基于胸片深度学习检测活动性肺结核的多中心回顾与前瞻研究

iScience · 2026-10-20 · 期刊论文

• 一句话结论：结论：在放射资源有限场景下，基于胸片的深度学习模型ShuffleNetV2对活动性肺结核的识别具有较好的判别能力，回顾性外部队列与前瞻性队列AUC分别为0.917与0.896，证据支持其作为分诊辅助工具，但不足以单独用于启动治疗。
• 研究设计与做法：设计：诊断准确性研究，属回顾性加前瞻性多中心设计。模型开发使用两家中心共4,613张胸片；外部回顾性验证队列1,318例患者，前瞻性队列560例患者。干预为人工智能辅助判读，对照为放射科医师独立判读，随访时长材料未报告。
• 主要结果：结果：外部回顾性队列AUC 0.917，前瞻性队列AUC 0.896；在预设的人口学与扫描设备亚组中性能稳定。前瞻性队列中，AI辅助使不同经验层级放射科医师的AUC提升至0.897–0.937。各亚组具体效应量、置信区间与p值材料未报告。
• 机制或解释：机制：作者未对模型判别活动性病变的影像学机制作深入讨论，主要将性能归因于深度学习对胸片特征的自动提取；材料未报告可解释性分析或病灶定位验证结果。
• 局限与边界：局限：前瞻性队列样本量560例，规模有限；研究虽为多中心，但中心数量少；随访时长、阳性预测值、人群构成与合并症分布材料未报告；利益冲突与模型代码可及性亦未报告。
• 可否落地：落地：对临床，该模型可作为优先安排病原学与临床确诊检查的快速决策支持，阳性预测不应单独作为治疗依据；对科研，提示需在更大规模、更多中心的前瞻队列中验证并报告校准度与净获益。综合证据档位为C，属提示性证据，尚不足以下结论。

🔗 打开原文

Tuersun A, Abudoubari S, Xu J 等

本文摘自《每日前沿研究简报 · 2026-10-29》「AI 医学影像与临床决策」。本内容仅用于研究信息整理与科普交流，不构成医疗建议。