StrokeNeXt：基于CT与MR影像的轻量化卷积神经网络在卒中自动分类中的突破性应用

本研究针对卒中早期诊断难题，开发了结合轻量化CNN模型StrokeNeXt与深度特征工程（DFE）的多模态影像分析系统。通过5,336例CT/MR影像测试，模型准确率达97.06%，参数仅7.3M，为急诊和放射科提供了高效决策支持工具。

　　

卒中作为全球致残和致死的主要病因之一，其早期诊断对改善预后至关重要。尽管CT和MR影像已成为临床主要检测手段，但传统分析方法依赖人工判读，存在效率低、主观性强等问题。现有机器学习模型虽部分解决了这一问题，却面临三大瓶颈：公共多模态数据集稀缺、依赖传统CNN架构缺乏创新、深度学习与特征工程结合不足。

为突破这些限制，来自土耳其的研究团队在《BMC Medical Imaging》发表了创新性研究。他们首先构建了包含5,336张CT/MR影像的多模态数据集（来自230名患者），随后提出轻量化CNN模型StrokeNeXt。该模型融合ConvNeXt架构与挤压激励（SE）模块，参数量仅7.3M，在测试集达到93.67%准确率。更突破性的是，团队开发了基于StrokeNeXt的深度特征工程（DFE）框架：通过56×56像素分块提取特征，采用迭代邻域成分分析（INCA）筛选512个关键特征，最终通过改进的tkNN分类器将准确率提升至97.06%。

关键技术包括：1）多中心回顾性队列构建（含伦理审批）；2）创新性StrokeNeXt块设计（公式1-2）；3）INCA特征选择器（迭代范围100-1000次）；4）tkNN分类器的参数优化策略（含60种参数组合）。

研究结果部分显示：

1. 模型性能：StrokeNeXt验证准确率95.92%，测试集敏感度89.70%，特异性97.72%。DFE框架进一步将测试准确率提升3.39%，假阴性减少59.4%。
2. 跨模态验证：模型在CT（低成本）和MR（高精度）影像中表现一致，Grad-CAM热图证实其关注临床相关区域（如左顶叶出血灶）。
3. 泛化能力：在17,092张血细胞图像测试中，StrokeNeXt以97.63%准确率超越ResNet50等经典模型。
4. 计算效率：单图推理时间仅10ms，适合急诊场景部署。

讨论指出，该研究首次实现：

• 轻量化CNN（7.3M参数）与DFE的协同优化
• INCA选择器将特征维度从64,000压缩至512仍保持高精度
• 公开首个含5,336张标注影像的多模态卒中数据集

局限在于样本来源单一，未来需扩大多中心合作。临床转化价值显著：可集成至PACS系统辅助分诊，尤其适用于资源匮乏地区。团队计划进一步开发含多头自注意力（MHSA）的升级版本，持续推动AI在神经影像领域的革新。