基于非增强CT的深度学习模型精准诊断急性胆囊炎并预测化脓性进展

《iScience》：Deep learning enables accurate diagnosis of acute cholecystitis and prediction of suppuration using noncontrast CT

本研究针对非增强CT在急性胆囊炎（AC）诊断和急性化脓性胆囊炎（ASC）预测中的临床需求，开发了基于深度学习的智能诊断系统。通过分析三中心641例患者的CT影像，该模型在AC诊断和ASC预测中分别达到89.81%/81.83%和84.52%/85.60%的内外部测试准确率，显著优于传统影像组学模型和放射科医生评估。多模态融合临床数据进一步提升了模型性能，10.5秒分割和1.3秒推理的高效性使其具备临床转化潜力。

　　

在急诊科，急性腹痛是常见的就诊原因，其中急性胆囊炎（Acute Cholecystitis, AC）占据重要地位。这种疾病若未及时处理，可能进展为急性化脓性胆囊炎（Acute Suppurative Cholecystitis, ASC），导致胆囊积脓或周围脓肿，显著增加手术难度和患者死亡风险。计算机断层扫描（Computed Tomography, CT）作为急诊腹痛的首选影像学检查，在临床实践中却面临挑战：尽管增强CT诊断价值明确，但考虑到辐射暴露、造影剂禁忌症和急诊资源限制，非增强CT仍是首选方案。然而，非增强CT仅依靠胆囊壁增厚、胆囊结石等特征诊断AC的准确性有限，对ASC的预测能力更是难以满足临床需求。

针对这一临床困境，中国医科大学附属医院的研究团队在《iScience》上发表了创新性研究。他们开发了一套基于深度学习的诊断系统，仅利用腹部非增强CT图像就能实现AC的准确诊断和ASC的进展预测。这项技术突破为急诊场景下快速、精准的胆囊炎诊断提供了新思路。

研究团队采用了多项关键技术方法：收集三家医疗中心641例患者的回顾性数据，使用TotalSegmentator工具进行胆囊自动定位和分割，基于ResNet50架构构建深度学习模型，采用五折交叉验证优化模型性能，通过Grad-CAM和t-SNE技术实现模型可解释性分析，并整合临床信息建立多模态预测模型。

患者特征

研究纳入了三个医疗中心的641例患者，其中中心1包含150例AC和122例非AC患者，中心2包含153例AC和96例非AC患者，中心3作为独立外部测试集包含75例AC和45例非AC患者。各组间在性别分布上无显著差异（p=0.9956），但中心3患者年龄较大（p=0.0168），白细胞计数也存在组间差异（p=0.0382），体现了真实世界数据的异质性。

AC诊断性能

传统机器学习模型在AC诊断任务中表现不稳定，支持向量机（Support Vector Machine, SVM）和逻辑回归（Logistic Regression, LR）模型虽然特异性较高（0.8889和0.9333），但召回率偏低（0.7867和0.7600），存在漏诊风险。而深度学习模型表现出色，内部测试集准确率达89.81%，外部测试集为81.83%。多模态模型整合临床信息后，性能进一步提升，内部测试准确率达到93.58%，外部测试为86.50%。

模型可解释性

Grad-CAM可视化显示模型注意力主要集中在胆囊区域，证实了其决策的合理性。t-SNE降维分析进一步表明，深度学习特征相比传统影像组学特征具有更清晰的类别边界，体现了深度学习方法在特征提取方面的优势。

ASC预测性能

在更具挑战性的ASC预测任务中，传统机器学习模型表现普遍不佳，最高曲线下面积（Area Under Curve, AUC）仅0.7151。而深度学习模型内部测试准确率达84.52%，外部测试为85.60%，召回率尤其突出（91.58%），表明其能有效识别高危患者。多模态模型在内部测试中准确率进一步提升至90.32%。

与人工诊断对比

深度学习模型显著优于放射科医生评估，后者在有临床背景信息和无背景信息条件下的诊断准确率分别为69.33%和61.33%，F1分数为0.6230和0.5397，远低于深度学习模型。

计算效率

模型在NVIDIA RTX 4090 GPU上表现出优异的计算性能，单例胆囊分割平均耗时10.5±3.8秒，推理时间仅1.3±0.4秒，满足急诊场景下的实时性需求。

该研究的成功实施标志着智能影像诊断领域的重要进展。通过深度学习技术，常规非增强CT扫描的价值得到了极大拓展，不仅能够实现AC的早期诊断，还能预测疾病的严重程度进展。这种"一站式腹部CT"智能诊断模式，特别适合症状不典型、病史叙述困难的老年患者，以及医疗资源有限的急诊环境。

研究的创新性体现在多个方面：首次将深度学习应用于非增强CT的ASC预测，解决了增强CT依赖性问题；通过多中心外部验证证实了模型的泛化能力；结合可解释性技术增强了临床可信度；高效的计算性能确保了临床实用性。然而，研究也存在一定局限性，如回顾性设计可能引入选择偏倚，未纳入炎症相关血清学标志物，以及未在特定亚组人群中验证模型性能。

总体而言，这项研究为急性胆囊炎的智能诊疗提供了可靠的技术支持，有望在未来优化急诊 workflows，提高诊断效率，改善患者预后。随着进一步的前瞻性验证和技术优化，这种基于深度学习的诊断模式有望成为急性腹痛评估的标准工具之一。