AI辅助超声模型在早期肝创伤诊断中的临床验证：基于巴马小型猪与患者数据的深度学习突破

本研究针对肝创伤早期诊断的临床难题，开发了基于卷积神经网络(CNDLM)的AI辅助超声模型。团队通过巴马小型猪实验模型和北京三家医疗中心的临床数据训练，验证了该模型在内部测试中优于初级/高级超声医师(DSC=0.91)，外部测试达到DSC=0.74，为急诊肝创伤的快速准确诊断提供了新工具。

　　

肝创伤是急诊常见的危重病症，约占腹部损伤的15%，死亡率可高达75%。传统超声检查虽具有实时、便捷的优势，但受操作者经验影响大，在急诊环境下容易漏诊早期肝实质挫伤和撕裂伤。中国人民解放军总医院第一医学中心联合中国科学院自动化研究所等机构的研究团队，创新性地将深度学习技术应用于肝创伤超声诊断，相关成果发表在《Scientific Reports》上。

研究采用"动物实验-临床验证"的双阶段设计。首先利用巴马小型猪建立肝创伤模型（自研撞击装置辅助建模），采集1603张超声图像训练初始模型；随后整合北京三家医院126例患者数据微调模型。关键技术包括：1）基于RefineNet架构构建卷积神经网络，采用ResNet101预训练权重；2）三折交叉验证优化模型；3）使用Dice系数(DSC)、95%豪斯多夫距离(HD-95)等指标量化评估；4）与不同年资超声医师进行盲法对比测试。

【Establishment of the CNDLM】
通过1373张动物超声图像训练和230张验证，构建出3个动物交叉验证模型，经30例临床数据微调后集成最终模型。动物测试集显示模型DSC达0.91，显著优于所有级别医师(P<0.001)。

【Performance of CNDLM】
临床内部测试中，模型DSC为0.88(95%CI:0.84-0.93)，超越初级医师组(P=0.001)和高级医师组(P=0.004)。外部验证显示DSC降至0.74，仍优于部分初级医师。典型案例如图2-4所示，模型能准确识别肝包膜下血肿（绿色预测区域与红色金标准高度重叠）。

【Discussion】
该研究首次证明AI模型在肝创伤超声诊断中的应用价值：1）利用巴马小型猪肝脏解剖相似性构建高质量训练集；2）采用RefineNet结构有效捕捉损伤区域深层特征；3）临床验证显示其诊断效率接近资深医师水平。值得注意的是，模型对伤后不同时期（从高回声到低回声演变）和损伤程度的识别稳定性仍需优化。

这项研究的临床意义在于：1）为基层医院提供"虚拟超声专家"，缓解经验不足医师的诊断压力；2）通过AI标准化操作减少主观差异，在"黄金抢救时间"内提升诊断效率；3）开创了"动物模型预训练+临床数据微调"的医学AI开发新模式。未来需扩大临床样本量，并整合患者生理参数进一步提升模型鲁棒性。