Aim: Timely assessment of blunt hepatic trauma severity is critical for deciding between operative intervention and nonoperative management. We investigated whether radiomic features extracted from automated whole-liver CT segmentation without manual delineation of individual injuries could assist in trauma triage using machine learning.

Methods: This retrospective study included 94 patients (median age 22 years; 73.4% male) with blunt abdominal trauma who underwent contrast-enhanced CT. Liver injuries were graded per the AAST scale (Normal, n=27; Grade I–V, n=67). Automated segmentation (TotalSegmentator) and radiomic feature extraction (PyRadiomics) were performed. Seven classifiers with Bayesian optimization were evaluated across four tasks: six-class AAST grading, binary operative triage, three-tier stratification, and injury detection. A hierarchical two-stage approach and ensemble methods were additionally tested.

Results: Injury detection (Normal vs. Abnormal) achieved the highest performance: AUC 0.761, 79.6% sensitivity, 65.4% specificity (SVM). Binary operative triage yielded an AUC of 0.700 with 58.8% sensitivity (Logistic Regression), outperforming all nonlinear classifiers and ensemble methods. Three-tier and six-class accuracy reached 46.8% and 33.3%, respectively. The hierarchical approach demonstrated superior high-grade injury detection (58.8%) compared with flat models (44.1–52.9%).

Conclusion: Automated whole-liver CT radiomics provides moderate ability to detect hepatic injury but limited capacity to predict operative need. While insufficient for standalone use, approximately 80% sensitivity for injury detection suggests potential as a rapid screening adjunct in acute trauma settings.

Keywords: blunt liver trauma, radiomics, machine learning, computed tomography, trauma triage, AAST grading

Otomatik BT Analizi Künt Karaciğer Travmasında Cerrahi Müdahale İhtiyacını Öngörebilir mi? Bir Makine Öğrenmesi Pilot Çalışması

Amaç: Künt karaciğer travmasının şiddetinin zamanında değerlendirilmesi, cerrahi müdahale ile cerrahi dışı yönetim arasında karar vermek için kritik öneme sahiptir. Bu çalışmada, bireysel yaralanmaların manuel olarak işaretlenmesine gerek kalmadan, otomatik tüm karaciğer BT segmentasyonundan elde edilen radyomik özelliklerin, makine öğrenmesi kullanılarak travma triyajına yardımcı olup olamayacağını araştırdık.

Gereç ve Yöntem: Bu retrospektif çalışma, kontrastlı BT çekilen künt abdominal travmalı 94 hastayı (medyan yaş 22; %73,4 erkek) dahil etmiştir. Karaciğer yaralanmaları AAST ölçeğine göre derecelendirilmiştir (Normal, n=27; Evre I–V, n=67). Otomatik segmentasyon (TotalSegmentator) ve radyomik özellik çıkarımı (PyRadiomics) gerçekleştirilmiştir. Bayesyen optimizasyonlu yedi sınıflandırıcı; altı sınıflı AAST derecelendirmesi, ikili operatif triyaj, üç aşamalı katmanlandırma ve yaralanma tespiti olmak üzere dört görevde değerlendirilmiştir. Ayrıca hiyerarşik iki aşamalı bir yaklaşım ve topluluk (ensemble) yöntemleri de test edilmiştir.

Bulgular: Yaralanma tespiti (Normal - Anormal ayrımı) en yüksek performansa ulaşmıştır: AUC 0,761, %79,6 duyarlılık, %65,4 özgüllük (SVM). İkili operatif triyaj, 0,700 AUC ve %58,8 duyarlılık (Lojistik Regresyon) sağlayarak tüm lineer olmayan sınıflandırıcıları ve topluluk yöntemlerini geride bırakmıştır. Üç aşamalı ve altı sınıflı doğruluk oranları sırasıyla %46,8 ve %33,3’e ulaşmıştır. Hiyerarşik yaklaşım, düz modellere (%44,1–52,9) kıyasla yüksek dereceli yaralanma tespitinde (%58,8) üstünlük göstermiştir.

Sonuç: Otomatik tüm karaciğer BT radyomiği, karaciğer yaralanmasını tespit etmede orta düzeyde bir yetenek sunarken, cerrahi gereksinimini öngörmede sınırlı bir kapasiteye sahiptir. Tek başına kullanım için yetersiz olsa da, yaralanma tespiti için sağladığı yaklaşık %80'lik duyarlılık, akut travma durumlarında hızlı bir tarama yardımcısı olma potansiyeline işaret etmektedir.

Anahtar Kelimeler: künt karaciğer travması, radyomik, makine öğrenmesi, bilgisayarlı tomografi, travma triyajı, AAST derecelendirmesi