姚义好，李娟，石晶晶，申楠茜，张烁琪，周铱然，吴迪，马艳强，朱文珍

本年度RSNA年会上关于人工智能(AI)的研究报告按照部位和疾病类型、检查手段进行分类，各研究通过图像特征提取、集成学习、研发高效机器学习辅助诊断方法，服务于临床疾病的鉴别诊断和准确分级，进而辅助临床个体化治疗方案的制定,有望大幅降低影像医师的工作负荷，同时使患者获得早期诊断和适当的治疗。

中枢神经系统

对于急诊外伤、脑血管事件等,AI显示出较好的协助诊断功能。采用卷积神经网络(CNN)来检测头颅CT平扫中的颅骨骨折，由于头皮血肿是协助诊断骨折的良好指标，将其作为临床证据添加到CNN中，可以显著改善平均精度(由0.7952升高至0.8190)；在不影响灵敏度的情况下，假阳性率明显下降，可见在采用深度学习模型进行图像分析的基础上加入临床背景可以使诊断更为准确。Jayadeepa等研究颅内出血(ICH)术前平扫CT，通过人工智能采用卷积神经网络进行中线移位检测和测量；与放射科医生报告相比，人工智能算法在中线偏移的检测和定量方面显示出良好的效果，其准确度为91.41%，敏感度为91.95%，特异度为90.79%。Balaji 等在头颅CT平扫上使用基于CNN的AI方案来评估ICH的准确率，结果发现28例ICH中16例为临床漏诊病例。同样Jayadeepa等通过AI模型，对22个漏诊的ICH病例进行回顾性分析，结果检出22个漏诊中的11个，敏感度为59.62%，特异度为91.07%。因此，AI可以帮助放射医师诊断ICH，降低漏诊率。但也有研究显示AI技术在有些领域还需要提高评价效能，如Walsh等研究前循环大血管闭塞最终梗死体积，就发现与自动Alberta卒中项目早期CT评分(ASPECTS)相比，医生阅片的ASPECTS与前循环出现大血管闭塞的最终梗死体积相关性更好。……