知识卡片：AbdomenNet——基于平扫CT的急腹症诊断、分层与分诊基础模型

一句话结论

AbdomenNet 是一个基于平扫CT的急腹症基础模型，在外部验证中对5种紧急情况的宏平均AUROC达到0.919；AI辅助可将放射科医生平均AUROC从0.812提高到0.924，并将每例中位阅片时间减少52.5秒。

研究问题

急性腹痛的急诊诊断和及时处理仍有挑战。由于症状不典型、造影剂禁忌或资源受限，平扫CT常被用作初始影像手段。论文报告了一个名为AbdomenNet的多任务AI系统，用于从平扫CT图像中检测急腹症、进行风险分层和辅助分诊。

方法/产品要点

• 基础模型：基于自监督学习构建的影像基础模型，AbdomenNet是其上的多任务AI系统。
• 任务：检测11种急性腹部疾病，并完成3个风险分层子任务（具体病种和子任务名称原文摘要未逐一列出，待核实）。
• 数据：预训练使用103,989例平扫CT检查；微调使用5,816例标注病例。
• 验证：在3个独立外部队列共2,528名患者中评估泛化性。
• 评价方式：外部验证、多阅片者多病例交叉研究、基于回顾性重建的工作流程影响估计。

主要结果或产业意义

• 外部验证中，5种紧急情况的宏平均AUROC为0.919（具体紧急病变清单待核实）。
• AI辅助将放射科医生平均AUROC从0.812提升至0.924。
• AI辅助使每例中位阅片时间减少52.5秒。
• 基于回顾性工作流重建，AI驱动的优先分诊可能将中位报告周转时间缩短37分钟。
• 潜在应用：急腹症急诊CT的优先级排序、高危患者识别、减少报告等待时间。

与既有脉络的关系

已有相关卡片分别涉及青光眼知识图谱、跨场景缺陷检测和驾驶世界模型，与本文不重复。本条增量信息在于：AbdomenNet 同时报告了外部验证性能、放射科医生辅助效果和工作流周转时间三个层面的量化结果，属于从模型能力到临床工作流影响的延伸。

为什么重要

该工作展示了影像基础模型在平扫CT急腹症场景中从“疾病检出”延伸到“风险分层与分诊”的潜力。与已有相关卡片相比，本条提供了AI辅助下放射科医生诊断准确率和报告效率的量化收益，是临床工作流层面的增量证据。

局限与不确定性

• 当前为期刊早期访问/未编辑版本，论文在最终出版前可能仍有修改，需以正式版本为准。
• 11种疾病和3个风险分层子任务的具体定义未在摘要中逐项列出，待核实。
• 报告周转时间的缩短来自回顾性重建估算，不是实际前瞻性运行结果，待核实。
• 外部队列的具体构成、地区分布等细节未在摘要中提供，待核实。

可用于图书/PPT/简报的角度

• 影像基础模型如何从“看图”走向“分诊”：以AbdomenNet为例。
• 急诊急腹症AI：平扫CT能做什么？
• AI辅助读片的效率收益：AUROC、阅片时间与报告周转时间。
• 医学影像基础模型的外部验证与临床转化路径。

原始材料

• 英文标题：A foundation model for acute abdomen diagnosis stratification and triage on noncontrast computed tomography
• 英文关键词（据摘要归纳）：foundation model; acute abdomen; noncontrast computed tomography; AI-assisted diagnosis; triage
• 原始来源：Nature Communications, published online 12 August 2026; DOI: 10.1038/s41467-026-76634-w
• URL：https://www.nature.com/articles/s41467-026-76634-w
• 许可：开放获取，CC BY-NC-ND 4.0（非商业使用，禁止演绎）