用于自动识别儿童先天性胆道扩张增强计算机断层扫描（CT）中位于腹侧的右肝动脉的深度学习模型：开发与临床应用

《Pediatric Radiology》：Deep learning model for automated identification of ventrally positioned right hepatic artery in contrast-enhanced computed tomography of pediatric congenital biliary dilatation: development and clinical application

先天性胆道扩张症患者右肝动脉腹侧定位术前CT识别中，基于YOLOv12n模型结合关键动脉期切片筛选策略，在232例（116例vRHA/116对照）数据集中验证，模型AUC达0.977（95%CI 0.913-1.000），召回率84.2%，显著优于放射科实习生（AUC 0.737），与资深医师相当（AUC 0.947）。

　　

摘要

背景

在先天性胆道扩张（CBD）中，术前识别出位于腹侧的右肝动脉（vRHA）至关重要，因为未被发现的变异会增加手术风险。在常规儿科实践中，通过计算机断层扫描（CT）进行检测颇具挑战性。

目的

开发并验证一个基于You Only Look Once 12（YOLOv12）模型的版本，用于在增强CT图像中利用目标关键切片策略识别vRHA。

材料与方法

在这项回顾性单中心研究中，232名CBD患者（116例vRHA，116例对照组）被分为训练集（n=186）和测试集（n=46）。使用1,452张由放射科医生选定的关键动脉期切片，训练了五个YOLOv12子模型作为第二阶段分类器。性能评估指标包括精确度、召回率、F1分数、平均精确度（mAP）和曲线下面积（AUC）。通过DeLong检验将诊断性能与两位放射科医生的结果进行了比较。

结果

所有子模型均显示出完美的精确度（1.000），召回率介于0.684到0.895之间。YOLOv12n的表现最佳（召回率0.842，F1分数0.914，mAP50 0.989，AUC 0.977；95%置信区间为0.913–1.000）。其性能显著优于初级放射科医生（AUC 0.737，P<0.001），并与资深放射科医生的表现相当（AUC 0.947，P=0.515）。

结论

YOLOv12n模型在关键CT切片上实现了出色的vRHA识别性能，达到了资深放射科医生的水平，这支持了其在术前评估中的潜在作用。

图形摘要