综述：人工智能在创伤性脑损伤诊断和预后中的应用范围综述

《International Journal of Emergency Medicine》：Use of artificial intelligence in diagnosis and prognosis of traumatic brain injury: a scoping review

本综述系统评价了人工智能（AI）在创伤性脑损伤（TBI）诊断与预后中的应用。文章指出，AI技术（如机器学习ML、深度学习）通过分析影像学数据（CT、MRI）和临床变量，能显著提升TBI诊断的准确性（如模型准确率达68%-82.86%）及预后预测能力（如预测死亡率、住院时长），展现出辅助临床决策的巨大潜力，但同时也面临数据标准化、模型可解释性等挑战。

　　

引言

创伤性脑损伤（TBI）是全球范围内导致死亡和残疾的主要原因之一，每年约有6900万人受影响。其分类基于格拉斯哥昏迷评分（GCS），分为轻度（GCS 13-15）、中度（GCS 9-12）和重度（GCS 3-8）。早期准确诊断对于改善患者预后至关重要，但传统方法如临床评估和神经影像学（CT、MRI）在检测轻度或细微损伤方面存在局限。人工智能（AI），特别是机器学习（ML）和深度学习，通过处理复杂医学数据，为提升TBI诊断和预后评估提供了新途径。

方法

本范围综述遵循PRISMA-ScR指南，检索了PubMed（包括PMC、MEDLINE和Bookshelf）自2014年1月1日后发表的英文原创临床研究。搜索策略聚焦于标题字段，使用查询词：“(TBI OR traumatic brain injury) AND (Artificial Intelligence OR Machine Learning OR Deep Learning)”。最终从493项研究中筛选出7项符合PICO框架（人群：TBI患者；干预：AI/ML算法处理医学影像；对照：对照组或替代预测模型；结局：与对照比较）的研究纳入分析。

结果

纳入的7项研究展示了AI在TBI管理中的多样化应用。其中四项研究重点探讨了AI与影像学结合的诊断价值。例如，Brossard等人开发了一种AI工具，用于对脑损伤进行分类和分割，以预测结局并识别新的生物标志物，如胶质纤维酸性蛋白（GFAP）和泛素C端水解酶-L1（UCH-L1），从而提高了CT扫描分析的准确性。Hibi等人的研究则构建了一个结合患者临床信息和CT扫描数据的多层机器学习预测模型，其预测精度优于传统方法。Mitra等人利用机器学习映射白质连接变化，识别TBI患者皮层和皮层下区域的连接模式改变，准确率达到68.16%。Cao等人将深度学习应用于儿童功能性磁共振成像（fMRI），能够以82.86%的准确率区分TBI与非TBI儿童，并发现左额叶和中央后区的功能活动是预测儿童TBI后继发注意力缺陷的因素。

另外三项研究侧重于AI的预后预测能力。Schroder等人利用机器学习模拟头部创伤后的脑损伤程度，通过考虑物体的速度、位置、角度和形状等参数，准确预测了结果并识别了静息态网络（如默认模式网络DMN）的紊乱。Amorim团队在巴西圣保罗的研究利用GCS评分及其他临床变量，通过机器学习模型预测TBI患者的死亡率和住院时间，其中GCS入院评分、年龄和瞳孔反应是最显著的预测因子，该模型尤其有助于资源有限地区（如中低收入国家LMICs）的临床决策。Yang等人则采用合成少数类过采样技术（SMOTE）并结合随机森林、K近邻、逻辑回归和深度神经网络等多种算法来预测TBI患者24小时生存结局，其中逻辑回归模型表现出色。

在性能指标方面，AI模型的表现各异，准确率在68%至超过80%之间，部分模型的预测能力可与传统的CRASH和IMPACT预后工具（其死亡率预测的曲线下面积AUC值接近0.80）相媲美甚至有所超越。然而，许多AI模型缺乏在不同人群中的外部验证，这限制了其当前的临床适用性。

讨论

AI在TBI管理中的应用显示出巨大潜力。在影像诊断方面，AI能够快速、准确地分析CT、MRI和fMRI图像，辅助检测传统方法难以发现的细微异常，从而促进早期干预并减轻医生工作负担。在预后方面，AI模型能够整合多模态临床数据，提供比传统评分系统（如单独使用GCS）更精细的风险分层，有助于减少轻度TBI（mTBI）患者不必要的急诊再访和优化资源分配。

尽管如此，AI的临床应用仍面临挑战。主要包括需要大规模、高质量且标准化的数据集进行模型训练；模型可能存在偏见和“黑箱”问题，影响其可解释性和临床信任度；以及伦理问题如患者隐私和数据安全。未来的研究方向应侧重于开发可解释的模型、进行多中心外部验证以增强泛化能力，并直接与传统模型（如IMPACT、CRASH）进行基准测试，以明确AI的附加价值。

结论

人工智能（AI）在提升创伤性脑损伤（TBI）诊断和预后的速度、准确性及精确度方面潜力巨大。通过先进的影像分析和预测建模，AI工具能辅助临床医生区分损伤类型、识别细微脑异常并发现新生物标志物，从而实现更早期和针对性的干预。机器学习模型在预测死亡率、住院时长等临床结局方面也展现出强大能力，为临床决策和资源分配提供支持。然而，要实现AI在常规临床实践中的全面整合，仍需克服数据可变性、模型泛化性、可解释性及伦理等方面的挑战。持续的研究、协作验证以及研究者、临床医生和政策制定者之间的密切合作，对于充分发挥AI在改善TBI患者管理和结局方面的潜力至关重要。