床旁超声结合人工智能技术在创伤FAST检查中识别腹腔液体的诊断效能评估：系统综述与Meta分析

床旁超声结合人工智能技术在创伤FAST检查中识别腹腔液体的诊断效能评估：系统综述与Meta分析

背景：

研究目的： 床旁超声（point-of-care ultrasound，PoCUS）通过创伤重点超声评估（Focused Assessment with Sonography for Trauma，FAST）方案在创伤急救中发挥着重要作用，但检查结果受操作者技能水平影响较大。人工智能（artificial intelligence，AI）技术有望减少操作者间差异，提升诊断的一致性和可靠性。本系统综述与Meta分析旨在系统评估AI辅助PoCUS在创伤患者腹腔游离液体检测方面的诊断效能。

方法： 研究团队系统检索了PubMed、Scopus和Web of Science数据库，检索截止日期为2025年4月，严格遵循PRISMA-DTA指南进行报告。本研究已在PROSPERO完成注册，注册号为CRD420250615096。纳入标准包括：研究评估AI辅助PoCUS技术，采用FAST或与之等效的扫查切面，并提供充分的诊断准确性数据。由于一项符合条件的研究针对腹水患者而非创伤患者，研究团队将其纳入更广泛的腹腔游离液体分析，但在仅针对创伤患者的亚组分析中予以排除。汇总效应量采用双变量随机效应模型进行估算。研究质量采用QUADAS-AI工具进行严格评估。

结果： 共纳入7项回顾性研究，涵盖2332例患者，图像或视频数据超过34000份。汇总分析基于原始研究中报告的诊断单元，这些诊断单元在各项研究中定义不尽相同，包括图像、单帧、视频片段、FAST切面及完整检查数据。在仅针对创伤患者的分析中，AI辅助PoCUS检测腹腔游离液体的合并敏感度为91.1%（95%CI：77.9%–96.8%），特异度为97.5%（95%CI：95.3%–98.7%），异质性极低（I² < 1.0），曲线下面积（AUC）达0.98。

在更广义的腹腔游离液体分析中，纳入1项非创伤腹水患者队列数据，合并敏感度为91.4%（95%CI：81.6%–96.3%），特异度为96.8%（95%CI：86.5%–99.3%），AUC为0.97。基于卷积神经网络（convolutional neural network，CNN）的模型表现相近，敏感度达92.2%，特异度为95.4%，AUC为0.97。

描述性综述揭示，不同AI模型间存在显著差异。YOLOv3和ResNet50-V2等高性能模型敏感度可达0.90–0.99，而VGG11_bn和MaskRCNN等其他模型准确性相对较低。关于心包积液检测的证据仅来源于一项回顾性研究，需谨慎解读。目前缺乏专门评估盆腔切面诊断效能的研究数据。

结论： AI辅助PoCUS在创伤FAST评估中检测腹腔游离液体展现出令人鼓舞的回顾性诊断效能。当前最具说服力的证据支持其在腹部FAST应用中的价值，而关于FAST检查中心脏/心包评估部分的证据仍显不足。在将其推广至常规临床应用前，亟需开展前瞻性、多中心研究，并将AI系统整合至实时临床工作流程中进行验证。

试验注册： PROSPERO：CRD420250615096。

关键词： 腹部创伤、人工智能、深度学习、诊断效能、FAST、血腹、医学图像、床旁超声、创伤评估。