基于深度学习的CT扫描全自动体部分类模型研究及其临床应用价值

　　本研究针对CT扫描中解剖区域精准分类的临床需求，来自多中心的研究团队开发了基于深度学习（DL）的全身区域自动分类算法。该模型利用5485例NIFTI格式CT数据训练，在六分类任务中准确率、精确度、召回率和F1-score均超97.5%，展现优异泛化能力，为医疗影像工作流自动化提供了高效解决方案。

　　

通过深度学习（DL）算法实现计算机断层扫描（CT）中解剖区域的精准分类，对于优化医学影像下游诊断与分析工作流程具有重要意义。本研究展示了DL在多种扫描协议下获取的CT图像中实现全身部位分类的高性能表现。模型训练采用来自45个医疗中心的5485例匿名神经影像信息技术倡议（NIFTI）格式CT扫描数据集，按3290例训练、1097例验证和1098例测试划分。每例全身CT扫描被分为六类：胸部（chest）、腹部（abdomen）、盆腔（pelvis）、胸腹联合（chest and abdomen）、腹盆联合（abdomen and pelvis）以及胸腹盆联合（chest and abdomen and pelvis）。DL模型在识别不同身体部位时表现出色：准确率97.53%（95% CI: 96.62%-98.45%）、精确度97.56%（95% CI: 96.6%-98.4%）、召回率97.6%（95% CI: 96.7%-98.5%）和F₁-score 97.56%（96.6%-98.4%）。这些结果证明了该方法在跨越不同采集协议和患者人群的CT图像标注中的强大适应性。本研究凸显了DL在医学影像领域，特别是CT体部区域自动分类中的巨大潜力，证实此类模型可整合至临床流程以提升诊断效率与一致性。