AI检测腹部CT气腹:多中心诊断性能与容积分层分析
开发并验证一个基于3D卷积神经网络的AI算法,用于腹部CT气腹的自动检测、分割和容积量化。内部测试607例中敏感度91.4%、特异度93.1%、AUC 0.97;外部验证214例急诊CT中敏感度84.3%、特异度89.6%。AI测量气体容积与人工参考标准一致性极高,但微小游离气体检测仍是主要局限。
要点
- AI对外部验证急诊CT的敏感度84.3%、特异度89.6%,可用于报告工作流优先排序。
- 气腹容积越大检测越可靠,<2 mL时敏感度仅68.1%,>50 mL时达100%。
- AI气体容积与人工测量一致性极高(ICC 0.996),利于客观判断游离气体量。
核心结论
- AI模型在腹部CT气腹检测中总体诊断准确性较高,外部验证敏感度84.3%(95% CI: 76.2-90.5%),特异度89.6%(95% CI: 82.3-94.6%)。
- AI检测敏感度与游离气体容积呈正相关,微量气腹仍是当前模型的主要漏诊来源。
研究设计与样本
- 多中心回顾性研究,开发队列2072例(31个中心),按约7:3分为1465例训练集与607例内部测试集。
- 外部验证队列为214例急诊腹部CT(108例阳性、106例阴性),来源于中日友好医院,时间跨度为2022年4月至2024年12月。
- 扫描覆盖6家主要CT厂商,层厚0.3-5.0 mm,外部验证纳入非增强5 mm轴位腹部CT。
- 参考标准为诊断报告;容积量化由2名腹部放射科医师独立评估并共识,使用Philips工作站半自动工具逐层勾画。
- 模型采用3D U-Net变体进行气体分割,级联双分割网络抑制假阳性,再用3D残差分类网络输出气腹诊断概率。
关键影像表现/征象
- 膈下间隙表现最佳,敏感度100%、特异度99.1%、准确性99.3%,是AI最容易识别的气腹区域。
- 盆腔游离气体检测敏感度相对较低(80.0%),但特异度仍达100%。
- 结肠直肠穿孔所致气腹检测敏感度较低(73.2%),胃十二指肠穿孔敏感度达91.7%。
- AI可同时输出游离气体分割掩膜和容积量化,气体分布按膈下、肝门区、腹壁中部、肠系膜间隙、盆腔五区评估。
- 模型在单个NVIDIA A4000 GPU上平均每例运行26.56秒,可嵌入急诊流程。
诊断标准与关键数值
- 内部测试607例:敏感度91.4%,特异度93.1%,AUC 0.97(95% CI: 0.95-0.99)。
- 外部验证214例:敏感度84.3%(95% CI: 76.2-90.5%),特异度89.6%(95% CI: 82.3-94.6%),准确性86.9%(95% CI: 81.6-91.2%),PPV 89.2%,NPV 84.8%。
- 排除<1 mL微量游离气体后敏感度提升至96%,容积>50 mL时敏感度达100%。
- 容积分层:<2 mL时敏感度68.1%、特异度对应假阳性率6.6%;2-50 mL时敏感度93.9%;>50 mL时敏感度100%。
- 分类阈值固定为0.7,在内部测试集平衡敏感度与精确度,之后未在外部验证中调整。
临床应用与阅片要点
- 针对急诊腹部CT可用AI提示高风险气腹病例,辅助优化阅片顺序并缩短报告周转时间。
- 阅片时重点警惕AI在<2 mL甚至<1 mL微量气腹、结肠直肠穿孔及盆腔游离气体方面的假阴性可能。
- AI气体容积与人工测量近乎一致(ICC 0.996),可用于客观描述气体量并分级。
- AI的假阳性主要可能与胃肠腔内气体混淆,应结合多平面重建和五区分区系统人工复核。
局限性
- 内部测试集同时用于阈值选择,其敏感度、特异度和准确性估计可能存在乐观偏差,故以外部验证为一级证据。
- 创伤(n=2)和术后(n=3)亚组样本量仅占5%,敏感度结果解释受限。
- 外部验证仅纳入单中心5 mm非增强轴位CT,其他中心、对比剂增强和薄层扫描条件下的推广性尚需评估。
- 微量气腹<1 mL检测仍是模型的主要薄弱点。
- 研究为回顾性设计,缺乏对急诊临床流程影响的实时评估。
全文中译22 节 · 点击展开
引言
气腹,定义为腹腔内出现病理性空气或气体,是急腹症的关键征象,常提示腹腔内存在穿孔、破裂及其他严重病变[1]。延迟诊断可能引发腹膜炎和脓毒症等严重并发症,导致其30天死亡率高达21%,并显著增加医疗费用[2, 3]。早期发现至关重要,因为其可促成及时的手术干预,这对于脓毒性休克患者的生存尤为关键,从而显著改善临床结局[4]。
目前的诊断手段包括腹部X线平片、超声检查和计算机断层扫描(CT),其中CT因其优越的敏感性而被视为诊断金标准[5]。然而,传统的人工判读CT图像具有时间依赖性和经验差异性,容易导致漏诊或误诊。诊断错误可能直接影响患者管理,据报道7.2%的病例出现不良结局[6]。近年来,人工智能算法在CT扫描、X线和超声等医学影像技术方面取得了显著进展[7–13],深度学习算法在辅助检测CT扫描中的气腹方面具有潜力[14, 15]。通过实现对大规模影像数据的快速、准确分析,人工智能可以减轻放射科医生的工作负担并提高诊断可靠性,从而弥补传统人工判读的局限性。在临床实践中,基于人工智能的分诊系统可通过自动化处理和实时分析无缝集成到放射科工作流程中。结果通常以警报或独立界面的形式与PACS并列呈现,从而能够快速识别高风险病例。这种方法将工作流程从被动判读转变为主动优先级排序,缩短了报告出具时间,促进了更早期的临床干预[16]。
然而,由于微量气腹在CT上表现细微、体积小且与肠腔内气体重叠,其检测本身仍具有挑战性。既往研究表明,人工智能的性能具有体积依赖性,对微量游离气体的敏感性降低[14],这凸显了当前系统的一个重要局限性。
在此背景下,本研究开发了一种人工智能算法,用于腹部CT扫描中气腹的自动检测、分割和体积量化。该模型采用卷积神经网络(CNN)架构,旨在捕获轴位和纵向平面上的空间及上下文特征,从而实现精确的分割与分类同步进行。这种集成方法同时生成像素级可视化结果和患者级预测结果。与既往研究相比,该模型采用三维(3D)架构,能够捕获空间连续性和上下文信息,这对于区分腹腔内游离气体与肠腔内气体至关重要。研究实施了包含解剖学感知后处理的级联设计,以有效抑制假阳性。该系统使用外部测试集进行了严格验证,表明其性能稳健且具有潜在的临床适用性。
材料与方法
CT成像中气腹的检测依赖于识别、定位和量化游离气体征象。CT图像中的游离气体表现为极低的Hounsfield单位(HU)值,并呈现多种形态和大小,从聚集的大量积气到散在的微小气泡不等。鉴于游离气体与肺内空气或腹腔脏器(如胃、肠)内气体之间经常存在潜在的混淆,加之检测微小气泡本身具有难度,我们开发了一种用于CT成像气腹检测的AI算法。该算法使用带有金标准标签的大规模数据集进行训练。
本研究是一项评估诊断试验性能的多中心回顾性研究,经中日友好医院(CJFH)机构审查委员会批准(批准号:2023-KY-013-1)。机构审查委员会免除了知情同意要求,因为研究使用了完全匿名化且不含临床标识符的影像数据。试验阶段结束后,从研究数据库中提取数据和模型预测结果进行进一步分析。
本研究包括四个阶段:开发数据收集(2023年8月—2024年2月)、模型开发与迭代(2023年9月—2024年5月)、内部测试(2024年3—5月)和外部验证(2024年12月—2025年1月)。外部验证队列在时间和机构上均独立于开发及内部数据集。
数据分布
我们建立了一个用于算法开发的多中心队列,包含来自31个临床中心的2072例患者的CT数据。每例患者对应一次CT检查,共产生2072个体积CT数据集(即维度为V × M × N的完整三维体数据)。扫描来自六大CT制造商(联影、GE、东芝、西门子、飞利浦和NMS)以及一个额外的未知厂商(标记为ANO),涵盖了广泛的层厚范围(0.3–5.0 mm),并具有完整的腹部覆盖范围(补充材料A)。
在患者水平按7:3的比例进行数据划分,产生包含1465例患者的训练队列(365例阳性,1100例阴性)和包含607例患者的内部测试队列(140例阳性,467例阴性)。为防止数据泄漏,划分严格在患者水平进行,确保某一CT体数据中的所有轴位层面均被专门分配至训练集或测试集,队列之间无重叠(补充材料B)。在患者水平,诊断报告作为金标准参考。在游离气体水平,阳性数据中所有游离气体实例均由三位标注者仔细勾画,这些标注随后经一位资深放射科医师审核并批准。
算法描述
我们基于CT的气腹检测算法包含四个集成模块:预处理、游离气体检测、后处理和气腹诊断,如图1所示。
预处理模块
在图1b中,一个腹部分割模型提取腹部区域掩膜。后续游离气体检测的输入图像域被限定在该掩膜所界定的腹部边界框内。
游离气体检测模块
在图1a中,该模块采用两个级联的分割网络来定位游离气体层面上所有潜在的气体实例。初级分割网络和次级分割网络采用相同的架构:一个4层对称编码器-解码器结构。输入由双通道图像(腹部受限CT和腹部掩膜)组成。在编码器阶段,通过池化层逐步提取特征。解码器阶段逐步恢复空间分辨率。两个阶段均由基本组件构建而成,包括3D卷积层(Conv3D)、3D批归一化(BatchNorm3D)和ReLU激活函数。最后的sigmoid激活层输出游离气体的概率图。遵循先前的病灶检测研究(如CT肺结节检测[17]),初级分割网络检测所有候选游离气体区域。次级网络随后抑制初级网络识别出的假阳性气体区域。该策略在极小影响召回率的情况下减少假阳性(补充材料C),这在临床上是合理的,因为单个真实病灶即可确诊,而假阳性可能导致误诊。两个游离气体分割模型如图2所示。
后处理模块
在图1c中,该阶段整合了针对肺和胃的专用分割网络。基于所得的肺和胃掩膜,所有检测到的游离气体实例均经过处理,以滤除位于肺或胃腔内的明显(“假性”)游离气体,从而进一步降低假阳性。
气腹诊断模块
在图1d中,该模块基于处理后的游离气体检测结果,在患者层面确定气腹是否存在。它首先提取体积排名前5的候选气体实例。每个实例被输入一个分类网络以计算其诊断概率。气腹的分类决策随后基于前5个实例中概率得分最高的实例作出。该网络的输入是以候选气体实例为中心的双通道图像块(CT图像和掩膜)。特征提取通过一个4层卷积网络进行下采样,随后经过两个全连接层,最终由softmax激活函数输出最终诊断概率。气腹诊断模型的详细架构如图3所示。
训练策略
游离气体检测模块中两个分割网络的训练均由结合了Dice损失和focal损失[18]的联合损失函数引导,使用Adam优化器进行优化。关键的是,对于主分割网络(旨在识别所有可能的气体),损失计算涵盖整个腹部区域。相反,对于次要网络(专注于假阳性减少),损失计算仅限定在主网络识别为游离气体的区域内。原始CT体数据经重采样为各向同性[1 mm, 1 mm, 1 mm]体素,并切分为[160, 160, 160]的图像块。网络训练在两块NVIDIA A100 GPU上进行,批大小为8。此外,输入图像的灰度强度分布被归一化到窗宽(WW)500 HU和窗位(WL)50 HU,该设置针对腹部游离气体的显示进行了优化。气腹诊断模块中的分类网络使用交叉熵损失进行训练,同样由Adam优化。所有网络训练均采用了数据增强技术,包括随机平移、旋转和缩放,以增强模型鲁棒性。学习率和训练轮数总结于表1。
外部验证
本项回顾性诊断性能研究使用了一个独立验证队列,包含2022年4月至2024年12月期间在中日友好医院(CJFH)采集的214例急诊腹部CT扫描(108例阳性,106例阴性)。该期间所有连续扫描均与相应放射学报告一起被系统性收集。纳入标准限定为层厚标准化为5 mm且腹部覆盖完整的平扫轴位CT图像。存在技术错误、显著伪影或报告缺失的扫描被排除。患者选择和分析流程如图4所示。
气腹分区
我们采用标准化的五区域CT评估方案,对腹腔内游离气体的存在及其空间分布进行了系统性评估。这一系统化方法涵盖了对五个关键解剖区域的详细分析:(1)膈下间隙,(2)肝门区,(3)中前腹壁间隙,(4)肠系膜间间隙,(5)盆腔。在基于区域的分析中,各区域被视为非互斥的,每个区域均独立评估。敏感性和特异性采用各区域特定的参考标准进行计算,阳性病例定义为某一给定区域内存在游离气体,阴性病例定义为该区域内不存在游离气体,无论其他区域是否受累。
气腹分级
腹腔内游离气体的容积评估在Nebula工作站(IntelliSpace Portal 10.1,飞利浦)上进行,采用轴位CT图像的手动分割,并仔细排除肠腔内气体。利用5 mm薄层轴位图像及多平面重建(MPR),结合半自动容积工具对总气体容积进行定量。为便于临床相关性分析,将测得的气体容积分为四个等级:(1)无(未检出游离气体),(2)少量(总容积<2 mL),(3)中量(2 mL<总容积<50 mL),(4)大量(总容积>50 mL)。
参考标准
外部验证队列的主要评估参考标准基于诊断报告建立。对于外部验证中的亚组分析,两位经过专科培训的腹部放射科医师(H.S.和Y.H.,专科培训后工作经验分别为25年和5年)在部分设盲条件下独立审阅了所有CT扫描。具体而言,他们可获取基本临床信息,但对放射学报告和AI模型输出保持设盲。他们的系统性分析包括评估腹腔内游离气体的空间分布和容积定量。不一致的病例通过协商达成共识。
统计学
本研究旨在评估AI模型在腹部CT扫描中诊断气腹的诊断性能,连续变量以均值和标准差(SD)报告,分类变量以计数和百分比报告。容积测量的观察者间一致性采用组内相关系数(ICC)评估。AI测量的结果与参考标准之间的一致性通过容积相关性分析和ICC进行全面评估。模型性能在训练集和测试集上均进行了评估。主要结局指标为与参考标准相比的曲线下面积(AUC)。其他指标——包括敏感性、特异性、准确率、阳性预测值(PPV)和阴性预测值(NPV)——均计算了95%置信区间。外部验证采用独立测试集进行。亚组分析评估了不同解剖位置(如膈下、盆腔)、病因(如穿孔、创伤和术后)及气腹容积类别间的性能。所有统计计算均使用SPSS 26.0(IBM公司)完成。
结果
数据集特征
一个包含2072例腹部CT扫描的多中心数据集被用于模型开发与验证。基线特征见表2。训练集包括365例气腹阳性病例(平均年龄59 ± 19.3;34.2%为女性)和1100例阴性病例(平均年龄57 ± 17.9;44.8%为女性)。测试集包含140例阳性病例(平均年龄60 ± 19.0;37.1%为女性)和467例阴性病例(平均年龄55 ± 16.6;44.3%为女性)。
阈值选择策略
气腹的最佳诊断阈值使用内部测试队列(n = 607)确定,无训练数据泄漏。评估了六个候选阈值(0.5–0.95)(补充材料D)。选择阈值0.7是因为其均衡的性能——稳健的灵敏度和较高的精确度,后者在低患病率环境中至关重要,以减少假阳性并避免不必要的侵入性检查。鉴于同一内部测试队列同时用于阈值选择和初步性能评估,该队列报告的灵敏度、特异度和准确度应被解读为存在乐观偏倚的估计值。因此,固定阈值(0.7)的独立评估在外部验证队列(n = 214)上进行,未再做进一步调整。该外部验证为模型稳健性和跨中心泛化能力提供了主要证据。
AI算法性能
在患者层面,我们的AI气腹检测算法在前瞻性测试集(n = 607)上达到了91.4%的灵敏度、93.1%的特异度,AUC为0.97(95% CI:0.95–0.99)。在单块NVIDIA A4000图形处理单元(GPU)上进行的实际部署测试中,该算法的平均执行时间为每例26.56秒,显存(VRAM)占用约为5175兆字节(MB)(表3)。
外部验证
来自中日友好医院的外部队列共214例患者:108例气腹阳性(平均年龄59 ± 17.1;37.0%为女性)和106例阴性对照(平均年龄46 ± 17.8;48.1%为女性)(表2)。模型总体灵敏度为84.3%(95% CI:76.4–90.2),特异度为89.6%(95% CI:82.5–94.5),准确度为86.9%(95% CI:81.6–91.2),阳性预测值(PPV)为89.2%(95% CI:81.8–94.2),阴性预测值(NPV)为84.8%(95% CI:77.1–90.5)(表3和图5)。
按气腹区域和病因进行的分层分析
不同解剖区域的诊断性能存在差异(表4)。膈下间隙表现最佳,灵敏度为100%(95% CI:92.3–100.0),特异度为99.1%(95% CI:94.8–100.0),准确度为99.3%(95% CI:96.2–100.0)。肝门区也表现良好,灵敏度为92.7%(95% CI:80.1–98.5),特异度为99.1%(95% CI:94.8–100.0),准确度为97.3%(95% CI:93.1–99.3)。值得注意的是,盆腔和肠系膜间隙的灵敏度相对较低(分别为80.0%,95% CI:63.1–91.6和87.5%,95% CI:73.2–95.8),但仍保持了较高的特异度(分别为100.0%,95% CI:96.6–100.0和95.3%,95% CI:89.4–98.5)。
基于病因的分析显示,胃十二指肠穿孔的检测性能最佳,敏感性为91.7%(95% CI:77.5–98.2),特异性为98.1%(95% CI:93.3–99.8),准确性为96.5%(95% CI:91.8–98.9)。小肠穿孔的检测敏感性为90.5%(95% CI:69.6–98.8),特异性为95.3%(95% CI:89.3–98.5)。结直肠穿孔的敏感性相对较低(73.2%,95% CI:57.1–85.8),但特异性较高(96.2%,95% CI:90.6–99.0)。在创伤性(n = 2)和术后(n = 3)亚组中,模型实现了100%的敏感性;然而,样本量较小(占病例的5%)限制了对结果的解读(表4)。
按气腹量分层分析
容积测量的观察者间一致性极好(ICC = 0.992;95% CI:0.988–0.994)。AI推导的气体容积与参考气体容积之间具有极好的一致性,Pearson相关系数为0.993(p < 0.001),ICC为0.996(95% CI:0.994–0.997)。分层分析表明,各容积范围内的性能总体一致:< 2 mL时ICC为0.904(95% CI:0.804–0.950),2–50 mL时为0.962(95% CI:0.923–0.981),> 50 mL时为0.993(95% CI:0.985–0.997)。
模型敏感性随气腹量增加而提高(表5)。对于小气腹量(< 2 mL,占病例的43.5%),敏感性为68.1%,假阳性率为6.6%。在中等气腹量(2–50 mL,占30.6%)中,敏感性提高至93.9%,假阳性率为1.9%。对于大气腹量(> 50 mL,占25.9%),敏感性达到100%,假阳性率维持在1.9%。排除游离气体< 1 mL的病例后,敏感性提高至96%(67/70);当限制为超过2 mL的病例时,敏感性进一步提高至97%(59/61),表明检测敏感性与游离气体量呈正相关。
讨论
近年来,人工智能越来越多地被用于辅助放射科医师进行图像判读,特别是在X线成像中,如胸片和骨折检测,通过减少阅片时间和减少人为错误[8, 19]。深度学习模型在CT上检测肺结节和早期肺癌方面达到了与经验丰富的放射科医师相当的性能,并可作为“第二阅片者”以提高检出率[20]。在急诊环境中,人工智能已被应用于检测急性疾病,包括肺栓塞、颅内出血[21, 22]和急腹症(如阑尾炎、肠梗阻和气腹),支持病灶标注、优先级排序和工作流程优化[23]。
值得注意的是,人工智能在检测腹腔内游离气体的影像学特征方面已展现出潜力,从而支持放射学诊断并提高效率,尤其是在急诊和夜间场景中[24]。尽管如此,基于CT的准确检测仍具挑战性;虽然特异性通常较高,但敏感性仍不理想[14, 25]。既往模型主要基于二维(2D)分割,由于腹腔内游离气体与肠腔内气体在形态上相似,难以可靠地区分二者[14]。3D分割可提供更丰富的空间和形态学信息,改善气体分布特征的刻画及其与肠内气体的鉴别,有望在临床实践中显著提高检测准确性[15]。在本研究中,我们开发并验证了一套基于深度学习的AI系统,用于CT检测腹腔内游离气体,旨在检测并定位游离气体,随后进行自动分割和体积定量。
所提出的气腹检测算法包含四个集成模块:预处理、游离气体检测、后处理和气腹诊断。该模型采用级联神经网络架构,可执行自动腹腔分割、使用互补3D网络进行双相气体检测、通过专用器官分割实现解剖学感知的假阳性抑制,以及具有临床可解释性的概率诊断。外部验证队列中性能略有下降可能归因于若干因素。首先,使用来自常规临床实践的5 mm厚层急诊腹部CT扫描,由于空间分辨率较低,可能降低了对小而细微气体积聚的检测敏感性。其次,开发数据集与外部数据集之间的域偏移——包括扫描设备厂商、采集方案和患者人群的差异——可能影响了泛化能力。第三,仅使用平扫CT可能进一步增加了区分腹腔内游离气体与邻近结构的难度。该模型在识别微气泡和抑制假阳性方面表现出特别优势,这对于最大限度地减少警报疲劳至关重要。其模块化级联设计支持敏感性与特异性之间的平衡取舍。
气腹最常由空腔脏器穿孔引起,尤其是胃十二指肠溃疡穿孔,其他原因包括腹部手术、创伤、感染、腹腔穿刺和肠壁囊样积气症 [26]。腹腔内游离气体根据重力和腹膜解剖结构分布,优先积聚于膈下间隙,由于腹膜韧带和右侧结肠旁沟的引导,以右侧为主 [27, 28]。基于多层螺旋CT图像的回顾性分析,我们提出一种新的腹腔游离气体“五区分类法”,将腹膜腔分为膈下区、肝门区、中腹壁区、肠系膜间区和盆腔区,以规范检测和临床评估。该AI系统表现出区域依赖性性能,在上腹部区域(膈下区和肝门区)具有更高的诊断准确性,可能由于气体量较大、解剖结构稳定、肠道气体干扰极小以及特征性气体形态所致。相比之下,中下腹部区域(肠系膜间区和盆腔区)的敏感性较低,可能与气体量较小、炎性改变以及与肠道气体重叠有关 [29]。
亚组分析显示,诊断性能因病因而异。上消化道穿孔主要累及膈下区和肝门区气体,而结直肠穿孔则更具挑战性,可能由于解剖结构复杂和肠腔内气体丰富所致。亚组趋势与PACT-3D框架一致 [15];然而,这些比较是间接的,因为未进行头对头评估。需要更大规模的多中心研究来验证跨病因的普适性。
对误分类病例的回顾性分析显示,假阴性主要与散在的游离气体有关,特别是在肠系膜或腹膜后区域,其形态与正常肠腔内气体极为相似。该模型在检测微小气泡方面表现出局限性,这类气泡常见于憩室炎或阑尾穿孔。相比之下,较大的累积气体量能被准确识别,通常提示外科急症。同时,该模型表现出较高的特异性,有助于减少假阳性诊断并缓解潜在的诊断疲劳。对假阳性病例的分析确定了关键混杂因素,包括含气脓肿、皮下气肿、肠腔内积气扩张、气液平面以及人工植入物伪影。本研究结果与I-Min Chiu及其同事的观察一致 [15]。然而,由于未在同一数据集上进行直接比较,这些观察结果应视为间接性的。
人工智能(AI)的最新进展提高了腹腔内游离气体的检测能力;然而,识别极少量气体(< 5 mL)仍然具有挑战性。既往研究(包括 Chiu 等 [15])已证明其敏感性具有体积依赖性,在 1 mL 阈值时为 89–91%,在 10 mL 阈值时为 95–98%。与这些发现一致,我们的模型对 1.0 mL 以上体积的敏感性达到 96%,对 2.0 mL 以上体积的敏感性达到 97%,与既往报道的结果相比表现良好。值得注意的是,本研究使用经过临床验证的 AI 系统引入了对游离气体的精确体积定量,为支持早期诊断和疾病监测提供了一种定量工具。该模型在各体积范围内与参考标准表现出高度一致性,但对于微量气腹(< 2 mL),性能有所下降。
本研究存在若干局限性。首先,与较大气体体积相比,微量气腹的敏感性相对较低,表明需要改进对小体积游离气体的检测。其次,外部验证队列中气腹的患病率被人为平衡(约 50%),这可能限制了其推广到常规临床环境的普适性。最后,尽管该模型可能有助于在急诊环境中快速检测和分诊气腹,但其在实际应用中的效用仍有待确立,其临床影响应被视为提出假设。未来研究应包括前瞻性阅片者研究和静默模式部署,以评估对放射科医师表现、工作流程效率和临床决策的影响。
总之,本研究证明了开发一种用于在腹部 CT 扫描中精确识别气腹的深度学习模型的可行性。该模型表现出较强的内部性能以及稳健(尽管略有降低)的外部性能。它在检测和定量腹腔内游离气体方面显示出良好的性能,对临床相关体积具有较高的特异性和敏感性,尽管微量体积的检测仍然具有挑战性。这些特点凸显了其在促进快速急诊决策和改善患者预后方面的潜力。然而,在广泛部署之前,明确需要进行前瞻性多中心和影响工作流程的验证。
补充信息
电子补充材料
引用
- Hu, Sun, Li, et al. Diagnostic performance of an artificial intelligence algorithm for detecting pneumoperitoneum on abdominal CT scans. Insights Imaging. 2026. PMID: 42471462. doi:10.1186/s13244-026-02348-8
- 全文:PMC13380604(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC13380604/
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。