基于血栓定位的深度学习自动脑灌注评分(TICI)系统设计与优化研究

本研究针对机械取栓术后血管造影结果评估中Thrombolysis in Cerebral Infarction(TICI)量表存在显著变异性的临床痛点，开发了基于卷积神经网络(CNN)的自动评分系统。通过1609例数字减影血管造影(DSA)数据训练，模型在2分类(TICI 0-2a vs 2b-3)中表现出色(特异性0.97±0.01，敏感性0.86±0.01)，但3分类(区分TICI 2b)性能不足(F1=0.50)。研究证实AI可提供标准化评估工具，为卒中治疗决策提供客观依据。

　　

在急性缺血性卒中治疗领域，机械取栓(MT)已成为大血管闭塞的标准治疗方案，而Thrombolysis in Cerebral Infarction(TICI)量表作为评估血管再通效果的金标准，却长期面临评分变异性的困扰。临床研究表明，相邻TICI分级(如2a与2b)间的微小差异可能导致显著不同的临床预后，但人工评分受主观因素影响，夜间评估准确率更低，这种不确定性给治疗决策和预后判断带来严峻挑战。

为突破这一瓶颈，来自中国的研究团队在《Journal of Neuroradiology》发表创新研究，开发了首个整合血栓定位信息的深度学习自动评分系统。研究团队采用单中心回顾性设计，收集2015-2020年间422例患者的4032个DSA序列，通过MD.ai平台完成专业标注。技术路线包含三大核心：1)基于EfficientNetB2架构开发双模态(2类和3类)TICI分类模型；2)构建血栓检测模块实现MCA/ACA区域血栓自动定位；3)创新性将血管参数成像(API)与时空动力学特征融合。所有实验均采用五折交叉验证，严格遵循ISO 13485和IEC 62304标准。

研究结果部分揭示多个重要发现：

1. 患者与图像特征：最终纳入1609个有效DSA序列，血栓标注达2492处，其中MCA区域占91.4%，闭塞性血栓占70.2%。值得注意的是，34.8%的MCA血栓在AP/Lat视图存在观察差异，凸显定位复杂性。

2. 标注一致性分析：两位资深阅片者间Kappa值0.69，但第三阅片者对关键分歧病例的裁定差异显著(Kappa=0.12-0.25)，证实TICI 2b等临界状态判读存在本质困难。

3. 分类模型性能：2类模型表现优异，AUC达0.98，超越人工评分(F1=0.94 vs 0.84)；但3类模型中TICI 2b识别F1仅0.50。引人注目的是，当引入真实血栓位置信息后，TICI 2b识别F1提升至0.55，ROC曲线显示2b与高分值区分AUC从0.66升至0.85。

4. 血栓检测局限：自动检测模块出现149个假阳性，255个真血栓漏检，导致3类模型性能反降(F1=0.49)。AP/Lat视图的混淆矩阵显示，MCA-O血栓检测敏感度仅32.4%(AP)和24.5%(Lat)，远未达临床实用阈值。

讨论部分深入剖析了研究意义与技术边界。该研究首次证实：在理想条件下，AI可实现媲美专家的2类TICI评分(0-2a vs 2b-3)，这对标准化临床研究终点评估具有革命性意义。但3类评分，特别是TICI 2b的识别仍面临挑战，这既反映CNN模型对"50% MCA区域灌注"的量化局限，也暴露TICI量表本身在2b/2c界定上的概念模糊性。研究创新性地验证了血栓定位的理论价值——人工标注位置可使模型性能提升10%，但当前检测技术尚不成熟，假阳性问题突出。

这项研究为卒中治疗AI辅助决策树立了新标杆，其临床价值主要体现在三方面：1)为取栓术提供实时、客观的再通评估；2)减少TICI评分的时间与观察者依赖性变异；3)为后续整合灌注-再通双参数模型奠定基础。未来需通过多中心验证、Transformer架构升级，以及结合平板CT灌注技术，进一步提升模型在复杂场景下的鲁棒性。正如作者强调，在AI医疗伦理框架下，这种可解释、可复现的评估工具，将为卒中治疗质量控制提供不可或缺的技术支撑。