编辑推荐：
为解决急性阑尾炎术前诊断难题，研究人员开发 3D-CNN 的 IA 模型，能有效诊断，助力临床决策。
急性阑尾炎诊断的新希望：深度学习模型的崛起
在医院的急诊室里，时常会遇到因腹痛前来就诊的患者，而判断他们是否患有急性阑尾炎，是一道棘手的难题。阑尾这个小小的器官，位置不固定，结构也不显眼，再加上一些病症与阑尾炎症状相似，使得通过影像学检查准确诊断阑尾炎变得困难重重。一旦出现误诊或漏诊，不仅会给患者带来额外的痛苦，还会加重医疗系统的负担，尤其是对于复杂阑尾炎这种可能危及生命的急腹症来说，及时准确的诊断至关重要。
随着 CT 成像在疑似阑尾炎诊断中的广泛应用，放射科医生解读图像的工作量剧增，这不仅容易导致医生疲劳，还可能影响诊断的准确性。在这样的背景下，利用人工智能技术辅助诊断急性阑尾炎的研究显得尤为迫切。
此次，来自韩国 Hallym 大学医学中心等机构的研究人员开展了一项重要研究，他们开发并验证了一种基于三维卷积神经网络（3D-CNN）的全自动诊断框架，相关成果发表在《Scientific Reports》上。这一研究成果为急性阑尾炎的诊断带来了新的希望，有望改变现有的诊断模式。
研究的技术 “利器”
为了实现这一目标，研究人员运用了多种关键技术方法。首先，他们构建了一个包含大量患者数据的数据集，这些数据来自 2014 年 1 月至 2022 年 5 月期间因右下腹疼痛在急诊室就诊并接受静脉注射造影剂增强的腹部盆腔 CT 检查的患者，同时还有外部验证数据集。其次，通过自动生成三维感兴趣体积（3D-VOI）数据集，将数据分为非阑尾炎、单纯性阑尾炎和复杂性阑尾炎三类。在模型构建上，采用了基于转移学习（TL）的两阶段二元分类算法，结合 3D ResNet、DenseNet 和 EfficientNet 等 CNN 架构。此外，还运用探索性数据分析（EDA）来优化模型参数，通过计算多种评估指标来衡量模型性能，并利用梯度加权类激活映射（Grad-CAM）对模型预测结果进行可视化分析。
研究成果丰硕
- 患者基本信息分析：研究共纳入 6502 名患者用于开发数据集，其平均年龄 38.0 岁，男性占 45.3%，女性占 54.7%。在接受阑尾切除术的患者中，1.8% 为阴性阑尾切除术。外部数据集在年龄、疾病诊断分布等方面存在异质性，但性别分布与开发数据集相似1。
- 模型性能评估：基于内部验证，7 种 3D-CNN 模型在第 1 阶段分类（非阑尾炎与阑尾炎）和第 2 阶段分类（单纯性与复杂性阑尾炎）中的表现各有差异，DenseNet169 在所有模型中表现最佳。在外部验证中，所有模型性能相对内部验证有所下降，但 DenseNet169 仍表现最优。在第 1 阶段分类中，DenseNet169 的准确率为 79.5%（76.4 - 82.6%），敏感度为 70.1%（64.7 - 75.0%），特异度为 87.6%（83.7 - 90.7%），曲线下面积（AUC）为 0.865（0.862 - 0.867），阴性阑尾切除术率为 12.4%；在第 2 阶段分类中，准确率为 76.1%（70.3 - 81.9%），敏感度为 82.6%（69.2 - 90.9%），特异度为 74.2%（67.0 - 80.3%），AUC 为 0.827（0.820 - 0.833）23。
- Grad-CAM 图像分析：Grad-CAM 图像显示，在单纯性阑尾炎患者中，热图主要突出阑尾和阑尾系膜；而在复杂性阑尾炎患者中，热图不仅突出阑尾结构，还包括阑尾外的异常表现，如气体、液体聚集、脓肿空洞病变以及相邻器官结构等。经临床医生和放射科医生审查，深度学习模型的感兴趣区域与人类评估相符4。
研究的意义与局限
这项研究意义重大，开发的全自动两阶段 CNN 模型 IA，能够有效地利用 CT 图像区分非阑尾炎和阑尾炎，以及单纯性和复杂性阑尾炎。其 DenseNet169 架构在分类任务中表现出色，为临床医生提供了可靠的诊断信息，有助于辅助临床决策。特别是在医疗资源匮乏、缺乏放射科医生的地区，该模型有望作为分诊工具，提高临床工作流程的效率，优先对疑似阑尾炎病例进行评估。
不过，研究也存在一些局限性。例如，AI 在医学领域应用存在固有缺陷，模型的泛化性和可重复性可能受限；VOI 范围虽经优化，但仍存在信息丢失和潜在风险；模型对一些与阑尾炎相似病症的 CT 图像解读存在困难，易出现假阳性错误；此外，还存在手术操作导致的医源性穿孔、抗生素反应差异等问题。针对这些局限，研究人员正在开展前瞻性随机研究，以确保模型符合伦理要求并保障安全性。
总体而言，该研究展示了深度学习模型在急性阑尾炎诊断中的巨大潜力，尽管还有改进空间，但无疑为未来的临床诊断提供了新的思路和方向，有望在医疗领域发挥重要作用。
