基于CT的深度学习模型HENet预测血肿扩张及脑室内出血生长的可解释性研究

本研究针对脑出血(ICH)患者血肿扩张(HE)预测的临床难题，开发了融合2D/3D特征的深度学习模型HENet。该模型通过718例多中心CT数据，首次实现对修订版血肿扩张定义(RHE1/RHE2)和传统定义(CHE)的精准预测，AUC最高达0.882。研究创新性采用Grad-CAM技术可视化决策依据，为理解HE机制提供新视角，其性能显著优于临床医师判断(p<0.001)，有望成为临床决策支持新工具。

　　

脑出血(Intracerebral hemorrhage, ICH)是致死率最高的卒中类型，其中血肿扩张(Hematoma expansion, HE)是影响预后的关键因素。传统HE定义(CHE)未涵盖脑室内出血(IVH)生长这一重要指标，而新提出的修订版定义(RHE1/RHE2)虽能更好预测90天功能结局，却缺乏有效的预测工具。现有临床评分系统预测性能有限，2D深度学习模型又存在空间信息丢失等问题，这给早期干预带来巨大挑战。

为解决这一难题，浙江省肿瘤医院联合多家医疗机构的研究团队在《iScience》发表了创新性研究成果。该研究开发了名为HENet的2.5D深度学习模型，通过整合718例多中心ICH患者的基线CT和临床数据，首次实现对RHE1、RHE2和CHE三种定义的同步预测。关键技术包括：采用ResNet101架构构建2.5D输入模型（最大血肿层面±2层），融合临床特征（年龄、GCS评分等）与影像特征；应用Grad-CAM技术实现模型可解释性；通过两个外部验证集（YY和LA数据集）进行性能验证。

模型性能
HENet在YY数据集预测RHE1的AUC达0.882（95%CI 0.808-0.956），灵敏度高达0.956。对RHE2的预测在LA数据集表现最佳（AUC=0.811），且校准曲线显示预测概率与实际风险高度吻合。决策曲线分析证实，当阈值概率为30%-95%时，HENet能提供显著临床净收益。

模型比较
与临床医师预测相比，HENet在RHE1/RHE2预测的净重分类指数(NRI)和综合判别改善指数(IDI)均显著提升（p<0.001）。相较于2D模型，HENet对RHE1的NRI提升达0.342（YY数据集），且Grad-CAM可视化显示模型能自动捕捉血肿边缘"雪崩征"和岛征等关键特征。

机制阐释
Grad-CAM热图揭示HENet主要关注血肿周边区域（图3），这与Fisher提出的"雪崩"理论相符。对于合并IVH生长的病例，模型会特异性地强化脑室区域的注意力权重（图4），证实其能自主识别IVH扩展这一独立危险因素。

这项研究的重要意义在于：首次构建了同时兼容新旧HE定义的预测体系，其性能超越现有临床判断标准；通过可解释AI技术揭示了HE的潜在生物学机制，为治疗靶点选择提供新思路；采用的2.5D架构平衡了计算效率与三维空间信息保留，更适合临床部署。研究者建议未来将HENet整合至PACS系统，通过实时预测辅助制定个体化治疗方案。尽管存在回顾性研究的局限性，但该模型为改善ICH患者预后提供了切实可行的AI解决方案。