编辑推荐：
为解决创伤患者全身 CT 图像解读耗时久的问题，京都大学的 Naoki Okada 等人开展 Uni-CT 算法研究。结果显示该算法可缩短诊断时间且不影响准确率。推荐阅读，一同探索创伤诊断影像技术新突破。
京都大学信息学研究科（Graduate School of Informatics, Kyoto University）的 Naoki Okada 等人在《Scientific Reports》期刊上发表了题为 “Unified total body CT image with multiple organ specific windowings: validating improved diagnostic accuracy and speed in trauma cases” 的论文。这篇论文在创伤医学的影像学诊断领域具有重要意义，为提高全身 CT（Computed Tomography，电子计算机断层扫描）图像解读效率、改善创伤患者救治效果提供了新的思路和方法。
研究背景
全球每年创伤患者的数量超过 1 亿，死亡率超 10%，创伤救治至关重要。全身 CT 扫描在评估严重创伤患者方面作用显著，随着 CT 技术进步，成像过程加快。然而，全身 CT 图像解读耗时较长，会延误干预时机，影响患者预后。因此，缩短 CT 图像解读时间成为改善患者预后的关键挑战。
目前，已有一些探索全身 CT 图像解读协议的方法，如创伤 CT 重点评估（Focused Assessment with CT for Trauma，FACT），旨在 2 - 3 分钟内解读创伤全身 CT 结果，关注对紧急治疗决策关键的观察结果，涵盖广泛的致命性发现，能对潜在致命伤进行快速干预。但它和传统解读方法一样，需要为每个感兴趣的器官调整窗口设置，常常要多次参考同一层面图像，频繁切换设置影响了 CT 图像解读的效率。
还有一些研究探索了同时评估多个器官的窗口化方法，像窗口融合技术，它将肺、软组织和骨窗设置的图像叠加来评估胸部创伤。但这种叠加技术会模糊每个窗口设置的独特特征，阻碍医生对每个器官的评估。
研究方法
- 伦理审批：本研究获得大阪综合医疗中心临床医学伦理委员会批准（IRB:2021 - 070），因研究具有回顾性且对参与者风险极小，故豁免书面知情同意。研究遵循《赫尔辛基宣言》原则，并在所有参与机构张贴研究摘要，在日本临床试验注册中心注册（jRCT1050230166）。
- 图像数据集：收集 2008 年 11 月 7 日至 2020 年 6 月 19 日大阪综合医疗中心的创伤患者 CT 图像。纳入标准为钝性创伤且接受增强全身 CT 扫描、有多种创伤表现的患者，排除有严重伪影、数据缺失或显示不佳的图像。最终回顾性收集 40 例病例，图像由三种不同 CT 机（Aquilion 64、Aquilion CX 和 Aquilion PRIME）以 DICOM 格式采集，在注射造影剂 90 秒后开始成像，获取颈部到骨盆的 5mm 轴向切片图像。使用 Fisher - Yates 洗牌法将 40 例病例随机分为两组，前 20 例为实验组（使用 Uni - CT 算法），后 20 例为传统组。
- 注释：由具有 10 年以上临床经验的放射科专家诊断结果作为注释依据。提取主动脉损伤、纵隔血肿、广泛肺挫伤、气胸 / 血胸、心脏压塞、腹腔内血肿（通常是膀胱直肠间隙血肿）、骨盆和椎体骨折、腹膜后血肿以及实质器官损伤等发现，并根据 FACT 协议将这些发现分为五组：主动脉损伤和纵隔血肿为 A 组；广泛肺挫伤、气胸 / 血胸和心脏压塞为 B 组；腹腔内血肿为 C 组；骨盆 / 椎体骨折和腹膜后血肿为 D 组；实质器官损伤为 E 组。
- 算法结构：图像生成算法包含三个步骤。第一步，利用语义分割模型从全身 CT 图像中提取解剖结构；第二步，动态计算每个提取的解剖结构的最佳窗口设置并应用于窗口处理，对于不属于提取结构的其他区域，应用固定的软组织窗口设置；第三步，将所有器官特异性窗口设置图像连接成一系列图像。
- 提取解剖结构：先将 DICOM 格式的 CT 数据用 dicom2Nifti 库（版本 2.4.6）转换为 NIfTI 格式，再使用 TotalSegmentator 库（版本 1.5.6）检测解剖结构。该库提供一组深度学习模型，可从 CT 图像中语义分割 104 种不同解剖结构，本算法使用低分辨率模型检测。从最初检测的 104 类结构中，排除与头部、血管和肌肉相关的类别，整合为 23 类，包括气管、肺、心脏等。分割信息以二进制数据输出，通过 OpenCV 库（版本 4.6.0.66）的 resize 函数进行抗锯齿处理，调整图像大小后再恢复为二进制数据，处理后不属于 23 类的像素定义为其他区域。
- 动态窗口处理：对 23 类解剖结构进行动态窗口处理和优化。使用 NumPy 库（版本 1.23.3）根据 CT 值分布选择百分位数作为上下限，计算窗口宽度（WW）和窗口水平（WL）。其他区域应用固定的软组织窗口值（WW = 350，WL = 50），基于这些计算对每个类别进行窗口处理，生成 8 位灰度图像。
- 使用算法处理图像的解读测试：将 23 种解剖类别分为软组织（SOFT_TISSUE）、骨（BONE）和肺（LUNG）三类，确定动态窗口处理的百分位数设置。选择四名不同经验和专业的医生（一名 20 年经验的放射科专家、一名 27 年经验的急诊科医生、一名三年级急诊科医生和一名四年级内科医生），让他们分别对实验组和传统组的 20 例病例进行解读，诊断五组发现的有无，并记录每例的解读时间。
- 统计分析：使用 R 版本 4.3.2 进行所有分析。计算每例的准确率、灵敏度和特异性，并计算所有病例的平均值。用 Fleiss’ kappa 值评估四位医生诊断的一致性，使用单侧两样本 t 检验比较有无算法辅助下的解读时间，并获得 95% 置信区间（CI）。
研究结果
- 数据集特征：实验组患者年龄在 10 - 90 岁之间，平均 51.8 岁；传统组患者年龄在 19 - 83 岁之间，平均 57.7 岁。实验组女性占比 40.0%，传统组女性占比 55.0%。实验组平均每例阳性发现数为 2.6，传统组为 2.5。
- 全身 CT 算法处理图像的特征：应用 Uni - CT 算法无需在肺、软组织和骨之间切换窗口设置，就能快速识别创伤全身 CT 中的关键损伤。胸部图像可同时检测肋骨骨折、椎体骨折、气胸和主要血管损伤；上腹部图像能同时检测肋骨骨折、椎体骨折、主要血管损伤和各种实质器官损伤；骨盆图像有助于同时检测骨盆骨折、腹腔内出血、腹膜后出血和器官损伤。
- 医生诊断一致性：四位医生观察结果的总体一致性率为 κ = 0.70，实验组 κ = 0.70，传统组 κ = 0.71，表明一致性较高。
- 医生诊断准确率：实验组医生诊断目标发现的平均准确率、灵敏度和特异性分别为 84.8%、74.3%、96.9%，传统组为 85.5%、81.3%、91.5%，两组无显著差异。
- 医生诊断速度：实验组平均每例诊断速度为 71.9 秒，传统组为 110.4 秒（p < 0.05），实验组诊断时间缩短了 34.9%。
研究结论与讨论
本研究首次提出并实施 Uni - CT 算法，该算法通过连接多个具有器官特异性窗口设置的分割器官图像，自动生成单一系列的全身 CT 图像。与以往叠加多个窗口设置图像的方法不同，它能在单一系列图像中以最佳窗口设置同时显示每个器官，无需切换窗口，保留了每个器官特异性窗口设置的独特特征。在紧急情况下，相比在固定的肺、骨和软组织条件图像间切换，该算法的自动优化能增强医生对图像的理解，还能识别仅在每个器官最佳条件下可见的图像发现之间的相互关系，简化诊断过程。
研究表明，在创伤全身 CT 诊断中使用该算法，可在不降低诊断准确率的前提下，显著缩短 35% 的诊断时间。这不仅对需要全面评估全身器官的创伤患者意义重大，也为减少其他内科疾病的诊断时间提供了可能，有望减轻放射科医生日常图像诊断的工作量。此外，利用该算法对训练用 CT 图像进行预处理，能扩大训练范围，增强 AI 模型的学习效果和准确性。
动态窗口化是该算法的一大优势，它能在不同 CT 设备、观察者特征和存在伪影等多种条件下生成最佳图像，这种灵活性也可应用于多种非创伤性疾病的成像。对于典型的钝性创伤，如胸部、腹部和骨盆创伤，该算法能同时检测多种损伤，提高诊断速度，并利用间接征象辅助诊断。
不过，本研究也存在一些局限性。图像数据仅来自日本一家机构，算法在不同国家、不同种族群体、不同人口统计特征和不同 CT 设备制造商中的适用性尚未验证，需要进一步收集数据并在不同条件下调整百分位数分数。在临床应用中，要考虑算法的处理时间，虽然在标准商用笔记本电脑 GPU 上几十秒就能获得输出结果，但为确保更快输出和良好的用户体验，还需配备更高规格的 GPU 设备。此外，算法中解剖结构提取的准确性会影响窗口设置计算，若提取错误会导致输出图像错误，因此提高语义分割模型的准确性至关重要。研究还排除了有强伪影的病例，未测试算法在这类病例中的有效性；仅关注了钝性创伤患者，未涉及算法在穿透性创伤损伤中的疗效；使用的是静脉期 CT 图像，未评估动脉期信息；且只验证了需要紧急干预的发现，算法对轻微损伤的有效性尚不明确。
总体而言，Uni - CT 算法为提高创伤全身 CT 图像解读效率带来了新的突破，虽然存在一些需要进一步研究和改进的地方，但它在创伤诊断领域展现出的巨大潜力，有望推动医学影像学诊断技术的发展，为创伤患者的救治提供更有力的支持。
