开发深度学习模型检测腹部计算机断层扫描中的游离气体以支持手术决策

背景：腹腔内游离气体（FA）是需要及时手术干预的关键发现。我们开发了一种基于人工智能的分割模型 Free Air-Net（FA-NET），用于检测腹部计算机断层扫描（CT）中的游离气体，并通过负训练进一步优化形成 FA-NET-NT，旨在减少假阳性。材料与方法：FA-NET-NT 使用来自单一机构的回顾性数据集（n = 162）开发。为了评估其泛化性，该模型通过时间内部队列（n = 215）和来自不同医院的独立外部队列（n = 237）进行验证，这些队列包含各种 CT 制造商和协议。模型评估包括三个方面：（1）Dice 相似系数，（2）图像级，（3）使用代表性 CT 片段（总轴向序列均分为 20 段中的第 4 至第 8 段）的患者级敏感性和特异性。如果模型在代表性图像中检测到至少两张图像有 FA，则该患者被视为有 FA。结果：两个模型均获得了较高的 Dice 分数（0.87）。FA-NET-NT 在图像级分析中提高了特异性（96%），同时保持了较高的敏感性（85%）。在患者级分析中，FA-NET-NT 对溃疡穿孔的敏感性为 95-96%，对非 FA 疾病（胆囊炎、胰腺炎和阑尾炎）的特异性为 82-92%。对肠梗阻的特异性仍为中等（62%）。在外部验证中，模型对溃疡穿孔的患者级敏感性为 95%。对包括阑尾炎（88%）、胰腺炎（88%）、胆囊炎（82%）和肠梗阻（80%）在内的鉴别诊断保持了高特异性。大多数假阳性发现归因于模拟 FA 的生理性肠气。结论：FA-NET-NT 是一种稳健的检测 FA 的决策支持工具，其泛化性已通过多机构验证得到确认。为了提供其临床优越性的确定证据，需要在急诊环境中进行进一步的前瞻性多中心试验。