综述：AI在体部成像中的实际应用

这篇综述系统梳理了截至2024年底美国FDA批准的24种针对腹盆部器官疾病评估的AI算法，涵盖肝胆、肾脏、前列腺等领域的应用。作者团队从算法性能、工作流优化（如自动化分割和结构化报告）及临床优势（如提高肝纤维化定量准确性cT1/PDFF）展开分析，同时指出腹盆部AI发展滞后于神经放射学等领域的现状，并展望了放射组学和临床决策支持系统的未来方向。

　　

Practical applications of AI in body imaging

Introduction/overview

人工智能（AI）正以前所未有的速度重塑放射学领域。作为机器学习（ML）的子集，深度学习（DL）通过多层神经网络分析复杂影像数据，在疾病诊断、治疗规划和流程优化方面展现出巨大潜力。尽管腹盆部放射学的AI应用起步较晚，但截至2024年已有24种相关算法获得FDA批准，覆盖肝胆、泌尿和胃肠等多个系统。

Hepatobiliary

肝脏疾病评估是AI应用的重点领域。以LiverMultiScan为代表的算法通过多参数MRI量化肝脏质子密度脂肪分数（PDFF）和校正T1值（cT1），其重复性系数达0.75%，可替代活检诊断代谢功能障碍相关脂肪性肝炎（MASH）和肝硬化。CT肝脏表面结节化（LSN）评分软件通过半自动测量肝缘ROI区域，对肝硬化（F4期）的AUC达0.89。MRCP+则通过3D胆管建模量化狭窄程度，为原发性硬化性胆管炎提供客观预后指标。

Renal

针对10%美国人群罹患的肾结石病，StoneChecker算法通过CT纹理分析实现结石成分预测。其熵值分析可区分尿酸性与非尿酸性结石（AUC 0.898-0.960），并能计算结石体积和平均HU值，指导碎石方案选择。

Prostate

尽管美国尚未批准前列腺癌病灶检测AI，但QP-Prostate等软件已能自动分割腺体体积、计算PSA密度并生成PI-RADS评分图。临床验证显示，这类工具可使PI-RADS 4病变检出率提升4.4%，阅片时间缩短21%。

Gastrointestinal

GIQuant利用MR肠造影动态序列生成小肠运动图谱，其量化评分与克罗恩病活动度呈负相关，为治疗监测提供新生物标志物。

Workflow alteration

AI Metrics等工具通过嵌入式PACS集成实现病灶自动测量和随访追踪，而Anatomical AI能智能匹配历史影像，显著提升放射科工作效率。

Opportunities and future directions

当前AI在腹盆部的应用仍存在"黑箱"算法和数据偏差等挑战。未来发展方向包括：跨器官多模态分析系统、基于放射组学的肝癌/胰腺癌预后预测模型，以及整合实验室数据的临床决策支持系统。值得注意的是，腹盆部AI的商业化进程明显落后于神经放射学（仅占ACR注册算法的7%），这为后续研究留下广阔空间。

Conclusion

AI正逐步改变腹盆部影像实践，从量化诊断（如cT1/LSN评分）到流程优化（结构化报告），但其临床转化仍需更多真实世界验证。随着Transparent AI等认证体系的完善，全面模拟人类认知的综合AI系统或将成为下一代研发焦点。