急性腹痛的病因繁杂，急诊医生常常依赖非增强CT（NCCT）作为初始筛查工具，但NCCT对多种急腹症的识别能力有限，这给高负荷的急诊工作带来不小压力。2026年8月12日，上海交通大学医学院附属第六人民医院李跃华/东南大学附属南通第一人民医院王天乐/江南大学张磊/同济大学路青团队在《自然·通讯》上发表了题为“A foundation model for acute abdomen diagnosis stratification and triage on noncontrast computed tomography”的研究论文，他们开发了名为AbdomenNet的多任务AI系统，该系统基于自监督基础模型，能够直接从NCCT图像中同时检出11种急性腹部病变，并且还能对其中需要手术干预的危重情况进行风险分层和分诊优先级判断。
内部测试结果显示，AbdomenNet在全部11项诊断任务上的宏平均AUROC达到了0.908，其中五种紧急病变（主动脉夹层、肠系膜缺血、消化道穿孔、绞窄性肠梗阻和高等级脏器损伤）的宏平均AUROC更高，为0.937。研究团队随后在三个独立外部中心的2528例患者上验证了模型的泛化能力，三个中心全部任务的宏平均AUROC分别为0.898、0.889和0.896，而五种紧急病变的宏平均AUROC则稳定在0.919左右。他们通过热力图观察到，模型对于不同病变的关注区域与影像上真正的病灶位置高度吻合，比如主动脉夹层病例中，模型注意力集中在内膜瓣和真腔附近，而阑尾炎病例中则锁定在增厚、发炎的阑尾区域。与多种公开基础模型和替代预训练策略对比后，AbdomenNet的表现均占优，这得益于团队使用了超过十万例未标注NCCT数据进行领域特定的自监督预训练，随后再用五千余例精细标注数据微调。
研究团队还专门设计了三个风险分层子任务，用来评估那些一旦延误就可能危及生命的严重情况。在识别高等级脏器损伤（即AAST分级达到III级或以上）时，模型在内部测试中的AUROC为0.896，在外部验证中为0.888；绞窄性肠梗阻的识别AUROC内部为0.912，外部为0.889；上消化道穿孔的识别AUROC内部为0.873，外部为0.875。这些子任务采用级联方式运行，只有在主模型检测到对应病变之后，下游的子模型才会继续评估其严重程度或者具体亚型，其参考标准分别来自配对增强CT的AAST分级、手术记录和术后病理。这种设计让每个子模型都能针对自己的临床目标独立调优，并且输出的阶段信息更直接，外科医生可以据此更快判断是否需要紧急手术。
为了评估AbdomenNet在实际读片中的辅助价值，研究团队组织了一项多读者多病例交叉实验，邀请四位不同年资的放射科医生对380例病例进行判读。AI辅助将资深医生的AUROC从0.876提升到0.968，年轻医生则从0.735提升到0.874，诊断敏感性的提升同样显著；与此同时，中位读片时间从197.5秒降到了145.0秒，缩短了超过五分之一。广义线性混合模型分析发现，AI辅助与诊断正确性之间存在很强的正关联，其比值比达到2.29。他们进一步基于18398例急诊CT的真实时序数据重构了工作流，在保证紧急病变敏感性不低于95%的阈值下，AI驱动的优先读片让紧急病例的中位报告周转时间从49.3分钟压缩到12.3分钟，净节省37分钟，并且没有给其他急诊病例的报告时间带来显著额外延迟，这一优势在白天和夜间班次中均保持一致。
READING
BioPeers
热门跟贴