编辑推荐：
摘要目的系统评估基于计算机断层扫描（CT）的人工智能（AI）在预测门脉高压患者食管静脉曲张出血（VB）方面的预测准确性，并评估其作为与Baveno VII标准结合使用的机会性筛查工具的潜在效用。方法我们检索了截至2025年12月16日的PubMed、Embase、Web of S
系统评估基于计算机断层扫描（CT）的人工智能（AI）在预测门脉高压患者食管静脉曲张出血（VB）方面的预测准确性，并评估其作为与Baveno VII标准结合使用的机会性筛查工具的潜在效用。
我们检索了截至2025年12月16日的PubMed、Embase、Web of Science和Cochrane数据库中，关于将放射组学或机器学习算法应用于腹部CT图像以预测VB的研究。采用PROBAST+AI方法对研究质量进行评估。通过双变量随机效应模型计算了合并的敏感性、特异性和曲线下面积（AUC）。
共纳入了10项研究，涉及2,470名患者。基于CT的AI模型表现出良好的预测性能，合并敏感性为0.81（95%置信区间[CI]：0.73–0.87），特异性为0.85（95% CI：0.75–0.91），AUC为0.88（95% CI：0.85–0.91）。仅使用单模态图像的模型比多模态模型具有更高的敏感性（0.84 vs 0.78）。虽然Vision Transformer架构的准确性最高（AUC为0.98），但其应用仅限于内部验证。Fagan的诺模图显示阴性似然比为0.23，将假设的出血后概率从20%降低到5%。
基于CT的AI模型显示出较高的预测效能，为风险分层提供了一种有前景的非侵入性“筛查策略”。通过利用常规影像学检查，这些模型可能减少低风险患者的不必要内镜检查。然而，鉴于其依赖于内部验证以及主要研究对象为HBV感染患者，这些结果应被视为有价值的辅助证据，而非完全替代现有方法。在临床应用之前，需要进行大规模的国际多中心验证以确认其普遍适用性。
系统评估基于计算机断层扫描（CT）的人工智能（AI）在预测门脉高压患者食管静脉曲张出血（VB）方面的预测准确性，并评估其作为与Baveno VII标准结合使用的机会性筛查工具的潜在效用。
我们检索了截至2025年12月16日的PubMed、Embase、Web of Science和Cochrane数据库中，关于将放射组学或机器学习算法应用于腹部CT图像以预测VB的研究。采用PROBAST+AI方法对研究质量进行评估。通过双变量随机效应模型计算了合并的敏感性、特异性和曲线下面积（AUC）。
共纳入了10项研究，涉及2,470名患者。基于CT的AI模型表现出良好的预测性能，合并敏感性为0.81（95%置信区间[CI]：0.73–0.87），特异性为0.85（95% CI：0.75–0.91），AUC为0.88（95% CI：0.85–0.91）。仅使用单模态图像的模型比多模态模型具有更高的敏感性（0.84 vs 0.78）。虽然Vision Transformer架构的准确性最高（AUC为0.98），但其应用仅限于内部验证。Fagan的诺模图显示阴性似然比为0.23，将假设的出血后概率从20%降低到5%。
基于CT的AI模型显示出较高的预测效能，为风险分层提供了一种有前景的非侵入性“筛查策略”。通过利用常规影像学检查，这些模型可能减少低风险患者的不必要内镜检查。然而，鉴于其依赖于内部验证以及主要研究对象为HBV感染患者，这些结果应被视为有价值的辅助证据，而非完全替代现有方法。在临床应用之前，需要进行大规模的国际多中心验证以确认其普遍适用性。
生物通 版权所有
