可解释的深度学习模型用于CT上的儿科窒息小肠阻塞:一个多中心研究
Na Chang1, Xin Liu2, Peng Liu3
1Department of Radiology, Shengjing Hospital of China Medical University, Shenyang, Liaoning Province, People's Republic of China.
Journal of pediatric surgery
|March 13, 2026
概括
一个新的深度学习模型使用CT扫描和临床数据准确地区分了儿童的窒息小肠阻塞 (StSBO) 和简单的SBO. 这种AI工具有助于医生,提高诊断准确性,以便及时管理StSBO.
科学领域:
- 儿科放射学 儿科放射学
- 人工智能在医学中的应用
- 胃肠道成像技术 胃肠道成像技术
背景情况:
- 在儿科患者中,区分窒息小肠阻塞 (StSBO) 和简单的SBO (SiSBO) 是临床上具有挑战性的.
- 准确的诊断对于及时的手术干预和改善患者结果至关重要.
研究的目的:
- 开发和验证基于深度学习的多实例学习 (MIL) 模型,集成CT成像和临床数据.
- 为了提高诊断准确度,将儿科StSBO与SiSBO区分开来.
主要方法:
- 一项多中心回顾性研究包括168名患有SBO的儿科患者 (1-14岁).
- 使用CT和临床特征开发了临床,MIL和组合模型.
- 模型性能通过ROC分析进行评估;SHAP值解释特征重要性.
主要成果:
- 在外部测试队列中,MIL模型实现了0.86的AUC.
- 组合模型显示出最高的诊断性能 (AUC 0.87).
- 在初级和经验丰富的医生中,MIL协助显著改善了诊断性能.
结论:
- MIL模型有效地诊断儿科StSBO,通过临床数据集成提高性能.
- 这种人工智能工具可以作为一个决策支持系统,用于风险分层和儿科StSBO的及时护理升级.


