基于非对比CT和YOLOv8深度学习模型的主动脉夹层筛查：一项多中心验证研究

急性主动脉夹层(AD)诊断面临时效性挑战，本研究创新性地采用YOLOv8深度学习模型分析非对比CT图像。多中心验证显示，模型AUC达0.964-0.970，灵敏度(0.976)与血管介入专家相当，特异性(0.935)显著优于普通放射科医师，且解读时间仅3.47秒。Grad-CAM技术证实其决策可解释性，为急诊场景提供高效辅助诊断工具。

　　

主动脉夹层(AD)被称为"血管中的炸弹"，每小时死亡率增加1%，但临床诊断却面临巨大挑战。传统增强CT虽是金标准，但在急诊、肾功能不全等特殊场景下，非对比CT(non-contrast CT)仍是首选筛查手段。然而，不同年资放射科医师的判读差异可达20%以上，漏诊后果不堪设想。这种临床困境催生了Tang Zheyu团队在《European Journal of Vascular and Endovascular Surgery》发表的重要研究——他们将目标检测领域最先进的YOLOv8算法引入医学影像分析，试图用AI破解这一生死时速的难题。

研究团队采用多中心回顾性设计，从5家医疗机构收集1138例CT扫描（AD与对照组各569例），构建训练集、内部验证集和外部验证集。关键技术包括：1)基于YOLOv8s架构开发AD检测模型；2)采用梯度加权类激活映射(Grad-CAM)实现可视化解释；3)与三组放射科医师（血管介入专家、普通放射科医师、住院医师）进行头对头比较；4)统计评估指标涵盖AUC、灵敏度、特异性及推理时间。

【结果】

Objective部分揭示研究瞄准非对比CT诊断AD的临床痛点。Methods部分显示团队创新性地将实时目标检测框架YOLOv8应用于医学影像，并通过Grad-CAM解决AI模型"黑箱"问题。Results部分呈现突破性发现：在外部验证集中，模型AUC达0.970（95%CI 0.946-0.990），显著优于所有医师组。特别值得注意的是，其3.47秒的推理速度比医师平均解读时间快7倍，这在争分夺秒的AD救治中具有革命性意义。Grad-CAM热图显示模型能准确聚焦主动脉壁异常等关键征象，证实其决策符合临床逻辑。

【结论】

该研究首次证实YOLOv8在非对比CT AD检测中的卓越性能，其0.976的灵敏度意味着极低的漏诊率，0.935的特异性则可有效避免过度医疗。更值得关注的是，模型在保持血管介入专家级灵敏度的同时，将诊断时间压缩至传统方法的1/8，这种"又快又准"的特性使其特别适合急诊分诊。研究者特别指出，当医师疲劳或经验不足时，该模型可作为可靠的"第二双眼睛"。这项技术若投入临床，每年或可挽救数万因诊断延误而丧生的AD患者，真正实现"AI赋能急诊"的愿景。