编辑推荐：
蛛网膜下腔出血（SAH）病因鉴别对治疗至关重要，现有影像手段存在局限。研究人员开展基于非增强 CT（NCCT）的深度学习算法研究，开发 ResNet 模型区分动脉瘤性（aSAH）与非动脉瘤性（naSAH）SAH。模型在内外验证中表现优异，为临床决策提供新工具。
本研究旨在开发一种深度学习算法，通过非增强计算机断层扫描（NCCT）鉴别动脉瘤性蛛网膜下腔出血（aSAH）与非动脉瘤性蛛网膜下腔出血（naSAH）。这项回顾性研究纳入 618 例 SAH 患者，数据集分为训练和内部验证队列（533 例：aSAH=305，naSAH=228）及外部测试队列（85 例：aSAH=55，naSAH=30）。采用 U-Net++ 架构自动分割出血区域，并训练基于 ResNet 的深度学习模型对 SAH 病因进行分类。结果显示，该模型在区分 aSAH 与 naSAH 方面表现出色。在内部验证队列中，平均灵敏度为 0.898，特异度为 0.877，准确度为 0.889，马修斯相关系数（MCC）为 0.777，曲线下面积（AUC）为 0.948（95% CI：0.929–0.967）。在外部测试队列中，模型平均灵敏度为 0.891，特异度为 0.880，准确度为 0.887，MCC 为 0.761，AUC 为 0.914（95% CI：0.889–0.940），优于初级放射科医师（平均准确度：0.836；MCC：0.660）。结论表明，该研究提出的深度学习架构能够准确地从 NCCT 扫描中识别 SAH 病因，其高诊断性能凸显了在急诊环境中支持快速、精准临床决策的潜力。关键要点包括：鉴别 aSAH 与 naSAH 对及时治疗至关重要，但现有成像方式并非普遍可及或便于快速诊断；基于 ResNet 变体的深度学习模型利用 NCCT 扫描在 SAH 病因分类中表现出高准确性，并提升了初级放射科医师的诊断性能；人工智能驱动的 NCCT 扫描分析为术前 SAH 诊断提供了快速、经济高效且无创的解决方案，有助于早期识别需要动脉瘤手术的患者，同时最大限度减少非动脉瘤病例中不必要的血管造影，提高临床工作流程效率。
