这些算法外,我们还说明了它们如何有助于改善放射学工作流程,并讨论了AI在此背景下的优势。最后,随着该技术的持续快速发展,我们探讨了AI在腹部放射学中的未来方向。

方法/检索策略

为确定截至2024年9月11日获得FDA认证且与腹部成像相关的人工智能算法,一位具有8年 fellowship 后经验的腹部影像医师(BMM)查阅了由美国放射学会数据科学研究所主办的AI Central网站。该网站收录了涵盖所有放射学亚专科的330个获得FDA认证或FDA批准的算法[6]。为聚焦与腹部影像医师相关的算法,我们选择了“腹部成像”产品类别,该类别排除了284个算法,剩余46个可能相关的产品。所有46个结果均通过评估AI Central网站上提供的产品详情,进一步评价其与腹部影像医师的相关性。另有22个算法被排除,因其符合以下一项或多项排除标准:(1)算法聚焦于腹部以外的发现(如肺结节、神经影像算法、肺底栓塞或椎体压缩性畸形);(2)算法聚焦于血管性发现(如腹主动脉瘤检测);(3)算法拟在图像采集时运行(如评估图像质量或在磁共振成像序列采集过程中修改序列);(4)用于儿科或胎儿成像的算法;(5)输出目标为非放射科医师的算法(如为外科医生创建3D打印模型)。对于算法应纳入或排除的任何不确定性,由三位腹部影像医师(BMM、JGF和APW)裁定。共有24个算法符合纳入标准(表1)。

使用ACR AI Central网站和501(k)上市前通知文件收集算法的补充信息,包括聚焦的器官系统、包含的模态、算法类别及FDA认证日期。发现若干算法参与了ACR创建的一项名为“Transparent AI”的计划,该计划要求制造商自愿提交数据元素,包括模型标识、特征、使用适应证、性能、训练详情和局限性等数据。最后,对每个算法查阅了制造商网站、任何可用的使用说明书(IFU)文件以及任何在线演示图像或视频,以确定界面类型和数据输出(表1)。

表1 截至2024年9月11日符合纳入标准的与腹部成像相关的FDA认证人工智能算法 查看原表 ↗

聚焦腹部成像的算法

肝胆

全球肝病患病率的不断上升凸显了对肝胆疾病进行精确诊断、表征和分期的迫切需求。人工智能算法在识别模式、自动化诊断流程及增强肝胆疾病管理中的临床决策方面已展现出显著潜力。这些模型已被证明在检测和分期慢性肝病(包括代谢功能障碍相关脂肪性肝病(MASLD))以及量化肝脏脂肪和铁含量、或诊断肝硬化和肝细胞癌方面有效。本文讨论了部分获FDA批准用于临床的人工智能模型。

多参数MRI现已成为一种可接受的無創方法,可利用质子密度脂肪分数(PDFF)图、T2*和铁校正T1(cT1,校正过量铁对T1的混杂效应所必需)来量化肝脏脂肪和纤维化[7–9]。与受支持的MR扫描仪配合使用的基于AI算法的软件应用可自动从T1和T2*图计算cT1(Liver MultiScan,Perspectum Diagnostics,牛津,英国)[8–10]。虽然一些厂商可能提供专有解决方案来量化脂肪或纤维化,但第三方AI应用对于使用多种品牌MR扫描仪的医疗系统可能具有优势,因为该算法与厂商无关,并利用现有模态软件和硬件来运行一段约5分钟的序列[11]。Banerjee等证明了这种無創方法在检测肝纤维化方面与金标准组织学相比具有高诊断准确性[8]。Bachtiar等显示,基于PDFF的肝脏脂肪在1.5和3 T场强及不同厂商之间具有0.8%的重复性系数(即重复测量之间可能出现的最大预期差异为0.8%)和0.75%的再现性系数(即不同观察者或不同条件下进行的测量之间可能出现的最大预期差异为0.75%)[10]。它 also 已被证明在诊断MASLD以及识别代谢功能障碍相关脂肪性肝炎(MASH)和肝硬化患者方面有效[12, 13]。此外,cT1可作为生物标志物,为包括自身免疫性肝炎和病毒性肝炎在内的慢性肝病管理提供信息[14, 15]。在慢性肝病患者中,随着肝硬化进展,发病和死亡风险显著增加[16]。尽管肝活检是诊断肝硬化的金标准,但鉴于其有创性,它存在并发症风险[17]。因此,开发用于准确诊断肝硬化的無創方法日益受到关注。

超声(US)、计算机断层扫描(CT)和磁共振成像(MRI)评估的各种影像学特征,如肝脏体积比、脾脏体积和肝表面结节性,已被研究其与肝硬化的相关性。其中,严重的肝表面结节性与肝硬化的关联尤为密切[18–20],而CT上的表面结节性评分在检测晚期纤维化和肝硬化方面已显示出显著的诊断准确性[21, 22]。肝表面结节性(LSN)(Imaging Biometrics, LLC, Elm Grove, WI)是一种经FDA许可的半自动化CT软件工具,有助于分析和报告肝表面结节性以评估慢性肝病。该软件在查看器中处理医学数字成像和通信(DICOM)格式的CT图像,用户沿肝脏前缘勾画5–10个线性感兴趣区(ROI)。随后软件自动检测所选层面及相邻连续层面上的肝表面,通过计算各层面测量值的算术平均值生成最终的肝表面结节性(LSN)评分[18, 23]。Lubner等人证明,CT上的LSN评估能够准确且无创地量化肝表面结节性,并将其与丙型肝炎病毒(HCV)患者的中间纤维化分期相关联[24]。在一项纳入161例HCV慢性肝病患者的多机构研究中,LSN评分单独检测晚期纤维化(≥ F3)的AUC为0.87,检测肝硬化(F4)的AUC为0.89;在多因素分析中,LSN评分是基线肝功能失代偿的最强预测因子[22]。

机器学习模型也已被证明能够自动分析腹部的多层自旋回波MRI数据集并计算信号衰减率(R2),该参数用于评估肝脏铁含量。FerriSmart分析系统(Resonance Health, Burswood, Western Australia)就是这样一种软件,可部署在云平台或本地,对数据应用预定义的校准曲线,提供体内肝铁浓度的定量测量[25]。

此外,还有经FDA批准的后处理应用程序,如Liver Suite(GE HealthCare, Chicago, IL),可通过提供优化的序列显示和引导式工作流程来评估已知或疑似肝细胞癌(HCC)患者CT上的肝脏病变,以评估用户定义观察的关键临床特征,促进肝脏影像报告与数据系统(LI-RADS)评分的计算[26]。

磁共振胰胆管成像(MRCP)是一种非侵入性成像技术,用于评估胆道系统,以诊断和监测原发性硬化性胆管炎,包括伴或不伴相关胆汁性肝硬化的情况。MRCP在识别胆道狭窄和扩张方面具有较高的敏感性;然而,准确评估对于识别疾病进展或肿瘤的发生至关重要。由于读者间变异性较高,客观且标准化的判读方法至关重要[27]。一种人工智能驱动的半自动化工具MRCP+(Perspectum Diagnostics,牛津,英国)已被证明能够提取定量指标,从而重建胆道树的3D模型。该软件从非增强MRCP图像中计算多种测量值,包括胆管直径、胆道扩张的严重程度以及胆管狭窄的百分比[28, 29]。这些指标已被证明与生化、弹性成像和放射学预后评分相关,并且可预测原发性硬化性胆管炎的无不良结局生存期[30]。

肾脏

肾结石在腹部影像学中十分常见,因为美国近10%的人口患有肾结石病[31]。肾结石的准确定量和特征描述对于确定合适的治疗策略至关重要,治疗策略的范围从保守管理到外科干预。通过计算机断层扫描(CT)评估肾结石的传统方法存在挑战,包括放射科医生之间判读的变异性以及手动分析多个参数的劳动密集型性质。一种算法(StoneChecker,Imaging Biometrics,LLC,Elm Grove,WI)可以通过计算结石体积、平均亨斯菲尔德单位(HU)密度、皮肤至结石距离以及各种纹理值(均值、正像素均值、标准差、偏度、峰度和熵)来帮助减轻放射科医生的负担,从而有助于标准化判读并指导治疗决策。该产品分析DICOM CT图像并生成结石体积和HU密度等输出指标,以允许评估结石的成分和保守管理成功的可能性[32]。纹理分析提供对结石内部成分的额外洞察,这有助于预测碎石术的成功,或预测碎裂结石所需的冲击次数[33]。在一项纳入45例患者的小型临床研究中,发现该算法能够可靠地提供纹理分析,以帮助区分较软的尿酸结石和较硬的非尿酸结石,单特征曲线下面积范围为0.898至0.960[34]。

前列腺

MRI 是一种成熟的成像方式,用于无创检测具有临床意义的前列腺癌。据我们所知,截至 2024 年底,美国尚无经 FDA 批准用于病灶检测的人工智能算法,尽管欧洲已有一些可用,且多家厂商报告正在美国寻求批准。若干机器学习模型在协助放射科医生分配前列腺影像报告与数据系统(PI-RADS)分类方面显示出有前景的结果。产品还可帮助提供观察病灶的半自动分割,以支持 MR-超声融合活检。部分经 FDA 批准的人工智能软件使用类 U-Net 卷积神经网络(CNN)模型,例如 QP-Prostate(Quibim,西班牙瓦伦西亚)、深度神经网络,例如 AI-Rad Companion Prostate MR(Siemens Healthineers,德国埃尔朗根),或半自动方法如 Quantib Prostate(Quantib B.V.,荷兰鹿特丹),用于依据 PI-RADS v2.1 指导风险分层 [35–38]。软件包还可自动测量前列腺体积、PSA 密度,并协助结构化报告。研究表明,该软件可提高检测可疑前列腺病灶的诊断准确性(PI-RADS 4 检出率提高 4.4%,曲线下面积从 0.84 增至 0.88),减少阅片者间变异性(阅片者间一致性提高 63%),并缩短阅片时间(中位阅片时间缩短 21%,从 103 秒降至 81 秒)[37, 39]。在一项评估此类软件临床效用的研究中,经验不足与经验丰富的放射科医生所作分析之间的比较显示,MRI 阳性且活检阳性患者的敏感性为 92.3% [38]。

胃肠道

MR 小肠造影(MRE)是诊断和监测小肠克罗恩病的成熟成像技术。研究已证明回肠末端运动性与疾病活动度呈负相关,即随着肠道炎症加重,肠道运动性下降 [40, 41]。因此,客观且可量化的肠道运动性测量可作为克罗恩病治疗反应的生物标志物。GIQuant(Motilent Ltd.,英国伦敦)是一种人工智能驱动的后处理软件,利用 MRE 的动态电影图像评估小肠运动性。该算法从每个动态序列生成运动性图和解剖参考图像,随后用于计算运动性评分 [41]。

工作流程改变

一些算法旨在修改和协助放射科医生的工作流程,目标是提高效率和/或改善患者照护。此类算法的一个常见关注领域是肿瘤成像和随访,占腹部影像医生常规工作的很大一部分。这些算法还可为临床试验提供支持,在试验中特定靶病灶随时间被系统追踪。

一些工作流程变更算法的特征包括病灶的自动测量和分割。利用算法可以实现更简化的点击式功能,以二维或三维方式测量病灶,或实现病灶的容积分割。这可能进一步便于随时间推移追踪病灶大小,并生成可嵌入放射学报告的表格或图表。目前在该领域获得FDA批准的算法示例包括AI Metrics(AI Metrics,伯明翰,阿拉巴马州)和DL Precise(Deeplook Medical,纽黑文,康涅狄格州)。

AI算法还可以直接嵌入常用的放射学信息技术软件系统中,例如图像归档和通信系统(PACS),并可用于在放射科医生查看检查之前或期间补充工作流程。例如,一些供应商引入了AI增强方法来识别相关的既往检查,并确保在检查判读期间显示或可供查看。提供此功能的FDA批准算法的一个示例是Anatomical AI(Change Healthcare,纳什维尔,田纳西州)。

AI在腹部成像中的应用机遇与未来方向

机遇

人工智能算法被宣传为相较于不使用AI的从业者具有多项优势。尽管很少有研究实证测量这些优势的大小,特别是对于腹部影像医师而言,但放射科医生期望AI能带来诸如提高效率(例如,通过自动悬挂协议、器官分割、病灶分割或报告生成)或提高诊断准确性(例如,病灶检测、病灶表征或定量评估)等益处[5, 42–45]。

减少重复性任务将提高效率,并改善许多放射科医生的生活质量。窄(聚焦)AI算法在此类任务上表现出色,我们已列出几种可商业获得的算法,可通过执行器官(如肝脏、胆道树或前列腺)的自动分割来支持腹部影像医师,或通过允许对病灶进行点击式正交或多平面分析来节省时间[46]。

如上所述,其他算法旨在提高腹部影像医师的诊断准确性或改善定量评估。算法可以帮助在测量肝脏脂肪、铁、纤维化或结节性方面增加客观性,而不是依赖于更主观的解剖变化或序列间差异,或在为前列腺病灶分配PI-RADS评分时提供决策支持。

未来方向

尽管在成像人工智能领域,就腹部成像而言已取得进展,但这仍是一个我们很可能看到巨大未来增长的领域。特别是与神经放射学或心胸放射学等其他放射学亚专科相比,腹部成像应用的从实验室到临床的产品实现相对缓慢且匮乏[47]。除了在本手稿讨论的领域以及其他目前有未满足需求的临床领域中持续开发高度可靠的算法外,腹部成像中人工智能的未来方向包括放射组学、临床决策支持和工作流程/患者吞吐量。

放射组学涉及从医学图像中提取人类感知不易察觉的定量数据,以提高影像解读的诊断和预后准确性。尽管有前景广阔的研究表明放射组学在肝细胞癌、结直肠癌、肾脏肿瘤和胰腺导管腺癌中具有改善诊断鉴别、治疗选择和预后结果的潜力,但这些技术尚未在体部影像学中顺利转化为临床实践[48]。这一多步骤、劳动密集的过程涉及图像分割、纹理特征提取、数据分析、预测模型构建和验证。图像分割效率和保真度的持续进步将解决当前将放射组学整合到临床实践中的一个关键障碍。

人工智能发展的一个令人兴奋的新兴重点是临床决策支持。临床决策支持人工智能模型旨在整合既往影像学发现、实验室结果和临床信息,以协助提供全面的患者评估。这些模型在其他医学领域已显示出前景,并可能具有简化放射科医生工作流程和增强图像解读的潜力[49]。消除在解读时花费在每项影像检查背景化上的潜在时间消耗可以提高放射科医生的效率,而浓缩的相关医学信息可能提高诊断准确性,特别是在腹部影像学中,患者病史、既往治疗和实验室检查在得出正确诊断和/或优先排序鉴别诊断方面可发挥重要作用。

人工智能在影像学中应用的另外新兴领域可能使腹部影像学受益,即改善工作流程和患者流通量领域。通过采用深度学习算法从低质量数据重建高质量图像来缩短磁共振扫描时间,可能改善患者流通量。用于提高排程效率的人工智能算法也可能通过所有与腹部影像学相关的模态改善患者流通量。可以设想开发算法以最大化资产/资源利用并最小化资产停机时间[50]。尽管目前暂停,旨在减少不适当高级影像检查开具的备受争议的《保护医疗保险法案》(PAMA)适当使用项目可能会见证由人工智能进步引领的复兴。一些临床决策支持机制的后续迭代(例如,CareSelect [Change Healthcare, Nashville, TN])采用了自然语言处理和初级人工智能,允许用户输入诊断查询并返回建议的适当影像检查[51]。适当使用标准项目目前正在重新评估中,有一些迹象表明实施工作最终将重新启动。复杂的人工智能算法可能在过去努力未能减少不适当高级诊断影像检查的领域取得成功,这将对腹部影像学产生广泛影响,因为腹部影像学中CT和MRI的使用量很大。虽然并非腹部影像学特有,但人工智能在这些领域应用的进步可普遍改善临床实践。

未来腹部影像算法可能会跨器官系统运行,扩展计算机辅助检测/诊断应用,并扩展到更多器官系统。迄今为止,大多数腹部影像人工智能算法都集中于狭窄的任务功能——处理单一特定任务,聚焦于单一器官或病理实体,通常基于单一成像模态。理想情况下,未来的研究应聚焦于综合性人工智能解决方案,旨在模拟人类水平的智能。鉴于腹部影像的多模态性质、复杂的底层解剖结构以及细微的相互关联病理,综合性人工智能解决方案可能比传统的狭窄任务人工智能更适用于腹部影像。

结论

人工智能已开始改变放射学的实践,包括腹部影像。随着人工智能日益普及,利用人工智能工具的放射科医生可能会在提高诊断准确性、简化工作流程和自动化重复性任务方面获益。尽管在腹部影像领域仍处于起步阶段,本综述重点介绍了28个目前可用的(获FDA批准的)腹部影像人工智能应用,讨论了其功能及其在临床实践中提供的潜在益处。需要注意的是,人工智能工具的理论益处与当前市售产品的实际体验之间仍存在差距[4, 52]。具体到腹部放射学中的病变检测和表征,虽然研究已在许多器官系统中显示出潜力,但很少有应用被纳入FDA批准的解决方案。腹部影像中的人工智能产品落后于其他几个放射学亚专科[53],尽管每年有许多新算法获得FDA批准,我们预计未来可供腹部影像医生选择的方案数量将会增加。

尽管存在若干益处,人工智能在腹部影像中的实施也涉及挑战和风险,包括训练数据中的潜在偏倚、模型漂移、某些算法固有的“黑箱”性质,以及关于患者数据隐私和责任的伦理考量。为最大化人工智能的益处同时减轻这些风险,需要对算法进行本地验证、持续监测和治理。

未来的进展可能集中于增加从“实验台到临床”的转化,增加获FDA批准的腹部影像人工智能算法数量,开发综合性临床决策支持模型,以及整合多因素患者数据以提供整体评估。

电子补充材料

以下是电子补充材料的链接。

补充材料1

引用

  1. Mervak BM, Fried JG, Neshewat J, et al. Practical applications of AI in body imaging. Abdom Radiol (NY). 2025. PMID: 40576669. doi:10.1007/s00261-025-05088-3
  2. 全文:PMC12830429(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12830429/

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。