基于深度学习的计算机断层扫描（CT）上气腹的检测方法：性能与临床可行性

《Abdominal Radiology》：Deep learning-based detection of pneumoperitoneum on computed tomography: performance and clinical feasibility

　　```

摘要

目的

在计算机断层扫描（CT）上早期检测气腹至关重要，因为胃肠穿孔的延迟诊断会增加发病率和死亡率。我们评估了一种用于自动化检测CT上气腹的深度学习模型的诊断性能和临床应用性。

方法

在这项回顾性诊断准确性研究中，纳入了来自同一三级医疗机构的263名经手术确诊胃肠穿孔患者和78名正常对照者的CT扫描数据（2010年1月至2024年9月）。阳性CT扫描数据被分为训练集、验证集、内部测试集和时间独立的外部测试集，其中78名正常对照者被纳入外部测试集。空气区域由外科和放射科专家手动分割并进行了验证。基于分割的深度学习模型使用“no-new-Segment Anything Model”（nnSAM）框架开发，并与传统的“no-new-Net”（nnUNet）模型进行了比较。在内部测试集和时间独立的外部测试集上评估了分割和分类性能。

结果

在内部测试集（n = 43例阳性病例）中，nnSAM模型的检测率（97.7% vs 90.7%）和平均Dice相似系数（0.739 ± 0.266 vs 0.684 ± 0.283；p = 0.045）均显著高于nnUNet模型。在外部测试集中，nnSAM模型的阳性病例检测率（97.9% vs 85.4%）和平均Dice相似系数（0.863 ± 0.189 vs 0.746 ± 0.208；p = 0.003）也显著更高。

结论

nnSAM模型的性能优势在少量气腹病例中尤为明显。基于nnSAM的模型在CT上检测气腹时表现出更高的准确性和鲁棒性，这支持其作为紧急放射学工作流程中临床有用决策支持工具的潜力，以及用于疑似胃肠穿孔患者的分类。

```