CT 研究表明深度学习模型可以帮助区分急性憩室炎和结肠癌

研究人员表明，辅助使用深度学习算法可使计算机断层扫描 (CT) 扫描区分结肠癌和急性憩室炎的灵敏度提高 8%，特异性提高近 10%。

注意到对比增强计算机断层扫描 (CT) 上重叠的成像特征可能使区分急性憩室炎和结肠癌变得具有挑战性，研究人员表示，一种新兴的深度学习模型可能会为这些情况提供更高的敏感性和特异性。

在最近发表在JAMA Network Open上的一项回顾性研究中，研究人员为 585 名患者(平均年龄 63.2 岁)开发并测试了三维 (3D) 卷积神经网络 (CNN)，这些患者在 7 月 1 日至2005 年和 2020 年 10 月 1 日，在手术前 60 天内进行了静脉期 CT 成像，发现结肠节段性壁增厚，与疾病分期无关。

与放射科医生读者的平均灵敏度和特异性分别为 77.6% 和 81.6% 相比，研究作者指出 3D CNN 模型的灵敏度和特异性分别为 83.3% 和 86.6%。根据研究结果，深度学习模型和放射科医生评估的结合导致灵敏度比放射科医生评估提高了 8% (85.6%) 和特异性提高了 9.7% (91.3%)。

研究作者还注意到 3D CNN 模型的假阴性率降低了。根据这项研究，在辅助使用 3D CNN 算法的情况下，放射科读者在研究中的总体假阴性率从 22% 下降到 14.3%。具体而言，3D CNN 模型使经过委员会认证的放射科医生的假阴性率降低了 4%(从 14% 到 10%)，使放射科住院医师的假阴性率降低了 9.9%(从 26% 到 16.1%)。

研究人员表示，假阴性结果的减少对结肠癌或急性憩室炎患者具有“重大临床意义”。

“在穿孔阶段，两个实体都需要紧急手术;然而，手术策略不同。而(结肠癌)需要对患病肠道和整个淋巴结盆进行肿瘤切除术，而在(急性憩室炎)病例中，对患病肠道进行有限切除可能就足够了。手术计划的高度确定性改善了患者分层，从而限制了术后并发症并可能降低死亡率，”研究合著者 Rickmer Braren 医学博士写道，他隶属于医学院诊断和介入放射学研究所德国慕尼黑工业大学及其同事。

在早期结肠癌和急性憩室炎的病例中，研究作者警告说，细微的 CT 发现，例如邻近的脂肪绞合和局灶性肠壁增厚，可能被误认为是蠕动活动或被肠充盈所掩盖。Braren 及其同事还指出，在涉及晚期结肠癌或复杂急性憩室炎的病例中，肠系膜绞合和脓肿形成等继发性变化可能是 CT 的主要特征。

关于研究局限性，研究作者承认，由于人工智能模型是在单一机构数据集上训练和测试的，研究结果的更广泛应用可能会受到限制。他们还指出，脂肪绞合等成像特征可能已被影响 AI 模型性能的对抗性噪声(方差阈值为 0.01)掩盖。注意到这项研究的重点是肠壁增厚最常见的良性和恶性实体，研究作者坚持认为，未来的研究应该评估更广泛的恶性和良性实体，并纳入多参数数据整合，以评估并可能提高能力人工智能模型。