基于深度学习的全胃肠道CT自动分割模型开发及其在便秘患者结肠长度测量中的应用

本研究针对CT影像中胃肠道(GI)分割精度不足的临床难题，开发了基于3D nnU-Net的深度学习模型，实现了全胃肠道及四分区（食管、胃、小肠、大肠）的高精度自动分割（外部验证DSC>0.95）。通过该模型首次实现便秘患者结肠长度(LBL)的无创测量，发现便秘组身高校正LBL显著延长（88.8±15.8 vs 79.1±12.4 cm/m，p=0.001），为肠道功能评估提供了新工具。

　　

研究背景与意义
在腹部CT诊断中，胃肠道的精确分割犹如"在迷宫般的肠道迷宫中绘制地图"——传统方法依赖放射科医生手动追踪迂曲的肠管，耗时且易出错。尤其对于便秘患者，结肠长度(LBL)与疾病的相关性长期缺乏便捷的测量手段，而手术测量又具有侵入性。现有深度学习模型在复杂胃肠道分割中表现欠佳，如TotalSegmentator的Dice相似系数(DSC)仅0.932，食管分割更是低至0.716±0.040。这种技术瓶颈严重制约了肠道功能评估和疾病研究的进展。

为解决这一难题，首尔大学医院联合MEDICAL IP公司的研究团队开发了创新的两阶段3D nnU-Net模型，通过133例多协议CT数据训练，不仅实现全胃肠道的高精度分割，还首次建立便秘与LBL的量化关联。这项发表于《European Radiology》的研究，标志着人工智能在胃肠解剖学测量领域的重大突破。

关键技术方法
研究采用多中心回顾性设计，纳入133例开发集（含48例增强/32例虚拟非增强CT、13例胸部CT、27例全身CT）和60例外部验证集。通过MEDIP软件半自动生成标注，经放射科医生逐层修正。模型采用两阶段策略：第一阶段分割全胃肠道，第二阶段进行四分区（食管/胃/小肠/大肠）。采用nnU-Net框架自适应调整超参数，最终通过体积/截面积比值法估算LBL。

研究结果

分割性能
在外部验证中，模型展现卓越性能：全胃肠道分割DSC达0.985±0.008，显著优于TotalSegmentator(0.846±0.022)。四分区中，胃(0.970±0.047)、小肠(0.960±0.029)和大肠(0.963±0.024)的DSC均>0.95，仅食管分割稍弱(0.807±0.173)。值得注意的是，模型在非增强CT的食管分割中表现下降（DSC 0.740 vs增强CT 0.874），可能与食管-血管对比度不足有关。

便秘与LBL关联
在51例健康体检者中，模型测得便秘组(n=29)的校正LBL显著更长：按身高校正值为86.9±17.1 cm/m vs非便秘组77.6±13.6 cm/m(p=0.04)，按身高平方校正值53.9±11.8 vs 47.1±8.6 cm/m²(p=0.02)。模型测算与人工测量高度一致(ICC=0.994)，但耗时从24.9分钟/例缩短至秒级。

结论与展望
该研究构建了目前最精确的胃肠道CT分割模型，其创新性体现在：1) 首次实现全胃肠道"一键式"四分区；2) 突破性地将AI应用于功能性肠病解剖学研究；3) 为克罗恩病等肠道手术患者的残肠评估奠定技术基础。

局限性包括食管分割仍需优化，且LBL测量未考虑结肠袋形态。未来方向包括：1) 拓展至小肠长度测量；2) 整合CT能谱成像量化肠壁炎症；3) 开发手术规划辅助系统。这项研究不仅为"数字肠道"建立新标准，更开创了AI辅助肠道功能评估的新范式。