AI模型助力CT扫描检测隐匿气道异物

快速阅读: 南安普顿大学与武汉研究人员合作，开发AI模型用于检测CT扫描中难以显示的吸入异物，准确率高于放射科医生，显著减少漏检率，有望改善患者预后。

一项发表在《npj数字医学》上的研究指出，人工智能模型在检测CT扫描中难以显示的吸入异物方面优于放射科医生。这些吸入的异物可能导致咳嗽、窒息、呼吸困难，若未得到及时治疗，还可能引发更严重的并发症。该研究由南安普顿大学的王一华博士、邹赫博士及罗伯·埃文教授领导，与中国武汉的研究人员合作完成。

“这些异物极其细微，即使是经验丰富的临床医生也可能错过。”南安普顿大学的博士研究生陈哲，该研究的共同第一作者说道，“我们的AI模型就像第二双眼睛，帮助放射科医生更早、更可靠地发现这些隐蔽病例。”

异物吸入（FBA）是指食物或小物体卡在气道内的情况。当这些物体在X光下不可见且在CT扫描上显示不清时，诊断难度极大，容易导致误诊或漏诊，从而增加患者严重并发症的风险。成人FBA病例中有高达75%涉及此类不可见异物。

为应对这一挑战，研究团队开发了一种深度学习模型，该模型结合了高精度气道映射技术（MedpSeg）与分析CT图像以识别异物的神经网络。模型训练和测试使用了来自中国医院的三个独立患者群体，超过400名患者的数据。

为了测试模型的表现，研究人员将其与三位具有十年以上临床经验的放射科医生进行了比较。任务是检查70张CT扫描图像，其中14张确认为不可见异物吸入（FBA），通过支气管镜确诊。放射科医生在检测FBA时没有假阳性案例，而AI模型的准确率为77%，尽管存在一些假阳性。然而，放射科医生错过了很大一部分FBA病例，仅识别出36%的病例，这表明人类在识别这类病例时的难度。相比之下，AI模型能够识别71%的病例，显著减少了漏检率。

在F1分数（平衡精确度和召回率）上，模型得分74%，高于放射科医生的53%。“研究结果展示了AI在医学领域的实际潜力，尤其是在通过常规影像学难以诊断的疾病方面。”该研究的主要作者王一华博士表示。

研究人员指出，该系统旨在辅助放射科医生，在复杂或不确定的情况下提供额外的信心。他们计划开展多中心研究，涵盖更大、更多样化的患者群体，以改进模型并降低偏倚风险。这项研究得到了英国医学研究委员会和中国奖学金委员会的支持。

(以上内容均由Ai生成)