急腹症影像排隊不只看先來後到：AbdomenNet以無顯影劑CT協助辨識急症

急診腹痛背後，可能只是輸尿管結石，也可能是腸繫膜缺血、主動脈剝離等分秒必爭的重症。當大量影像同時湧入工作清單，真正危急的病例未必最先被看見。刊登於《Nature Communications》的研究提出AbdomenNet，希望從不施打顯影劑的腹部電腦斷層掃描中，先找出需要優先判讀的患者。

研究團隊以自監督學習方式，讓模型先從103,989次未標註的非顯影腹部CT檢查學習影像特徵，再以5,816個具診斷標註的病例調校。系統可同時辨識11種急性腹部疾病，並進一步評估高等級臟器損傷、絞窄性腸阻塞與上消化道穿孔等攸關手術決策的風險。

在中國三家獨立三級醫院共2,528名患者的外部驗證中，AbdomenNet針對五類緊急病況的總體平均AUROC為0.919；若合併全部11項診斷，各中心的平均AUROC介於0.889至0.898。這些病例來自不同廠牌與掃描設定，顯示模型並未只適用於單一機器或院內資料，但所有驗證中心仍位於同一國家的大型醫院，跨醫療體系的泛化能力尚未確立。

研究另安排四名放射科醫師，以交叉設計判讀380個病例。加入AI提供的疾病機率、首選判斷與熱圖後，醫師平均AUROC由0.812升至0.924；每例判讀時間中位數則由197.5秒降至145秒。不過，實驗只要求辨識預先指定的11種病況，並未包含完整臨床資料整合與報告撰寫，因此不能把這52.5秒直接視為日常工作中的實際省時幅度。

更接近急診現場的問題，是AI能否改變影像排隊順序。研究人員用18,398次急診CT的既有時間紀錄重建流程，其中1,761次為腹部非顯影CT。模擬結果顯示，將模型標記的急症優先送閱，可使真正緊急病例的報告周轉時間中位數由49.3分鐘降至12.3分鐘。然而，高敏感度門檻也帶來不少誤報：767個優先標記中，203個是真正急症、564個為偽陽性。

這項成果因此較適合被理解為「受放射科醫師監督的分流工具」，而非自主診斷系統；它也不能取代含顯影劑CT或CT血管攝影，後兩者仍是多種急腹症的確診檢查。研究屬回溯分析，37分鐘效益來自流程重建，讀片試驗也使用內部病例；下一步須在連續、未篩選的患者中前瞻驗證，衡量漏診、警示疲勞、跨院校準及患者結局，才足以回答是否適合進入臨床與監管審查。