夜雨聆风
AI 辅助床旁超声在 FAST 创伤评估中检测腹腔游离液体的诊断准确性：系统评价与 Meta 分析
摘要：
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）方案被广泛应用于创伤救治，但其准确性高度依赖操作者经验。人工智能（artificial intelligence，AI）可能有助于降低操作者差异，提高检查结果的可靠性。本系统评价与 Meta 分析旨在评估 AI 辅助 PoCUS 在创伤患者游离液体检测中的诊断准确性。
方法：
研究者检索了 PubMed、Scopus 和 Web of Science 数据库，检索时间截至 2025 年 4 月，并遵循 PRISMA-DTA 指南进行报告。本研究已在 PROSPERO 注册，注册号为 CRD420250615096。纳入标准为：研究评估 AI 辅助 PoCUS，采用 FAST 或与 FAST 等效的扫查切面，并提供足够的数据用于诊断准确性分析。由于其中一项符合条件的研究评估对象为腹水患者队列，而非创伤患者，因此研究者将其纳入更广义的腹腔游离液体分析，但在仅限创伤患者的敏感性分析中将其排除。汇总效应量采用双变量随机效应模型计算。研究质量采用 QUADAS-AI 工具进行评估。
结果：
共纳入 7 项回顾性研究，涉及 2,332 例患者，包含超过 34,000 张图像或视频。汇总分析基于原始研究报告的诊断单元，而这些诊断单元在不同研究中并不一致，包括图像、帧、视频/片段、FAST 切面以及完整检查层面数据。在仅限创伤患者的分析中，AI 辅助 PoCUS 检测腹腔游离液体的汇总敏感度为 91.1%（95% CI：77.9%–96.8%），特异度为 97.5%（95% CI：95.3%–98.7%），异质性可忽略不计（I² < 1.0），曲线下面积（AUC）为 0.98。
在更广义的腹腔游离液体分析中，包括 1 项非创伤腹水患者队列，汇总敏感度为 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）的模型表现相似，敏感度为 92.2%，特异度为 95.4%，AUC 为 0.97。
叙述性综述显示，不同 AI 模型之间存在明显差异。YOLOv3 和 ResNet50-V2 等高性能模型的敏感度可达 0.90–0.99，而其他模型，如 VGG11_bn 和 MaskRCNN，准确性明显较低。关于心包积液检测的证据仅来自一项回顾性研究，因此应谨慎解读。目前尚无专门针对盆腔切面诊断准确性的研究数据。
结论：
AI 辅助 PoCUS 在创伤 FAST 评估中检测腹腔游离液体显示出较有前景的回顾性诊断性能。目前最有力的证据主要支持其在腹部 FAST 应用中的价值，而关于 FAST 检查中心脏/心包部分的证据仍然不足。在推荐其常规临床应用之前，仍需开展前瞻性、多中心研究，并将 AI 系统整合到实时临床工作流程中加以验证。
试验注册：
PROSPERO：CRD420250615096。
关键词：
腹部创伤；人工智能；深度学习；诊断准确性；FAST；血腹；医学图像分析；床旁超声；创伤。
