| ［1］ |
Sakran JV， Greer SE， Werlin E，et al. Care of the injured worldwide： trauma still the neglected disease of modern society［J］ . Scand J Trauma Resusc Emerg Med， 2012， 20： 64. DOI： 10.1186/1757-7241-20-64.
|
| ［2］ |
Becker CD， Mentha G， Terrier F. Blunt abdominal trauma in adults： role of CT in the diagnosis and management of visceral injuries. Part 1： liver and spleen［J］. Eur Radiol， 1998， 8（4）： 553-562. DOI： 10.1007/s003300050433.
|
| ［3］ |
Wiederkehr HA， Wiederkehr J， Wiederkehr BA，et al. Liver trauma management［M］// Tsoulfas G， Meshkini M. Trauma and emergency surgery-The role of damage control surgery. Intech Open， 2021： 53-57. DOI： 10.5772/intechopen.92351.
|
| ［4］ |
Shanmuganathan K. Multi-detector row CT imaging of blunt abdominal trauma［J］. Semin Ultrasound CT MR， 2004， 25（2）： 180-204. DOI： 10.1016/j.sult.2004.02.002.
|
| ［5］ |
Abujudeh HH， Boland GW， Kaewlai R，et al. Abdominal and pelvic computed tomography （CT） interpretation： discrepancy rates among experienced radiologists［J］. Eur Radiol， 2010， 20（8）： 1952-1957. DOI： 10.1007/s00330-010-1763-1.
|
| ［6］ |
Chen H， Unberath M， Dreizin D. Toward automated interpretable AAST grading for blunt splenic injury［J］. Emerg Radiol， 2023， 30（1）： 41-50. DOI： 10.1007/s10140-022-02099-1.
|
| ［7］ |
Cao K， Xia Y, Yao J，et al. Large-scale pancreatic cancer detection via non-contrast CT and deep learning［J］. Nat Med， 2023， 29（12）： 3033-3043. DOI： 10.1038/s41591-023-02640-w.
|
| ［8］ |
Hamm CA， Wang CJ， Savic LJ，et al. Deep learning for liver tumor diagnosis part Ⅰ： development of a convolutional neural network classifier for multi-phasic MRI［J］. Eur Radiol， 2019， 29（7）： 3338-3347. DOI： 10.1007/s00330-019-06205-9.
|
| ［9］ |
Cheng CT， Ooyang CH， Liao CH，et al. Applications of deep learning in trauma radiology： a narrative review［J］. Biomed J， 2025， 48（1）： 100743. DOI： 10.1016/j.bj.2024.100743.
|
| ［10］ |
Nam D， Chapiro J， Paradis V，et al. Artificial intelligence in liver diseases： improving diagnostics，prognostics and response prediction［J］. JHEP Rep Innov Hepatol， 2022， 4（4）： 100443. DOI： 10.1016/j.jhepr.2022.100443.
|
| ［11］ |
Dreizin D， Chen T， Liang Y，et al. Added value of deep learning-based liver parenchymal CT volumetry for predicting major arterial injury after blunt hepatic trauma： a decision tree analysis［J］. Abdom Radiol N Y， 2021， 46（6）： 2556-2566. DOI： 10.1007/s00261-020-02892-x.
|
| ［12］ |
Pomohaci MD， Grasu MC， Băicoianu-Nițescu AŞ，et al. Systematic review： AI applications in liver imaging with a focus on segmentation and detection［J］. Life Basel Switz， 2025， 15（2）： 258. DOI： 10.3390/life15020258.
|
| ［13］ |
Miotto R， Wang F， Wang S，et al. Deep learning for healthcare： review，opportunities and challenges［J］. Brief Bioinform， 2018， 19（6）： 1236-1246. DOI： 10.1093/bib/bbx044.
|
| ［14］ |
Yahaya BS， Osman ND， Karim NKA，et al. Radiomics and deep learning characterisation of liver malignancies in CT images-a systematic review［J］. Comput Biol Med， 2025， 194： 110491. DOI： 10.1016/j.compbiomed.2025.110491.
|
| ［15］ |
Shen X， Zhou Y， Shi X，et al. The application of deep learning in abdominal trauma diagnosis by CT imaging［J］. World J Emerg Surg， 2024， 19（1）： 17. DOI： 10.1186/s13017-024-00546-7.
|
| ［16］ |
Cheng CT， Lin HH， Hsu CP，et al. Deep learning for automated detection and localization of traumatic abdominal solid organ injuries on CT scans［J］. J Imaging Inform Med， 2024， 37（3）： 1113-1123. DOI： 10.1007/s10278-024-01038-5.
|
| ［17］ |
Hermans S， Hu Z， Ball RL，et al. RSNA 2023 abdominal trauma AI challenge： review and outcomes［J］. Radiol Artif Intell， 2025， 7（1）： e240334. DOI： 10.1148/ryai.240334.
|
| ［18］ |
Brunese MC， Avella P， Cappuccio M，et al. Future perspectives on radiomics in acute liver injury and liver trauma［J］. J Pers Med， 2024， 14（6）： 572. DOI： 10.3390/jpm14060572.
|
| ［19］ |
Isensee F， Jaeger PF， Kohl SAA，et al. nnU-Net： a self-configuring method for deep learning-based biomedical image segmentation［J］. Nat Methods， 2021， 18（2）： 203-211. DOI： 10.1038/s41592-020-01008-z.
|
| ［20］ |
Yu C， Anakwenze CP， Zhao Y，et al. Multi-organ segmentation of abdominal structures from non-contrast and contrast enhanced CT images［J］. Sci Rep， 2022， 12（1）： 19093. DOI： 10.1038/s41598-022-21206-3.
|
| ［21］ |
Farzaneh N， Stein EB， Soroushmehr R，et al. A deep learning framework for automated detection and quantitative assessment of liver trauma［J］. BMC Med Imaging， 2022， 22（1）： 39. DOI： 10.1186/s12880-022-00759-9.
|
| ［22］ |
Huang S， Zhou Z， Qian X，et al. Automated quantitative assessment of pediatric blunt hepatic trauma by deep learning-based CT volumetry［J］. Eur J Med Res， 2022， 27（1）： 305. DOI： 10.1186/s40001-022-00943-1.
|
| ［23］ |
Dreizin D， Zhou Y， Fu S，et al. A multiscale deep learning method for quantitative visualization of traumatic hemoperitoneum at CT： assessment of feasibility and comparison with subjective categorical estimation［J］. Radiol Artif Intell， 2020， 2（6）： e190220. DOI： 10.1148/ryai.2020190220.
|
| ［24］ |
Dreizin D， Zhou Y， Zhang Y，et al. Performance of a deep learning algorithm for automated segmentation and quantification of traumatic pelvic hematomas on CT［J］. J Digit Imaging， 2020， 33（1）： 243-251. DOI： 10.1007/s10278-019-00207-1.
|
| ［25］ |
Azarfar G， Ko SB， Adams SJ，et al. Applications of deep learning to reduce the need for iodinated contrast media for CT imaging： a systematic review［J］. Int J Comput Assist Radiol Surg， 2023， 18（10）： 1903-1914. DOI： 10.1007/s11548-023-02862-w.
|
| ［26］ |
Liu J， Tian Y， Duzgol C，et al. Virtual contrast enhancement for CT scans of abdomen and pelvis［J］. Comput Med Imaging Graph， 2022， 100： 102094. DOI： 10.1016/j.compmedimag.2022.102094.
|
| ［27］ |
Choi JW， Cho YJ， Ha JY，et al. Generating synthetic contrast enhancement from non-contrast chest computed tomography using a generative adversarial network［J］. Sci Rep， 2021， 11（1）： 20403. DOI： 10.1038/s41598-021-00058-3.
|
| ［28］ |
Haubold J， Hosch R， Umutlu L，et al. Contrast agent dose reduction in computed tomography with deep learning using a conditional generative adversarial network［J］. Eur Radiol， 2021， 31（8）： 6087-6095. DOI： 10.1007/s00330-021-07714-2.
|
| ［29］ |
Jensen CT， Gupta S， Saleh MM，et al. Reduced-dose deep learning reconstruction for abdominal CT of liver metastases［J］. Radiology， 2022， 303（1）： 90-98. DOI： 10.1148/radiol.211838.
|
| ［30］ |
Zhen SH， Cheng M， Tao YB，et al. Deep learning for accurate diagnosis of liver tumor based on magnetic resonance imaging and clinical data［J］. Front Oncol， 2020， 10： 680. DOI： 10.3389/fonc.2020.00680.
|
| ［31］ |
Wang Y， Zhang J， Li M，et al. SMART： development and application of a multimodal multi-organ trauma screening model for abdominal injuries in emergency settings［J］. Acad Radiol， 2025， 32（5）： 2655-2666. DOI： 10.1016/j.acra.2024.11.056.
|
| ［32］ |
Khader F， Müller-Franzes G， Wang T，et al. Multimodal deep learning for integrating chest radiographs and clinical parameters： a case for transformers［J］ . Radiology， 2023， 309（1）： e230806. DOI： 10.1148/radiol.230806.
|
| ［33］ |
Salahuddin Z， Woodruff HC， Chatterjee A，et al. Transparency of deep neural networks for medical image analysis： a review of interpretability methods［J］. Comput Biol Med， 2022， 140： 105111. DOI： 10.1016/j.compbiomed.2021.105111.
|
| ［34］ |
Agrawal A， Khatri GD， Khurana B，et al. A survey of ASER members on artificial intelligence in emergency radiology： trends，perceptions，and expectations［J］. Emerg Radiol， 2023， 30（3）： 267-277. DOI： 10.1007/s10140-023-02121-0.
|