基于残差网络的两步式腹部CT图像对比期自动识别模型：提升影像质量控制与AI应用基础

本研究针对腹部CT成像中对比期识别准确性不足的问题，开发了基于残差网络(ResNet)的两步式深度学习模型。研究团队通过1175例增强CT数据训练，在215例多中心外部验证中实现99.1%的总体准确率，显著优于传统一步法策略(91.7%)。该模型创新性地将动脉期细分为早期(EAP)和晚期(LAP)，为肝癌等疾病的精准诊断提供可靠工具，同时为AI驱动的医学影像分析奠定基础。

　　

肝脏疾病作为全球第11大死亡原因，其诊断高度依赖腹部增强CT成像。不同对比期能揭示病灶的独特特征：动脉期(AP)特别是晚期动脉期(LAP)对肝细胞癌(HCC)检测至关重要，门静脉期(PVP)和延迟期(DP)则有助于发现低血管性病变。然而，当前DICOM标签提供的对比期信息常因患者循环差异、设备命名不统一等因素受限，而人工核查又耗时费力。这一现状严重制约了影像质量控制和基于特定对比期的AI应用开发。

北京友谊医院放射科联合多家机构的研究团队在《Insights into Imaging》发表的研究，开发了基于残差网络(ResNet18)的创新模型。该研究突破性地采用两步策略：先区分动脉期(AP)、门静脉期(PVP)和延迟期(DP)，再对AP图像细分早期(EAP)和晚期(LAP)。通过1175例患者3525个增强期相的内部数据训练，并在5家医院215例患者645个期相的外部验证中，模型总体准确率达99.1%，显著优于传统一步法的91.7%。特别在识别LAP时达到99.4%的灵敏度，为肝癌等疾病的精准诊断提供了可靠工具。

关键技术方法包括：1) 采用ResNet18架构构建共享特征提取网络；2) 创新性设计注意力模块增强不同期相特征差异；3) 使用多中心数据集(1175例开发集+215例外部验证集)进行训练测试；4) 采用窗宽窗位(WW/WL)标准化预处理(600/50)；5) 实施两阶段分类策略优化EAP/LAP识别。

研究结果：
模型性能验证：在内部测试集中，两步策略总体准确率98.3%(283/288)，显著高于一步策略的91.7%(264/288)。外部验证中，对EAP、LAP、PVP和DP的识别灵敏度分别为95.1%、99.4%、99.5%和99.5%。

亚组分析：模型性能不受性别、年龄、设备厂商或层厚影响(p>0.05)，显示强鲁棒性。仅5例检查出现误分类，主要为EAP与LAP的细微差异导致。

技术优势：注意力模块通过特征图交互计算(f_Attention)，显著提升期相间差异识别。两阶段策略将复杂四分类问题分解为更简单的三分类+二分类，降低模型复杂度。

这项研究实现了三个重要突破：首先，建立了首个能自动区分EAP/LAP的深度学习模型，填补了该领域技术空白；其次，通过创新的两步策略和注意力机制，解决了动脉期细分的技术难题；最后，多中心验证证实了模型的强泛化能力。这些成果不仅提升了影像质量控制效率，更重要的是为开发基于特定对比期的AI应用(如肝癌自动检测系统)奠定了坚实基础。未来研究需扩大LAP样本量，并探索呼吸运动补偿算法以进一步提升性能。该模型的临床应用将显著提高肝脏疾病诊断效率，推动精准医疗发展。