综述：人工智能在腹盆腔创伤影像学中的应用现状与展望

《Abdominal Radiology》：Artificial intelligence for abdominopelvic trauma imaging: trends, gaps, and future directions

本文综述了 AI 在腹盆腔创伤中的应用，探讨现有工具、研发进展及面临挑战。

　　

人工智能在腹盆腔创伤影像学中的应用现状与展望

腹盆腔创伤是导致发病和死亡的重要原因，常常由诸如机动车碰撞、穿透性损伤等高能量机制引发。在医疗诊断流程中，入院时的腹盆腔创伤计算机断层扫描（CT），无论是有选择地进行，还是作为全身 CT 检查方案的一部分，都因其扫描速度的提升和图像质量的改善，成为了主要的筛查与手术规划手段。同时，放射成像依旧是二次创伤检查的关键要素，而创伤超声重点评估（Focused Assessment with Sonography for Trauma，FAST）扫描对于血流动力学不稳定患者的不可压缩性出血的快速评估具有重要价值。

然而，复杂且严重的多发伤病例常常会延长放射学报告的周转时间，这可能会阻碍紧急临床决策的制定。在此背景下，人工智能（Artificial Intelligence，AI）计算机辅助检测与诊断（Computer-Aided Detection and Diagnosis，CAD）技术为提高腹盆腔创伤影像学的诊断效率和准确性带来了希望。尽管目前针对腹盆腔创伤的商业 AI 工具仅在少数应用场景中可用，但从文献资料来看，相关原型工具的研究与开发（Research and Development，R&D）十分活跃。

多尺度卷积神经网络（Multiscale Convolutional Neural Networks，CNNs）和基于 Transformer 的模型在检测和量化实体器官损伤、骨折以及出血方面表现出了高度的精确性。举例来说，在对肝脏、脾脏等实体器官损伤的识别中，这些模型能够精准定位损伤位置，并对损伤程度进行量化分析，为后续的临床治疗提供了关键依据。而且，像多模态视觉语言模型（Multimodal Vision-Language Models，VLMs）这样的通用基础模型，通过整合影像、临床和文本数据进行适应性调整和微调后，可以执行一系列任务，包括损伤检测、定量可视化、预后预测以及报告自动生成。

尽管 AI 技术在腹盆腔创伤领域展现出了巨大的潜力，但在大多数实际应用场景中，AI CAD 工具仍处于技术准备的试验阶段。首先，数据可用性问题突出。高质量、大规模且标注准确的腹盆腔创伤影像数据相对匮乏，这限制了 AI 模型的训练效果，使其难以学习到足够丰富的特征，从而影响诊断的准确性和泛化能力。其次，缺乏开放访问且与图像存档与通信系统（Picture Archiving and Communication System，PACS）兼容的软件管道，这使得在临床前的影子测试难以有效开展，无法全面评估 AI 工具在实际临床环境中的性能。再者，目前缺少设计完善的多机构验证研究，不同机构间的数据差异、设备差异等因素都可能影响 AI 工具的性能表现，没有经过多机构验证，其可靠性和通用性难以得到广泛认可。最后，监管方面也存在诸多障碍，AI 医疗器械的审批标准尚不完善，如何确保 AI 诊断结果的准确性、安全性以及责任界定等问题，都需要进一步探索和规范。

一、现有商业 AI 工具的应用情况

目前，市面上针对腹盆腔创伤的商业 AI 工具数量有限，应用场景也相对较窄。这些工具主要集中在一些较为常见的创伤类型诊断上，例如对肝脏、脾脏等大型实体器官的损伤检测。它们在一定程度上能够辅助医生快速识别明显的病变，但在复杂伤情的综合诊断方面仍存在不足。以某款商业 AI 工具为例，其在检测简单的脾脏破裂时，具有较高的敏感度和特异度，但当患者同时伴有多处骨折、其他器官的隐匿性损伤时，该工具的诊断准确率会显著下降，无法为医生提供全面、准确的诊断信息。

二、AI 技术在腹盆腔创伤研究中的研发进展

在科研领域，针对腹盆腔创伤的 AI 技术研发取得了不少成果。多尺度 CNNs 通过不同尺度的卷积核，可以同时捕捉图像中的局部细节和全局特征，从而更精准地识别微小的损伤以及损伤与周围组织的关系。比如在肾脏损伤的检测中，多尺度 CNNs 能够清晰地分辨出肾实质的微小撕裂、包膜下血肿等细微病变。基于 Transformer 的模型则以其强大的自注意力机制，在处理复杂图像数据时表现出色，能够更好地理解图像中不同区域之间的关联，进而提高诊断的准确性。

而多模态 VLMs 的出现，更是为腹盆腔创伤的诊断带来了新的思路。它不仅可以处理影像数据，还能结合患者的临床症状、病史等文本信息，进行综合分析。例如，当影像显示肝脏有疑似损伤时，VLMs 可以参考患者的受伤原因、受伤时间以及是否有其他基础疾病等临床信息，更准确地判断损伤的严重程度和可能的预后情况，为临床决策提供更全面的支持。

三、未来发展方向

未来，AI 在腹盆腔创伤领域的发展将聚焦于解决当前面临的问题。一方面，需要加大数据收集和整理的力度，建立多中心、大规模的腹盆腔创伤影像数据库，提高数据的多样性和质量，为 AI 模型的训练提供更丰富的素材。另一方面，开发开放、兼容的软件平台至关重要，这将便于科研人员和临床医生进行临床前测试和验证，加速 AI 技术从实验室到临床应用的转化。

同时，多机构合作的验证研究也将成为重点。通过不同地区、不同级别医疗机构的合作，收集更广泛的病例数据，全面评估 AI 工具在不同临床环境下的性能，确保其可靠性和通用性。此外，随着监管政策的不断完善，AI 技术在腹盆腔创伤诊断中的应用将更加规范和安全，有望真正成为临床医生的得力助手，提高腹盆腔创伤的诊断效率和准确性，改善患者的预后。

综上所述，AI 在腹盆腔创伤影像学中的应用前景广阔，但要实现广泛的临床应用，还需要克服诸多挑战，在技术研发、数据管理、验证研究以及监管等多方面共同努力。