基于深度学习的不确定性量化在肝胆成像技术中的质量保证

一篇新的编辑文章于2025年4月4日在《Oncotarget》第16卷上发表，题为“基于深度学习的不确定性量化在肝胆成像技术中的质量保证”。

来自梅奥诊所的Yashbir Singh博士及其同事讨论了人工智能（AI）如何通过识别可能出错的情况来改进肝脏成像。这种方法被称为“不确定性量化”，它通过指出医学扫描中需要进一步检查的区域，帮助临床医生更好地检测肝癌和其他疾病。作者解释了这些AI工具如何使成像结果更加准确和可靠，这对于诊断严重的疾病如肝肿瘤尤为重要。

肝脏和胆管成像非常困难，因为器官结构复杂且图像质量差异大。即使是有经验的放射科医生也难以识别小的或隐藏的肿瘤，尤其是在有肝脏损伤或瘢痕的患者中。编辑文章解释了新的AI模型不仅可以读取医学图像，还可以衡量其自身的信心。当AI系统不确定时，它可以提醒临床医生进行更仔细的检查。这一额外的信息层可以减少漏诊，并提高早期肝癌的检测率。

编辑文章中描述的最先进的工具之一是AHUNet（各向异性混合网络）。这个AI模型可以处理2D和3D图像，并能够突出显示其最自信的部分。它在测量整个肝脏时表现良好，并展示了在扫描较小或多个病灶时其信心下降的情况。这一特性有助于临床医生知道何时需要更多的测试或审查。

作者还研究了其他用于肝脏成像的AI模型。一些工具能够通过超声图像分析肝脏脂肪，并为临床医生提供结果和信心评分。其他工具则提高了肝脏磁共振成像（MRI）的速度和准确性，帮助在更短的时间内创建清晰的图像。这些进步可以帮助医院更快地工作并提供更好的护理。

编辑文章强调了这项技术对小型诊所特别有帮助。如果这些诊所没有肝脏专家，他们仍然可以使用能够标记不确定结果并将这些结果发送到大型中心进行审查的AI系统。这种做法可以改善农村或资源不足地区的护理。

“放射科部门应开发标准化报告模板，将不确定性指标与传统的成像结果结合在一起。”

通过使用能够自我怀疑的AI工具，临床医生可能很快就能拥有更可靠的方法来检测肝癌和监测肝病。作者建议，不确定性感知的AI可能很快成为日常医学成像的重要组成部分，支持更快、更准确的肝脏疾病护理决策。

(全文结束)