基于NCCT的核心-半暗带超急性缺血性脑卒中数据集(CPAISD)的构建与AI辅助诊断模型开发

本研究针对超急性期缺血性脑卒中在非增强CT(NCCT)中难以识别的问题，开发了包含112例患者核心-半暗带标注的CPAISD数据集，并构建基于FPN架构的AI分割模型。该研究填补了NCCT早期卒中诊断的数据空白，为资源有限地区提供了无需对比剂的快速诊断方案，模型测试集核心/半暗带Dice分数达0.21/0.35。

　　

缺血性脑卒中作为全球第二大死因，其超急性期（症状出现24小时内）的诊断始终是临床难点。非增强CT(NCCT)虽为首选初筛工具，但对早期缺血改变（如灰白质界限模糊）的识别率不足50%，导致治疗时间窗（黄金4.5小时）的延误。更精准的CT血管造影(CTA)和CT灌注(CTP)虽能检测核心梗死区与缺血半暗带，却受限于设备普及性和检查耗时。莫斯科AIRI研究所与圣彼得堡第40医院的研究团队在《Scientific Data》发表的这项研究，首次构建了专注于超急性期的核心-半暗带标注NCCT数据集(CPAISD)，并验证了AI模型在该阶段的诊断潜力。

研究采用GE Revolution EVO和Siemens Somatom Emotion两种CT设备采集的112例患者数据（2017-2020年），由10年资历放射科医师参照CTP结果在Horos软件上手动标注核心(core)和半暗带(penumbra)。数据集按8:1:1划分为训练(8,376切片)、验证(980切片)和测试集(809切片)，采用Kitware DicomAnonymizer匿名化处理。基线模型选用FPN(特征金字塔网络)架构搭配EfficientNet-B0¹⁴主干网络，通过水平翻转和10°内随机旋转增强数据，使用DiceLoss优化分割性能。

数据记录显示，112例患者中大脑中动脉(MCA)卒中占比82.1%（92例），其中54例为左侧MCA卒中。基线模型在测试集取得核心Dice分数0.21、半暗带0.35，灵敏度0.579±0.159，虽显著低于基于CTP的模型（核心Dice 0.86），但证实NCCT存在可挖掘的早期缺血特征。技术验证环节通过交叉核对DICOM标签与临床记录确保数据一致性，模型预测示例显示其对MCA供血区梗死的识别最具优势。

该研究的突破性在于：首次提供超急性期NCCT的精细标注数据集，此时67%病例的初始NCCT被放射科医师判读为阴性；验证了AI在"影像阴性"阶段提取生物标志物的可行性；为医疗资源匮乏地区开发了不依赖对比剂的快速分诊方案。局限性包括样本地域集中性（俄罗斯单中心）和当前模型的低Dice分数，作者建议后续研究结合临床指标（如NIHSS评分）提升预测效能。这项成果为打破"时间就是大脑"的诊疗瓶颈提供了新的数据基础和算法框架，其开源策略（Zenodo 10892316）将加速全球卒中AI研究的进展。