编辑推荐：
为解决小儿肠套叠复发预测难题，研究人员基于超声（US）和 X 光影像开发深度学习算法，发现融合模型性能优异，有助于临床预测。
在儿科疾病的世界里，肠套叠是一个不容忽视的 “小麻烦”。肠套叠，简单来说，就是一段肠管套入与其相连的肠腔内，就像望远镜的镜筒一节套进另一节一样。在中国，每 10 万个孩子里，就有 418 个可能遭遇肠套叠的困扰，这个比例超过了全球平均水平。更让人担忧的是，肠套叠还有复发的可能，复发率在 8%-20% 之间，也就是说，每 10 个患病孩子中，可能就有 1 - 2 个会再次受到病痛折磨。
对于医生们而言，预测肠套叠的复发可不是一件容易的事。一方面，肠套叠复发的机制还没有完全搞清楚，虽然知道一些病理因素，比如梅克尔憩室（Meckel’s diverticulum）、肠重复畸形、息肉和肿瘤等可能与之有关，但具体情况仍迷雾重重。另一方面，从症状判断也困难重重，不到三分之一的患者会出现腹痛、可触及肿块和血便这一经典三联征，而且一些儿科疾病的症状与肠套叠复发相似，早期体检也可能查不出问题。要是不能及时诊断和治疗，严重的并发症就会找上门，像肠缺血、坏死、穿孔，甚至可能需要切除肠道，这对孩子的健康危害极大。所以，开发一种有效的预测肠套叠复发的方法迫在眉睫。
苏州大学附属儿童医院的研究人员 Yu - feng Qian 和 Wan - liang Guo 勇敢地迎接了这个挑战。他们开展了一项关于开发预测小儿肠套叠复发模型的研究，研究成果发表在《BMC Medical Imaging》上。这项研究意义非凡，它有望为临床医生提供有力的工具，提前预警肠套叠复发，从而减少不良事件的发生。
研究人员在开展这项研究时，运用了多个关键技术方法。首先，他们从医院的图像存档与通信系统（PACS）数据库中，回顾性地收集了 2017 年 1 月至 2022 年 12 月期间的病例数据。经过层层筛选，最终纳入 3665 例肠套叠患儿作为研究对象。接着，他们获取了这些患儿的腹部超声（US）图像和腹部 X 光片。对于图像，研究人员进行了一系列处理，包括质量控制、转换格式、平滑去噪等。然后，通过手动划定感兴趣区域（ROI）进行图像分割。最后，利用多种深度学习模型进行训练，还采用了两种融合策略构建融合模型，并进行统计分析评估模型性能。
下面来看看具体的研究结果：
- 患者特征：研究共纳入 3665 例肠套叠患儿，分为训练集 2199 例和验证集 1466 例。这些患儿接受了腹部超声和 X 光检查，且两组在年龄、性别、临床症状等方面没有显著差异，这为后续的模型训练和验证提供了良好的基础。
- 模型性能分析：在验证集中，研究人员比较了多个深度学习模型的性能。对于超声模型，VGG11 表现相对较好，其受试者工作特征曲线下面积（AUC）为 0.669（95% 置信区间：0.635 - 0.702）；对于 X 光模型，ResNet18 则脱颖而出，AUC 达到 0.809（95% 置信区间：0.776 - 0.841）。然而，单个超声和 X 光模型的阳性预测值（PPV）并不理想，尤其是超声模型，PPV 仅为 0.275，这可能是数据不平衡导致的。不过，融合模型展现出了明显的优势。在融合模型方面，采用软投票策略的融合模型 AUC 为 0.877（95% 置信区间：0.846 - 0.908） ；采用堆叠集成策略的模型中，LightGBM 表现最佳，AUC 达到 0.897（95% 置信区间：0.869 - 0.925）。通过 Delong 检验和决策曲线分析（DCA）进一步验证，融合模型的 AUC 显著优于超声模型和 X 光模型，且在预测肠套叠复发方面能提供最大的净效益。
研究人员开发的基于多模态医学成像的深度学习算法，为预测小儿肠套叠复发带来了新的希望。不过，这项研究也存在一些局限性，比如是单中心研究，数据集规模有限，没有纳入 CT、MRI 等其他类型图像，也未与医生的诊断进行比较。但不可否认的是，它为后续研究指明了方向。未来，有望通过多中心、大规模的前瞻性研究，进一步完善这个模型，让它在临床实践中发挥更大的作用，帮助医生更好地预测和预防小儿肠套叠复发，守护孩子们的健康。
