Transformer 深度学习模型辅助 FAST 超声识别腹腔游离积液
Deep Learning for Ultrasound-Based Auxiliary Diagnosis of Emergency Ascites.
PubMed 文献 · Ultrasound Med Biol · 2026-01-03
回顾性收集 2019–2024 年两家医院 FAST 超声图像，开发并验证一个 Transformer 分割分类一体化模型，用于自动检测腹腔游离积液。内部五折交叉验证及外部验证显示其分类敏感度 0.901、特异度 0.837、AUC 0.871，辅助后可提高非超声专业操作者检测水平。
要点
- 该模型对 FAST 图像中游离腹腔积液检出能力接近初级超声医师。
- 非超声专业操作者在模型辅助后检测水平显著提升，组间差异消失。
- 模型可同步输出积液分割结果，便于快速定位异常区域。
核心结论
- Transformer 模型对 FAST 腹腔游离积液的自动检测效能与初级超声医师相当。
- 模型辅助可显著提高非超声专业操作者检测准确性并缩小组间差异。
研究设计与样本
- 回顾性研究，内部数据来自浙江省人民医院，2019 年 6 月至 2024 年 6 月。
- 内部集含 FAST 阳性图像 1829 幅、阴性图像 303 幅，采用五折交叉验证。
- 外部验证集来自湖北省人民医院，共 848 幅图像，阳性 424 幅、阴性 424 幅。
- 模型为整合分割与分类模块的 Transformer 架构。
- 外部图像由初级超声医师、临床医师及非临床操作者分别在模型辅助前后评估。
关键影像表现/征象
- 模型可对 FAST 声像图中的腹腔游离积液区域进行自动化分割与识别。
- 模型输出包括积液区域分割图和腹腔游离积液阳性/阴性的分类结果。
诊断标准与关键数值
- 内部五折交叉验证分割指标：平均 IoU 0.671 ± 0.009，Dice 系数 0.799 ± 0.013，像素准确率 0.809 ± 0.010。
- 内部五折交叉验证分类指标：平均准确率 0.922 ± 0.013，敏感度 0.938 ± 0.015，特异度 0.905 ± 0.015。
- 外部验证分类指标：准确率 0.883，敏感度 0.901，特异度 0.837，AUC 0.871。
- 外部验证分割指标：IoU 0.683，Dice 系数 0.812，像素准确率 0.781。
- 模型辅助后所有操作者组间差异消失，所有 p > 0.05。
临床应用与阅片要点
- 可将该模型嵌入 FAST 超声设备或工作站，实时提示腹腔游离积液可疑区域。
- 适合急诊、创伤评估中由非超声专业人员完成初筛时作为辅助诊断工具。
- 阅片时应将模型分割区域与肝肾隐窝、脾肾隐窝、盆腔等 FAST 标准切面结合判断。
- 模型辅助不能替代超声医师对积液来源、出血活动性及脏器损伤的判断。
局限性
- 研究为回顾性设计，仅纳入两家医院的 FAST 图像。
- 外部验证样本量相对有限，阳性与阴性图像各 424 幅。
- 原文未报告模型在不同机型、不同探头或不同增益条件下的稳定性评价。
以上解读依据论文摘要（全文未开放获取或许可不允许翻译转载）。
引用
- Wang, Ye, Cai, et al. Deep Learning for Ultrasound-Based Auxiliary Diagnosis of Emergency Ascites. Ultrasound Med Biol. 2026. PMID: 41483985. doi:10.1016/j.ultrasmedbio.2025.11.665
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。