超越诊断：基于深度学习的急诊科腹部X光片住院情况分析

《Abdominal Radiology》：Beyond diagnosis: deep-learning-based analysis of hospitalization using abdominal radiographs in the emergency department

深度学习模型通过分析腹部X线影像和临床数据预测急诊患者住院风险，融合模型内部验证AUROC达0.70，敏感性82%，但外部分析性能下降。深度学习模型在敏感性和F1分数上显著优于放射科医师，特异性较低但适合筛查。

　　

摘要

目的

腹部X光检查（AXR）在急诊科（ED）中是常规检查手段，但其临床应用价值有限。因此，本研究利用AXR数据开发了深度学习模型，以预测有腹部症状的急诊患者是否需要住院治疗。

方法

这项回顾性研究纳入了2021年8月至12月期间在急诊科就诊的1,585名有腹部症状的成年患者，这些患者均接受了AXR检查。外部验证样本包括112名患者。研究人员使用了随机森林分类器开发了三种预测模型：一种基于图像的模型、一种基于临床信息的模型，以及一种结合图像和临床特征的融合模型。DenseNet201算法用于提取图像特征，并结合了非医疗人员能够获取的早期临床信息。研究将两名放射科医生的诊断结果与深度学习模型的诊断结果进行了比较。

结果

在内部验证中，融合模型的接收者操作特征曲线下面积（AUROC）为0.70（95%置信区间：0.65–0.76），灵敏度为0.82，F1分数为0.75。人工读片的特异性较高（0.80–0.95），但灵敏度和F1分数较低（0.13–0.52）。深度学习模型的灵敏度和F1分数显著高于人工读片，但特异性较低（0.43），因此更适合用于筛查。在外部验证中，融合模型的性能有所下降（AUROC为0.60），但基于图像的模型仍比人工读片具有更高的灵敏度。在所有X光片中，11.1%显示出异常结果，其中5.8%的异常结果与最终诊断结果一致。

结论

深度学习显著提高了AXR在评估住院风险方面的临床应用价值，其灵敏度和F1分数均优于放射科医生。尽管这些模型还需进一步优化才能在实际临床中应用，但它们有望从传统上信息有限的影像学检查中提取出有价值的预测信息。