使用术前CT的卷积神经网络预测切口疝修补术后短期复发

为何预测手术不良结局很重要

当患者接受修补先前切口处形成的腹壁疝的手术时，大家都希望修补能持久。然而在相当一部分病例中，疝会复发，通常意味着更多的疼痛、更多的手术和更高的费用。外科医生通常依靠经验和少数临床因素来估计这种风险，但这些判断并不完美。本研究探讨了一种人工智能方法——基于常规术前CT影像训练的卷积神经网络——是否能够帮助预测哪些患者在切口疝修补术后最有可能发生复发。

把常规扫描变成预测工具

研究者回顾性分析了2016年至2019年间在一家大型医院接受切口疝修补术的528名患者。所有患者在手术前均进行了腹部CT扫描，记录了疝以及周围组织的大小、位置和形态。团队从中提取了44,380张显示疝区域的图像切片，去除所有身份信息，将图像标准化为统一格式，并分为较大的训练集和较小的测试集。重要的是，计算模型在训练期间从未“看到”测试图像，从而能够公平地检验系统在新患者上的表现。

计算机如何从影像中学习

为分析这些扫描，作者使用了三种流行的深度学习图像模型，即卷积神经网络。这些网络最初用于识别照片中的日常物体，在发现复杂图像中的模式方面表现出色。在训练过程中，每张CT切片都按照患者之后是否发生疝复发进行标注。网络反复将其预测与真实结局比较，并调整内部连接以减少误差。对于每名患者，来自多张切片的模型预测被汇总为对复发风险的单一估计。

哪种模型表现最好

三种模型——ResNet-50、更深的ResNet-152和VGG16——的表现并不相同。在对从未见过的图像进行测试时，ResNet-50在区分会发生复发和不会发生复发的患者方面表现最强。用标准指标曲线下面积（AUC）来概括时，其数值明显高于另外两种网络。统计分析确认这些差异不太可能是偶然的。为了解网络“关注”图像的哪些区域，团队还使用了一种可视化方法，突出显示对预测最重要的图像区域，结果显示疝缺损及腹壁周围区域权重最大。

这对患者和外科医生可能意味着什么

如果在多家医院得到改进和验证，这类基于影像的预测工具可以为外科医生的主观评估提供一个客观的“第二意见”。通过一张已是常规护理一部分的术前扫描计算出的更准确的复发风险估计，可能有助于指导手术时机、手术方式的选择、补片的类型与大小，以及是否建议患者在专门的疝中心接受治疗。例如，高风险患者可能会被告知采取额外措施以加强修补，而低风险患者则可能免于更激进的干预。

下一步

作者强调，这项工作是一个早期概念验证，而非已完成的临床工具。该研究仅来源于单一医院，案例数量对深度学习标准而言相对有限，且仅依赖影像，忽略了总体健康状况、既往手术和手术技术等其他重要因素。未来的研究需要将CT提取的特征与详细的临床和手术信息结合，在更大、更具多样性的患者群体上测试模型，并确保预测结果对临床医生而言可解释且可信。尽管如此，这些发现表明，对常规医学影像的智能化分析或有一天可助力个体化疝外科治疗并降低不希望出现的再次修补风险。

引用: Xing, X., Zhao, B., Wang, M. et al. Convolutional neural networks using preoperative CT to predict short-term recurrence after incisional hernia repair. Sci Rep 16, 14601 (2026). https://doi.org/10.1038/s41598-026-44070-x

关键词: 切口疝, 疝复发, 深度学习, CT影像, 手术结局