基于人工智能的全自动腹部CT体成分分析工具开发及其在机会性筛查中的应用研究

本研究针对腹部CT影像体成分分析标准化不足的问题，开发了基于AI的全自动分析流程OSCAR。研究人员通过数据标准化、解剖标志定位、深度学习分割（如TotalSegmentator和Swin UNETR）及生物标志物提取技术，实现了对肌肉、脂肪、主动脉钙化等组织的精准量化。该工具在11,699例验证中错误率仅2.3%，支持多中心研究，为心血管疾病、骨质疏松等疾病的早期筛查提供了高效解决方案，相关成果发表于《Abdominal Radiology》。

　　

在医学影像领域，腹部CT扫描蕴含的体成分信息长期未被充分挖掘。传统分析方法依赖人工操作，效率低下且难以标准化，而日益增长的大规模筛查需求呼唤自动化解决方案。世界卫生组织强调机会性筛查对慢性病防控的价值，但现有技术无法满足从海量CT数据中快速提取肌肉量、脂肪分布、血管钙化等关键指标的需求。

美国威斯康星大学医学院与国立卫生研究院的John W. Garrett团队开发了OSCAR全自动分析流程。该工具整合了dcm2niix数据转换、3D Swin Transformer等深度学习模型，能处理不同厂商CT设备数据，输出Agatston评分等28项标准化指标。关键技术包括：1）采用800例无标注CT训练的无监督解剖定位算法；2）结合TotalSegmentator（nnU-Net架构）与定制模型（如TernausNet）的多组织分割策略；3）基于11,699例样本验证的失败模式检测机制（错误阈值设定如肌肉面积25-500 cm²）。

数据标准化与解剖标志定位
通过DICOM到NIFTI格式转换及3 mm³体素重采样消除设备差异。创新性地采用无监督学习模型，仅需椎体中心坐标（T₁₀-L₅）即可实现解剖定位，耗时仅6秒。

自动化分割工具
对比实验显示：3D模型（如主动脉钙化分割）需244.5 MB权重，而2D模型（如脂肪分割）仅87.5 MB。TotalSegmentator实现肝脏等器官分割（Dice分数0.92），定制模型则专攻椎体骨小梁（HU值-50至1200）等精细结构。

生物标志物测量
开发了独特的主动脉钙化评分公式：Agatston Score=∑(斑块面积×密度因子)，密度因子按130-199 HU至≥400 HU分4级。验证队列中Visceral/Subcutaneous脂肪面积比（VSR）的异常值检测阈值设为0.02-10.0。

系统效能
在1,242例肾脏供体CT测试中，单GPU环境下平均处理时间150.43秒，其中器官分割耗时占比42.3%。DICOM头字段（如0018,0060 kVp）自动记录支持扫描参数校正。

该研究突破了传统体成分分析的技术瓶颈：1）首次实现从原始CT到临床报告的全流程自动化；2）在21,084例训练数据中验证了跨设备稳定性；3）创建的视觉质控图像（如冠状位MIP）可直接回传PACS系统。相比Comp2Comp等工具，OSCAR更注重预后价值验证，其骨质疏松筛查模块已显示降低30%的假阴性率。未来可通过联邦学习进一步优化模型在特殊人群（如儿童）的表现，推动机会性筛查成为常规临床实践。