基于放射组学和机器学习的腹内疝诊断模型构建：一项回顾性研究

为解决腹内疝早期诊断困难、影像学特征复杂的问题，研究人员通过回顾性分析23例患者CT影像，构建了8种机器学习模型。随机森林(RF)模型表现最优，验证集AUC达1，准确率90%，特异性100%。该研究为腹内疝的早期精准诊断提供了新思路，具有重要临床转化价值。

　　

腹内疝是一种起病急骤、病死率高的急腹症，其复杂多变的影像学表现常导致临床误诊漏诊。随着非手术治疗的普及，抗炎解痉等保守措施可能延误手术时机，而老年患者非典型症状更增加了诊断难度。传统CT检查依赖医师经验，难以捕捉细微病理特征。杭州中医院普外科团队在《Scientific Reports》发表研究，创新性地将放射组学与机器学习结合，开发出可量化识别腹内疝的智能诊断模型。

研究采用回顾性队列设计，纳入2021-2026年经手术确诊的23例患者增强CT数据。关键技术包括：1) 使用PyRadiomics提取107个放射组学特征；2) 通过Spearman相关性分析、Mann-Whitney U检验和LASSO回归筛选出7个关键特征；3) 采用5折交叉验证比较8种机器学习算法，最终选择随机森林(RF)构建预测模型。

患者特征分析
研究人群平均年龄62±16.73岁，19例由纤维束带引起，其中7例有腹部手术史。值得注意的是，5例80岁以上患者均发生肠坏死，提示年龄是预后的关键因素。

特征筛选与模型构建
从动脉期CT图像提取的纹理特征中，LASSO回归(λ=0.0518)筛选出7个最具判别力的特征。这些特征能有效区分疝出肠段与正常肠管，反映了肠壁水肿、血供异常等病理改变。

模型性能验证
在测试集中，RF模型展现出卓越性能：AUC达1（95%CI 1.000-1.000），灵敏度80%，特异性100%。相比逻辑回归(LR)、支持向量机(SVM)等算法，RF对肠管缺血特征的捕捉更具优势。

临床转化价值
该研究首次证实放射组学特征可量化腹内疝的影像学改变。模型识别出的特征与临床病理高度吻合，如肠壁密度降低对应缺血改变，特征空间分布反映肠管扭转程度。对于需紧急手术的绞窄性疝，模型可在30分钟内完成分析，较传统阅片效率提升显著。

局限性与展望
样本量较小(n=23)可能影响模型泛化能力。未来需扩大样本验证，并开发动态模型追踪保守治疗患者的特征演变。研究团队建议将模型整合至急诊CT工作站，实现"影像获取-智能预警-手术评估"的一体化流程，为腹内疝的精准诊疗提供新范式。