《Pediatric Reports》：Review of Artificial Intelligence for Automated Assessment of Lines, Drains, and Airways on Pediatric and Adult Chest Radiographs
摘要：管路、引流管和气道（Lines, Drains, and Airways, LDAs）的准确放置对于危重患者的安全管理至关重要，因为医疗设备位置不当可能导致从治疗无效到危及生命的损伤等严重并发症。胸片（Chest Radiography, CXR）是确认许多LDA放置的主要影像学检查方法；然而，床旁CXR数量及复杂性的不断增加，对快速、可靠的判读提出了日益增长的需求。人工智能（Artificial Intelligence, AI）领域的最新进展已实现LDA设备的自动检测、定位及位置评估，为改善临床工作流程和患者安全提供了机遇。本综述总结了AI算法在CXR上自动评估LDA方面的最新进展，重点关注其临床应用、技术方法、性能及局限性。本综述首先介绍了常见LDA类别的临床特征、影像学表现及放置标准，随后综述了用于存在性检测、设备定位及位置分类的AI方法。尽管部分模型的性能已接近放射科医师水平，但大多数模型尚未达到临床部署所需的性能水平。未来研究应优先开展多中心验证、标准化标注方案、儿科专用数据集，以及能够同时评估多种LDA设备的解剖学信息模型。这些领域的进展将促进AI辅助LDA评估融入临床决策支持，并最终改善患者预后。
- 1.
引言
管路、引流管和气道（Lines, Drains, and Airways, LDAs）是用于呼吸支持、血管通路、肠内营养、胃肠减压、血流动力学监测及其他治疗干预的重要留置医疗设备。由于这些设备可能在置入时位置不当，或因患者移动、日常护理或操作操作而随后发生移位，准确评估其位置对于预防并发症和指导临床管理至关重要。
胸片（Chest Radiography, CXR）是确认和监测许多此类设备放置情况的主要影像学检查方法。然而，判读床旁CXR可能具有挑战性，尤其是当多个LDA相互重叠时。便携式X线片通常在技术欠佳的条件下获取，仰卧位、图像质量下降、对比度低以及解剖结构改变使得这些细小的医疗设备难以准确识别。这些技术挑战因影像检查量不断增加、放射科医师人力短缺，以及来自断层成像、急诊检查和其他高优先级检查的竞争性需求而进一步加剧，在繁忙的临床环境中可能导致床旁CXR的判读延迟数小时。
为应对这些挑战，人工智能（Artificial Intelligence, AI）已成为在CXR上自动评估LDA的一种有前景的方法。AI可以自动检测LDA设备、定位设备尖端并识别潜在的位置不当，从而支持更高效的影像判读。在可预见的未来，AI旨在作为临床决策支持（Clinical Decision Support, CDS）工具而非替代临床判断。通过自动识别LDA设备和潜在的位置不当，AI可能改善工作流程效率和报告一致性。AI还可能通过在专家判读无法立即获得时提供初步评估，改善放射科医师短缺或亚专科专业知识有限的医院的及时影像支持可及性。
Yi等人早先的综述总结了用于X线片上导管和管路评估的计算机辅助方法，并强调了自动设备评估中的关键挑战；自那时以来，基于AI的LDA评估已在更广泛的设备和临床应用领域取得了实质性进展。尽管LDA自动评估进展迅速，但相关文献仍分散于各个设备、算法和临床应用之中。本综述全面概述了在成人和儿科人群中于CXR上自动评估LDA的AI方法。研究人员将AI应用组织为三个核心任务：存在性检测、设备定位和位置分类。对于每项任务，研究人员比较了多种LDA类别间的性能，并讨论了临床转化的关键挑战和未来方向。
- 2.
方法学
检索策略
为提高透明度和可重复性，实施了结构化文献检索策略，并使用PRISMA风格（系统综述和荟萃分析的首选报告项目）流程图记录了筛选过程。文献检索在PubMed中进行，限于10年发表期（2016年6月13日至2026年6月13日），以涵盖AI（尤其是深度学习）在LDA评估方面的最新进展。本综述纳入的LDA设备事先与经认证的放射科医师协商选定，代表了在胸片上常规评估的16种设备所构成的四大类别。检索策略旨在涵盖评估成人和儿科人群中用于LDA评估的AI模型的研究。
为识别相关研究，研究人员制定了全面的PubMed检索策略，涵盖AI方法学、LDA设备以及成人和儿科人群中的CXR。检索共识别出153条记录。文献筛选由作者（JW和HL）分两个阶段进行。首先，作者根据纳入标准筛选所有检索记录标题和摘要，排除明显不符合纳入要求的文章。其次，对于无法从标题和摘要确定符合性的记录，作者审查全文以做出最终纳入决定。经人工筛选后，41项研究符合纳入标准并被纳入最终综述。
- 3.
LDA设备的临床背景
本节总结了四大类LDA设备的临床应用、正确放置标准和潜在并发症。图2展示了CXR上四大类LDA设备的示例。
3.1. 人工气道
人工气道是插入呼吸道的管路，用于维持气道通畅、保护气道并促进机械通气。此类别主要包括两种设备：
气管内导管（Endotracheal Tube, ETT）：ETT是通过口腔或鼻腔插入气管的气道管路，用于维持气道通畅并促进机械通气。正确的ETT放置要求远端尖端位于气管中段，即胸廓入口与隆突之间。位置过低的管路可能进入主支气管，导致单侧肺过度充气、对侧肺不张、低氧血症或气胸。相反，管路位置过高可能导致喉痉挛、意外拔管和声带损伤。
气管切开套管：气管切开套管是一种短而弯曲的气道设备，通过前颈部的手术开口（造口）直接插入气管，提供长期呼吸支持。气管切开套管的正确放置要求远端尖端在气管管腔内居中，终止于造口部位与隆突之间的大致中点处。错位或成角可能导致气管壁侵蚀、皮下气肿或意外脱管进入气管前间隙。
3.2. 肠内管路
肠内管路是插入胃肠道的柔性导管，用于提供营养、给药或对胃和肠道进行减压。
鼻胃管（Nasogastric Tube, NGT）：NGT是一种经鼻插入的喂养和减压管路，穿过食管终止于胃内。用于短期肠内营养、给药、胃减压和胃内容物清除。正确的NGT放置要求管路保持在胸部中线，穿过膈肌下方，并终止于胃内，侧孔位于胃食管连接处远端。误入呼吸道是主要的临床风险，可导致相关肺部并发症。
口胃管（Orogastric Tube, OGT）：OGT功能与NGT相同，但通过口腔插入并终止于胃内。常用于气管插管的成人和新生儿，以避免鼻气道阻塞。其放置标准与NGT相同，放置不当同样存在误入气道或食管穿孔的风险。
鼻十二指肠管（Nasoduodenal Tube, NDT）：NDT是一种经鼻插入的细喂养管，穿过胃和幽门终止于十二指肠，用于提供幽门后肠内营养。正确放置要求尖端延伸超过幽门进入十二指肠C环内，避免在胃底内盘绕或卷曲。意外错位可导致管路在食管内盘绕或进入呼吸道，可能导致肺或胸膜腔穿孔等严重并发症。
鼻空肠管（Nasojejunal Tube, NJT）：NJT是一种经鼻插入的加长喂养管，穿过胃和十二指肠终止于Treitz韧带处或更远处，用于提供长期幽门后营养，同时最大限度降低误吸风险。正确放置要求管路穿过幽门并推进超过Treitz韧带进入近端空肠。意外错位有进入气道或胸膜腔而非小肠的风险，可能导致显著的肺部损伤。
胃造口管（Gastrostomy Tube, G-Tube）：G管是一种短而直接的进入导管，通过腹部切口（造口）插入胃内，为长期营养提供直接胃通路。正确放置依赖于内部固定球囊或充水球囊牢固锚定于胃壁。脱入腹膜腔可导致腹膜炎。位于前腹壁内的管路可导致蜂窝织炎。
胃空肠管（Gastrojejunal Tube, GJ-Tube）：GJ管是一种双腔设备，通过腹壁直接插入胃内。该管路具有延伸的空肠支，终止于Treitz韧带处或更远处。该管路允许同时进行胃通路/减压和直接空肠喂养。正确放置要求胃内固定球囊紧贴胃前壁。空肠支应延伸超过幽门进入十二指肠或空肠，且无扭结。胃空肠管错位可导致喂养不耐受、呕吐、肺误吸风险增加，以及小肠套叠和缺血性坏死。
Replogle管：Replogle管是一种双腔吸引导管，通过鼻或口插入，用于上消化道的持续减压。在大多数患者中，尖端终止于胃内。然而，在食管闭锁新生儿中，其有意定位于盲端近端食管袋内，以持续抽吸分泌物并降低误吸风险。适当放置取决于临床适应证。
3.3. 中心静脉导管（Central Venous Catheters, CVCs）
中心静脉导管（CVCs）是插入大全身静脉的血管通路设备，用于给药、提供全肠外营养、采血和监测中心血流动力学状态。此组包括：
颈内静脉（Internal Jugular, IJ）导管：IJ导管是直接插入颈部颈内静脉的中心导管，向下走行穿过颈部，终止于上腔静脉（Superior Vena Cava, SVC）下部，靠近腔房交界处。导管过度置入右心房会增加心律失常、心房穿孔和心脏压塞的风险，而置入不足则增加静脉血栓形成和化学性静脉炎的风险。
锁骨下导管：锁骨下导管是插入锁骨下方锁骨下静脉的中心导管，向内走行进入头臂静脉，终止于SVC下部，靠近腔房交界处。导管过度推进进入右心房会增加心律失常、心房穿孔和压塞的风险，而置入不足则增加局部静脉血栓形成和化学性静脉炎的风险。
经外周置入中心静脉导管（Peripherally Inserted Central Catheter, PICC）：PICC是一种长的中心静脉导管，通过外周静脉插入，用于提供长期静脉通路，以输注药物、肠外营养、化疗药物、血液制品和其他静脉治疗。导管可通过上肢或下肢静脉插入。上肢PICC通常终止于腔房交界处或SVC下部，而下肢PICC终止于下腔静脉（Inferior Vena Cava, IVC）上部的腔房交界处。将PICC尖端推进至右心房会增加心律失常、心房穿孔和压塞的风险，而置入不足使尖端留在外周或腋静脉内，则增加局部血栓形成和化学性静脉炎的风险。
两种专用血管导管常用于新生儿重症监护病房，通过脐带通路置入。
脐静脉导管（Umbilical Venous Catheter, UVC）：UVC是一种新生儿导管，通过切断的脐静脉插入，向上走行穿过静脉导管，终止于IVC，恰位于其与右心房交界处。正确放置要求尖端位于膈肌处或略高于膈肌。位置过低位于门静脉内有血栓形成和肝实质浸润的风险，而位置过高位于心脏内有心律失常风险。
脐动脉导管（Umbilical Arterial Catheter, UAC）：UAC是一种新生儿导管，通过脐动脉插入，向下走行进入髂内动脉，然后向上走行进入主动脉。用于连续血压监测和动脉血气采样。正确放置要求尖端终止于高位（腹腔干上方）或低位（肠系膜下动脉下方），以避免主要主动脉分支并降低内脏梗死或动脉血栓形成的风险。
3.4. 引流管
引流管是插入体内以排出液体或气体聚集并恢复正常生理状态的柔性导管。在胸腔内，其功能是恢复胸膜腔负压、减轻对纵隔的占位效应，并促进肺完全复张。此组主要包括两类引流系统：
胸腔引流管（胸管）：胸腔引流管是一种大口径或小口径刚性塑料管，用于排出胸膜腔或纵隔内的气体或液体。大多数胸腔引流管通过肋间入路插入胸膜腔，而纵隔引流管通常在心脏外科手术后通过剑突下入路放置。对于胸膜引流管，所有引流侧孔（开窗）应完全位于胸膜腔内，尖端对于气胸应指向顶部，对于胸腔积液应指向底部。位置不当可能导致引流不充分、疼痛或损伤邻近结构。
经皮导管引流（Percutaneous Catheter Drainage, PCD）：PCD是一种小口径柔性引流导管，通常具有圆形猪尾构型，在影像引导下（如超声或CT）插入以排出胸膜或其他液体聚集。猪尾导管常用于不同大小的胸腔积液，具体取决于临床适应证和操作者偏好。正确放置要求猪尾锁定机制在目标聚集液内完全展开。导管应保持无扭结或移位。这些细腔导管的位置不当或扭结会导致梗阻和引流受损。
- 4.
用于自动LDA评估的AI任务和架构
用于CXR上LDA评估的AI应用可大致分为三个任务：存在性检测、设备定位和位置分类。这些任务代表了自动图像分析从确定设备是否存在，到识别其位置，再到评估其是否满足既定临床放置标准的逐步复杂化阶段。已开发多种AI架构来完成这些任务，其中深度学习方法在当前文献中占主导地位。
4.1. 存在性检测
存在性检测算法确定目标LDA设备是否存在于CXR成像视野内，而不识别其精确位置或评估其位置是否适当。作为最简形式的自动LDA分析，存在性检测可在应用计算更密集的定位或位置分类算法之前作为初步筛查步骤。根据本综述，卷积神经网络（Convolutional Neural Network, CNN）架构是LDA存在性检测的主要骨干网络。包括GoogLeNet、ResNet和EfficientNet变体在内的多种成熟CNN架构，已证明在检测多种设备（包括CVC、ETT、胸腔引流管、NGT和UAC）方面具有高性能。除这些成熟架构外，还开发了专门AI模型，包括混合DenseNet121和DeepLabV3+框架、多级级联CNN、统一边界框检测框架，以及适用于细小儿科导管的专用尺度递归网络。
对于存在性检测，图像级CNN分类器可能表现良好，因为该任务主要需要识别指示设备是否存在的全局和局部视觉特征，而无需精确描绘其轨迹或尖端。残差和密集连接架构可能进一步促进特征复用和梯度传播，这对于在复杂胸部解剖结构中检测细而低对比度的设备可能是有利的。
重要的是，当使用多类或多标签框架训练时，AI系统能够区分不同类别的LDA设备。此类模型可以识别同一CXR上的多种设备类型，包括ETT、肠内管路和血管导管；然而，目前许多已发表算法仍针对单一设备类别进行优化，当存在多个重叠设备时性能可能有所变化。
4.2. 设备定位
设备定位算法通过描绘目标LDA设备的完整走行、估计其远端尖端位置或两者兼有来定位图像中的该设备。定位对于可视化设备位置具有临床价值，并作为位置分类的基础。对于某些设备，如气管切开套管，仅定位本身可能就足以提供临床信息，因为位置不当相对少见。
语义分割模型常用于生成LDA设备连续轨迹的像素级映射，并为临床医生提供视觉可解释性。根据本综述，U-Net及其变体是用于LDA语义分割最广泛使用的模型。U-Net和U-Net++已应用于生成ETT、CVC和PICC的分割掩膜。自配置nnU-Net可自动化预处理和网络拓扑，已成功应用于映射NGT和右侧IJ导管。DeepLabV3+也用于分割细窄设备，如NGT和ETT，利用其空洞空间金字塔池化（Atrous Spatial Pyramid Pooling, ASPP）模块。ASPP模块使网络能够在不损失空间分辨率的情况下捕获多尺度上下文信息，这对于保留细薄LDA的精细结构细节至关重要。
对于许多LDA，远端尖端的准确定位在临床上比整个设备的分割更具相关性，因为放置适当性最终由尖端与邻近解剖标志（如隆突、腔房交界处或胸廓入口）之间的关系决定。尖端定位可通过后处理分割掩膜以识别沿分割设备的最远端端点来实现。用于这种基于分割方法常用模型包括DeepLabV3+、nnU-Net或标准U-Net架构。或者，目标检测算法和坐标回归模型可以直接定位设备尖端坐标，而无需完整轨迹分割。目标检测框架，如YOLO变体（YOLOv3、YOLOv5）、Faster R-CNN、全卷积单阶段目标检测（Fully Convolutional One-Stage Object Detection, FCOS）或RetinaNet，直接在设备尖端上投影边界框。为实现精确的单像素定位，坐标回归网络，如级联CNN和修改的DenseNet121，通过直接数值坐标回归或2D高斯概率热图来估计设备尖端的像素坐标。
这些架构差异反映了定位任务所需的空间信息水平。编码器-解码器分割网络非常适合追踪细薄LDA的连续轨迹，因为跳跃连接有助于在纳入更广泛上下文信息的同时保留精细空间特征。当临床目标仅限于远端尖端定位时，目标检测、坐标回归或基于热图的方法可以直接针对局部区域或点，而无需重建整个设备走行。
4.3. 位置分类
位置分类算法确定目标LDA相对于关键解剖标志的位置是否适当。位置分类不是简单识别LDA设备的位置，而是根据既定临床放置标准解释该信息以得出设备位置的判定。位置分类算法通常遵循两种方法学范式：图像级分类和基于定位的分类。
第一种范式使用在图像级标签上训练的端到端CNN分类器，直接分类设备位置为满意或位置不当，而无需显式输出远端尖端定位。标准CNN分类器，包括Inception V3、DenseNet121、GoogLeNet和带张量投影层的VGG16，已证明在利用全局图像特征进行图像级位置分类方面具有高性能。此外，已开发多标签框架和多任务CNN以同时分类多个放置属性。
第二种范式，即基于定位的分类，通过将分割或尖端定位与解剖标志检测相结合，直接评估放置标准。这通常通过双阶段流水线实现，该流水线将分割框架（如nnU-Net、DeepLabV3+或U-Net++）与分类骨干网络（如ResNet-50、DenseNet-121）相结合。或者，使用YOLOv3、YOLOv5、Faster R-CNN、U-Net和RetinaNet的统一基于定位框架已被用于显式测量相对于解剖标志的距离。若干实施这些方法的商业AI工具已在ICU中部署，以协助自动评估关键设备位置。
这些方法的相对优势可能取决于临床任务。端到端分类器可以利用全局图像上下文，且需要较少的详细标注，但可能依赖间接影像特征而非显式识别设备-解剖关系。因此，当正确位置由设备尖端与解剖标志之间可测量的空间关系定义时，基于定位或双阶段方法可能具有优势，尽管定位阶段的错误可能传播至最终分类。
- 5.
AI模型的定量性能
本节总结了四大类LDA设备AI模型的定量性能。每个设备类别的汇总表见表1、表2、表3和表4。
5.1. 人工气道模型
深度学习模型在成人和儿科人群中均持续表现出优异的ETT自动检测性能。在儿科和新生儿ICU人群中，基于ResNet的架构在ETT存在性检测方面达到平均精度0.989。在成人人群中也有类似性能报道，AUROC值范围从使用预训练GoogLeNet的0.989到使用DenseNet121、DeepLabV3+和商业算法的1.0。在多标签框架中也保持了高检测性能，YOLO-v3显示灵敏度99.4%和特异性99.2%。
除存在性检测外，许多研究评估了通过分割管路轨迹、识别远端尖端和定位关键解剖标志（如隆突）来自动定位ETT。轨迹分割模型在成人和儿科人群中均持续表现出高性能。在儿科队列中，尺度递归网络在新生儿X线片上实现ETT分割的F-beta值为0.80，尽管仅使用成人数据训练。在成人队列中，标准U-Net架构实现ETT分割的Dice系数为87.3%，ETT至隆突测量绝对差异为0.48至0.60 cm，与人类放射科医师的读者间变异性密切相近。U-Net++等先进架构对ETT和气管分别实现Dice分数0.893和0.841，交并比（Intersection over Union, IoU）为0.8683，平均距离误差为2.9 mm。类似地，DeepLabV3+实现Dice分数0.854和总体定位误差1.1 cm。
由于临床放置主要取决于远端尖端位置，若干研究者专门关注尖端定位。两阶段Mask R-CNN、DenseNet121和多任务CNN实现定位误差范围2.6至3.04 mm，与人类专家相当。在这些方法中，Mask R-CNN显示出优于11位临床医生的定位精度，而多任务CNN在超过86%的评估ETT中报告尖端定位误差小于3 mm。其他架构，包括FCOS、RetinaNet、级联CNN和YOLO-v3，实现尖端定位误差范围3.73至8.2 mm，表明各研究间定位性能存在显著差异。这种研究间变异性可能反映多种方法学因素而非仅架构差异。患者人群、图像采集协议和空间分辨率、设备可见性和标注程序的差异可能影响远端尖端定位精度。模型设计也可能有贡献，因为基于分割的方法从分割的设备轨迹推断远端尖端，而基于目标检测和回归的方法更直接地定位尖端。此外，定位目标和参考标准定义的差异可能进一步限制各研究间定位误差的直接比较。
自动ETT位置分类的性能与存在性检测或设备定位相比更具变异性。标准图像级分类模型，包括带ROI裁剪图像的VGG16和商业多标签框架，在分类满意与位置不当ETT方面实现AUROC范围0.86至0.92。其他架构，包括DenseNet121和GoogLeNet，报告较低的广义位置不当AUROC范围0.734至0.847。对于更细粒度的位置分类，U-Net++与EfficientNet-b0结合在四个ETT深度类别中实现准确度0.922，而Conv-MTD实现三类ETT放置分类的AUROC为0.99。
当模型设计用于识别临床显著位置不当而非所有形式的位置不当时，性能通常会提高。统一分类架构和多任务CNN报告检测关键ETT位置不当的AUROC超过0.98，灵敏度范围93.9%至100%，特异性范围96.7%至100%。AI辅助可提高临床医生性能。商业AI将临床医生检测关键ETT位置不当的准确度从79.3%提高至89.0%，而RetinaNet将人类检测危险低位ETT的灵敏度从0.76提高至0.91。
5.2. 肠内管路模型
肠内管路的自动检测已成为AI辅助评估最活跃的应用之一。在成人和儿科人群中，AI模型在肠内管路检测方面均持续表现出优异性能。ResNet-50架构在儿科队列中成功识别NGT的存在，平均精度为0.977。高检测准确度延伸至一般成人人群，标准ResNet-50、深度卷积神经网络（DCNNs）和DeepLabV3+算法预测肠内管路存在的AUC分数范围0.98至0.998。
对于设备定位，算法在分割连续轨迹和定位肠内管路远端尖端方面表现出不同性能。在儿科应用中，尺度递归网络成功将成人训练数据适配至新生儿队列，F-beta分数为0.80，同时分割ETT、NGT和血管导管。在成人人群中，基于nnU-Net和ResNet骨干网络的统一模型在内部数据集上实现NGT分割的Dice系数86.56%，在外部验证数据上降至79.37%。其他几项使用nnU-Net、ResNet和DeepLabV3+的研究实现较低Dice分数，范围0.646至0.665。相对较少研究报告远端尖端定位的定量性能。
DeepLabV3+和DenseNet121实现平均尖端定位误差范围1.64至2.83 cm。与ETT相比，肠内管路报告的远端尖端定位误差较大，部分可能反映可视化和追踪远端NGT的难度更大。在便携式仰卧CXR上，可变的图像质量、与纵隔结构和其他支持设备的重叠，以及NGT盘绕或异常轨迹可降低管路可见性并使定位复杂化。Wang等人还指出，靠近远端尖端的NGT部分特别难以分割。然而，与ETT研究的直接比较应谨慎解读，因为这些研究使用了不同的数据集、模型架构和评估方案。
评估肠内管路放置的性能比单纯检测管路存在更具变异性，结果因分类任务而异。对于一般NGT错位分类，神经网络集成和nnU-Net模型实现AUROC范围0.77至0.848。将定位与位置分类相结合的双阶段框架实现了更高性能，报告NGT放置评估的AUROC在0.964至1之间。当使用CLiP等多样化数据集评估更广泛的肠内管路（双腔、细腔、NJT和NDT）时，模型实现广义错位AUROC范围0.839至0.89，满意放置AUROC高达0.91。多标签框架在将肠内管路放置分类为正常（AUROC = 0.98）、临界（AUROC = 0.97）和异常（AUROC = 0.96）方面实现优异判别能力。当模型设计用于识别严重或临床显著错位时，性能通常会提高，基于DenseNet121的模型和神经网络集成报告AUROC在0.87至0.98之间。
5.3. 中心静脉导管模型
AI模型在成人和儿科人群中均表现出优异的CVC自动检测性能。在高度脆弱的儿科和新生儿人群中，基于ResNet-50的架构在检测专用新生儿血管导管（包括UAC和UVC）方面表现出优异性能，平均精度分别为0.979和0.937。在成人队列中，ResNet-50和Annalise CXR等商业模型报告CVC检测的AUROC范围0.90至大于0.99，具有优异判别能力。
对于设备定位，研究评估了导管轨迹分割和远端导管尖端定位。在新生儿人群中，尺度递归网络准确追踪UAC和UVC轨迹，组合导管类别F-beta分数为0.80。最近，已开发拓扑保持嵌入网络以应对低对比度儿科成像的挑战，并展示高度精确的PICC定位，平均尖端距离误差低于3.125 mm。在成人CVC分割应用中，结合U-Net++和EfficientNet-B1的模型实现Dice分数0.84。类似地，nnU-Net模型实现右侧IJ导管分割的平均对称表面距离1.41 mm，平均尖端定位误差8.29 mm。对于PICC分割，多阶段深度学习框架实现Dice分数0.92和内部尖端RMSE 9.77 mm，而集成U-Net和Faster R-CNN的替代多任务框架报告较适中的分割性能（Dice = 0.58）。直接尖端定位方法通常实现亚厘米精度。级联FCN产生平均绝对尖端距离误差3.10 mm（RMSE = 3.71 mm），而多任务CNN在77%的病例中将导管尖端定位在参考标准3 mm以内。报告的尖端定位性能变异性可能反映导管类型、患者人群、图像质量、标注策略和定位方法学的差异，以及内部和外部验证数据集之间的差异。
自动CVC位置分类的性能在多种AI架构中持续保持高水平。结合U-Net++和EfficientNet-B1的组合架构在识别正确定位CVC方面实现AUROC为0.99，在检测错位导管方面AUROC为0.95。类似地，多任务CNN报告总体CVC错位分类AUROC值超过0.93，而商业算法表现略低，检测不满意CVC放置的AUROC为0.87。对于多类分类任务，Jung等人采用U-Net++和EfficientNet-B4框架将CVC放置分类为浅、适当或深，总体准确度0.82，F1分数0.73。同样，Conv-MTD框架将导管位置分层为正常、临界和异常类别，分别产生AUROC值0.90、0.84和0.90。
5.4. 引流管模型
AI模型在胸腔引流设备自动检测方面表现出优异性能。ResNet-50模型在CXR上成功识别胸腔引流管，AUC为0.99，诊断准确度与专家放射科医师相当。
对于设备定位，已发表研究主要使用目标检测框架而非基于分割的方法进行设备定位。使用YOLOv5架构，Kim等人定位CXR上的胸部PCD，实现50%交并比下的平均精度（mAP50）为0.86。
自动引流管位置分类的性能也令人鼓舞。通过分析定位边界框，YOLOv5算法区分适当定位与错位胸部PCD，总体准确度0.88，灵敏度0.86，特异性0.92。值得注意的是，与错位相关的引流管功能障碍预测实现了更高灵敏度0.93和特异性0.95，展示了AI支持放射科医师和临床医生评估胸腔引流管的潜力。
- 6.
讨论
AI模型在CXR上自动评估LDA方面已实现持续高性能，尽管性能因基础任务而有显著差异。在四大类LDA设备（包括人工气道、肠内管路、CVC和引流管）中，出现了关于算法性能的一致模式。存在性检测实现了最高且最可重复的诊断准确度，若干ETT检测模型在成人和儿科人群中报告AUROC接近0.99或更高。设备定位也表现出强劲性能，尽管性能随设备复杂性、解剖变异性和图像质量而变化。相比之下，位置分类仍是最具挑战性的任务，因为它不仅需要准确的设备定位，还需要在做出临床有意义的决策之前精确检测相关解剖标志。这种任务复杂性的逐步增加在各研究综述中一致反映为性能下降，表明未来方法学进展应日益聚焦于解剖学信息位置分类，而非仅进一步改进设备检测。
虽然有限数量的模型已展示接近专家放射科医师的性能，但大多数模型尚未达到常规临床部署所需的稳健性和泛化性。因此，AI当前的角色主要是支持而非替代临床专业知识。在此角色中，AI对床旁CXR尤其有价值，可帮助临床医生在正式放射学报告可用之前识别可能危及生命的位置不当。总体而言，这些发现表明AI最适合作为CDS工具，可改善工作流程效率、增强诊断一致性并加强患者安全。
本综述的一个重要发现是，尽管儿科和新生儿人群存在实质性临床需求，但儿科和新生儿证据仍然稀缺。虽然若干研究展示了检测和定位新生儿ETT、脐带导管和肠内喂养管的优异性能，但儿科专项研究仍然有限。目前大多数可用算法是使用成人数据集开发的。这种差异具有临床意义，因为儿科CXR呈现独特成像挑战，包括显著更小的解剖结构、因辐射剂量降低策略导致的较低图像对比度，以及在受限视野内多种重叠生命支持设备频繁共存。此外，即使设备位置的微小偏差也可能在新生儿和幼儿中导致严重并发症。因此，未来研究应优先考虑儿科专用数据集和能够适应显著尺度变化的模型架构。
尽管文献中展示了令人鼓舞的进展，若干方法学局限性继续阻碍更广泛的临床实施。设备错位的术语和阈值因设备类型和个别研究而异。一般而言，满意定位指放置在可接受的设备特异性解剖目标范围内，而临界或次优定位描述偏离理想位置可能需要重新评估或调整但不一定代表立即高风险情况。临床显著错位指与设备功能受损或患者伤害实质性风险相关且通常需要及时临床关注或纠正的位置。部分研究进一步使用严重或关键错位等术语描述特定高风险子集；这些术语及其定量阈值是研究特异性的，因此在报告个别研究结果时保留原始定义。代表性临床显著错位包括支气管内ETT放置、肠内管路进入呼吸道、中心静脉导管过度推进进入心脏或其他非预期血管，以及引流导管移位导致引流受损。从数据角度看，严重类别不平衡仍是持续挑战，因为临床显著设备错位的发生频率远低于正确定位设备。因此，许多算法主要在正常检查上训练，可能对检测罕见但临床显著的设备错位灵敏度降低。此外，缺乏标准化标注方案和设备特异性标记可能降低模型性能和已发表研究的可比性。一个代表性例子是公开可用的CLiP数据集，其中多种肠内喂养设备（包括鼻胃、鼻十二指肠和鼻空肠管）被统称为鼻胃管。尽管这些设备在食管内具有相似的近端走行，但它们在远端轨迹和预期解剖终点方面存在显著差异。因此，在此类数据集上训练或外部验证的模型可能性能下降，特别是在错位评估方面，因为管尖是适当放置的主要决定因素。更细粒度的个体肠内管路类型、其远端尖端及相应放置标准标注将改善模型开发、促进研究间公平比较，并增强AI辅助设备评估的临床特异性。此外，参考标准本身固有地不完美，因为导管尖端、气道标志和其他解剖参考点的标注受经验丰富的放射科医师间观察者间变异性的影响。
因此，未来研究应聚焦于将这些有前景的算法转化为稳健的临床工具。未来工作不应仅进一步改进图像级分类，而应继续强调解剖学信息定位框架，将设备分割、标志识别和定量距离测量整合到临床可解释的决策流水线中。开发能够同时评估床旁CXR上遇到的广泛医疗设备的统一多设备算法将进一步提升其临床实用性。在异质性成人和儿科人群中开展前瞻性多中心验证对于确立模型在真实条件下的稳健性、泛化性和临床有效性至关重要。
即使高度准确的算法也需要在广泛采用前仔细整合到放射学和床旁工作流程中。LDA评估AI系统不仅应通过常规指标（如AUROC、Dice和定位误差）评估，还应评估其对报告周转时间、紧急病例优先排序、假阳性警报负担、临床医生信任和下游患者结局的影响。此外，模型校准、不确定性估计、失败模式分析、监管批准和部署后性能监测对于确保跨机构、成像设备、患者人群和临床环境的安全可靠使用至关重要。总之，这些进展可能促进AI辅助LDA评估从回顾性算法开发转化为常规临床实践，改善工作流程效率、增强诊断一致性，并最终促进更安全的患者护理。
- 7.
结论
AI已成为在CXR上自动评估LDA的强大工具，在广泛的临床应用领域展示了实质性进展。在所综述的研究中，AI模型在存在性检测方面持续实现最高性能，其次是设备定位，而位置分类仍是最具挑战性的任务，因为它需要将设备位置与临床相关解剖标志相结合。总体而言，这些发现展示了AI通过快速、一致和可重复的医疗设备评估改善床旁成像工作流程的日益增长的潜力。然而，支持这些发现的证据主要来自成人人群，儿科和新生儿特异性验证仍然有限。
尽管取得了这些进展，在广泛临床实施之前仍存在若干重要挑战。当前证据表明，AI最适合作为补充而非替代放射科医师专业知识的CDS工具。随着方法学的持续改进、前瞻性多中心验证以及深思熟虑地整合到放射学和床旁工作流程中，AI辅助LDA评估有潜力成为常规临床实践的重要组成部分，提高诊断效率、减少判读变异性，并最终促进更安全的患者护理。
