基于深度学习的排尿性膀胱尿道造影动态多图像加权系统在尿路异常自动检测与诊断中的多中心研究

推荐：本研究针对排尿性膀胱尿道造影(VCUG)诊断中存在的技术差异和观察者间变异性问题，开发了VCUG诊断人工智能模型(VCUG-DAM)。通过7,899张图像的多中心数据验证，该模型在膀胱(AUC 0.8772)、尿道(0.7752)和输尿管返流(VUR)(左0.9443/右0.9342)诊断中表现优异，并将临床医生诊断AUC提升最高达25.63%，显著提高了诊断准确性和一致性。

　　

在儿科泌尿系统疾病诊断中，排尿性膀胱尿道造影(VCUG)一直是评估膀胱、尿道和输尿管解剖与功能异常的金标准。然而这项检查面临双重挑战：一方面，传统诊断高度依赖医师经验，不同观察者间的诊断一致性较差；另一方面，虽然对比增强排尿超声(ceVUS)等技术逐渐普及，但VCUG仍是唯一能同时显示尿道和肾输尿管系统的全景成像方法。更棘手的是，现有基于深度学习的辅助工具仅能处理单张图像且局限于输尿管返流(VUR)分级，无法实现膀胱尿道异常的全自动诊断。

为解决这些临床痛点，复旦大学附属儿科医院的研究团队开展了一项突破性研究。他们开发了全球首个能同时处理VCUG多图像动态加权、实现膀胱-尿道-输尿管三位一体诊断的人工智能系统VCUG-DAM，相关成果发表在《Research》期刊。研究团队从15家医院收集了1,660例患者的7,899张VCUG图像，创新性地采用Vision Transformer架构构建双模型系统：图像级模型完成病灶分割和单图诊断，患者级模型通过注意力机制动态评估多图像贡献度。关键技术包括基于ImageNet预训练的ViT-Base初始化、多任务注意力层设计，以及针对数据不平衡的置信度引导语义分割策略。

研究结果呈现三个关键突破：在模型性能验证阶段，VCUG-DAM患者级诊断AUC达到膀胱0.8772、尿道0.7752、左右VUR分别0.9443和0.9342，图像级分割边界显著优于人工标注。在临床辅助验证中，模型使不同年资医师诊断性能全面提升，其中住院医师提升幅度最大（左VUR AUC提升25.63%），资深医师膀胱诊断AUC提升13.30%。特别值得注意的是，模型将VUR分级的一致性Kappa值从0.73-0.76提升至0.87-0.94，显著降低了诊断变异。

讨论部分强调了该研究的转化价值：VCUG-DAM首次实现了从单图像分析到多图像动态加权的范式转变，其注意力可视化功能可直观显示病灶权重分布。尽管存在标注依赖专家共识、正常样本不足等局限，但通过多中心外部验证证实了模型的普适性。这项研究为儿科泌尿系统疾病诊断提供了全新的人工智能解决方案，特别在医疗资源匮乏地区，有望成为提升基层诊断水平的突破性工具。研究团队建议未来开展前瞻性多中心试验，进一步验证模型在真实临床场景中的应用价值。