摘要
本研究评估了一款商业化的AI工具（Aidoc）用于儿童患者颅内出血（Intracranial Hemorrhage, ICH）检测的性能——该工具最初是针对成人训练的，旨在解决及时诊断的迫切需求以及当前儿科AI应用的研究空白。这项单中心、回顾性研究纳入了2017年1月至2022年11月期间接受头部CT检查的6-17岁儿科患者。分别通过自然语言处理（NLP）和基于图像的算法分析放射学报告（未借助AI）和CT图像，以分类是否存在ICH。对于一致的病例，假设其为真实情况。三位放射科医生独立审查不一致的病例，采用多数票决定。在2502名接受头部CT检查的儿科患者中，AI算法标记了292例疑似ICH阳性病例。共有174例NLP与AI之间的不一致病例被独立审查，以创建参考标准。结果显示，有144例真阳性、6例假阴性、148例假阳性和2204例真阴性，灵敏度为96.0%（91.5-98.5%），特异度为93.7%（92.6-94.7%）。该算法的总体准确率为93.8%（92.8-94.8%）。最常见的假阳性是脉络丛钙化和高密度静脉窦，而硬膜下出血则占大多数假阴性。这款基于成人数据训练的深度学习AI算法在检测儿科ICH方面表现良好，灵敏度为96.0%，特异度为93.7%。然而，常见的假阳性——脉络丛钙化和高密度静脉窦——反映了儿科特有的特征，而遗漏的硬膜下出血则反映了已知的成人应用局限性。研究结果强调了需要针对儿科进行AI训练，以提高这一服务不足人群的诊断准确性。
【全文结束】
