成人隐匿性异物吸入不再只给一个概率：自监督把气道压成高斯流形，敏感性从18.8%升到56.3%
核心概要
成人放射性透明异物吸入在CT上与软组织、黏液密度接近，此前只能靠逐层人工阅片，容易漏诊。AI-PACS改用自监督异常检测：先在804例无标注CT上学习“非异物”气道的标准高斯流形，再把偏离该流形的区域判为异常，并映射到支气管S1–S10分段。在35例人机对照子集中，敏感性由放射科医师的18.8%升至56.3%，阴性排除的平均阅片时间减少约75%。
深度剖析
成人放射性透明异物吸入的识别从“给一个患者级概率”变成“在三维气道里指出异常位置”。 此前的深度学习模型是黑箱分类器，只输出患者级筛查结论，不给出手术所需的精确三维空间坐标。 在内部（n=268）、外部（n=103）与独立（n=70）三个队列上，诊断准确率为75.7%–82.5%。
系统把“正常气道”的几何结构当作基准，凡偏离基准的结构都算异常。 它不依赖稀缺的标注病例，而是用804例无标注CT预训练，其中254例来自MosMedData健康对照、250例来自武汉市中心医院随机非异物患者、300例来自ATM22多中心数据。 预训练阶段同时优化预测损失与SIGReg正则项，正常气道特征的L2范数均值随训练持续下降并最终进入平台期。
异常分数被反投影回三维气道网格，并配准到支气管分段命名，形成可供术前支气管镜规划的热图。 此前的分类器只给出“是/否”，介入医师仍需自行在数百层图像中寻找目标。 在35例人机对照子集（16例异物、19例对照）中，AI-PACS敏感性56.3%、特异性78.9%、准确率68.6%，人工阅片为18.8%、63.2%、42.9%。
启示与展望
该平台面向成人放射性透明异物吸入的CT筛查与术前定位，在内部、外部与独立三个回顾性队列以及35例人机对照子集上完成验证，输出映射到S1–S10分段的热图。系统针对气管支气管树前六到七级分支优化，平均端到端处理延迟约60秒每例。
研究为回顾性设计，尚不能确定诊断敏感性与筛查效率的提升是否转化为住院时间、并发症或生存等临床终点。小于2毫米的远端亚段支气管碎片可能低于标准CT空间分辨率或编码器的分块范围；高密度黏液栓与局灶性支气管内炎性肿块在密度和拓扑上仍可能与放射性透明异物混淆。