南安普顿大学的研究人员开发了一种人工智能（AI）工具，该工具能够比专业放射科医生更准确地发现卡在患者气道中难以察觉的物体。
在发表于《npj Digital Medicine》的一项研究中，该AI模型在检查CT扫描图像中识别不易显现物体的能力优于放射科医生。
这些意外吸入的物体可能导致咳嗽、窒息、呼吸困难，若未得到适当治疗，有时还会引发更严重的并发症。
这些发现突显了人工智能如何帮助医生诊断复杂且可能危及生命的病症。
该研究由南安普顿大学的王义华博士、Zehor Belkhatir博士和Rob Ewing教授领导，并与中国武汉的研究人员合作进行。
"这些物体可能极其细微，即使是经验丰富的临床医生也容易漏诊，"南安普顿大学该研究的共同第一作者、博士研究员陈哲表示。
"我们的AI模型就像第二双眼睛，帮助放射科医生更早、更可靠地发现这些隐藏病例。"
异物吸入（FBA）是指物体（通常是食物或小块材料）卡在气道中的一种情况。
当物体（如植物材料或小龙虾壳）具有放射透明性（在X光片上不可见，甚至在CT扫描中也显示微弱）时，检测起来可能非常困难。这常常导致漏诊或诊断延迟，使患者面临严重并发症的风险。高达75%的成人异物吸入病例涉及放射透明异物。
为解决这一挑战，研究团队创建了一个深度学习模型。该模型将高精度气道映射技术（MedpSeg）与一个分析CT图像中异物隐藏迹象的神经网络相结合。
该模型使用三个独立的患者组（包含400多名患者）进行训练和测试，这些工作是与中国医院合作完成的。
为了测试该模型，研究人员将其性能与三位拥有十年以上临床经验的专家放射科医生进行了比较。任务是检查70份CT扫描图像，其中14份经支气管镜检查确认为放射透明异物吸入病例。
当放射科医生检测到放射透明异物吸入病例时，他们能做到完全精确——没有假阳性结果。相比之下，AI模型的精确率为77%，检测出了一些假阳性。
然而，放射科医生漏掉了大部分异物吸入病例，仅识别出36%的病例，这突显了人类在识别此类病例方面的困难。而AI模型则能够识别71%的病例，这意味着漏诊的异物吸入病例大幅减少。
在平衡精确率和召回率的F1分数中，该模型以74%对53%的得分优于放射科医生。
"这些结果展示了人工智能在医学中的实际应用潜力，特别是对于那些通过标准影像难以诊断的病症。"
该研究的主要作者王义华博士表示
研究人员强调，该系统旨在辅助而非取代放射科医生——为复杂或不确定的病例提供额外的信心保障。
研究人员现在计划开展多中心研究，使用更大、更多样化的人群来改进模型并降低偏差风险。
该论文《使用深度学习在胸部CT上自动检测放射透明异物吸入》已发表在《npj Digital Medicine》上，可在网络上查阅。
该研究得到了英国医学研究委员会和中国国家留学基金管理委员会的支持。
【全文结束】
