综述：卒中影像中CT灌注软件的演变：从反卷积到人工智能

这篇综述系统梳理了CT灌注（CTP）技术在卒中诊疗中的关键作用及人工智能（AI）的应用前景，重点探讨了AI在运动伪影校正、临床数据整合中的潜力，同时指出当前技术局限（如"黑箱"模型）与伦理经济挑战，为未来开发患者特异性CTP图谱提供了方向。

　　

Abstract

计算机断层扫描灌注（CTP）已成为卒中患者临床决策的核心技术，其通过量化脑血流动力学参数辅助分诊。本文综述了CTP技术原理、现有商业软件性能差异对患者分层的影响，并聚焦AI在CTP分析中的演进：从传统反卷积算法到深度学习模型的应用现状。目前AI主要集中于处理流程中的技术环节（如运动伪影校正），而基于阈值决策的局限性促使研究者探索AI与临床数据的深度融合，以构建患者特异性CTP图谱。

Key Points

技术现状 商业CTP软件仍普遍采用反卷积法计算脑血流量（CBF）、脑血容量（CBV）等参数，但不同软件对缺血半暗带判读存在显著差异。AI模型已成功应用于头动校正环节，例如通过卷积神经网络（CNN）自动配准灌注序列。

未来挑战
"黑箱"效应制约着AI模型的可解释性，而硬件兼容性与经济成本阻碍临床推广。值得关注的是，将弥散加权成像（DWI）、临床量表等多元数据与CTP参数融合，可能突破当前阈值化决策的瓶颈，实现真正个性化的溶栓治疗窗口评估。

临床转化
尽管存在厂商标准不统一等问题，AI辅助CTP已显示出优化患者分层的潜力。前瞻性研究提示，结合机器学习分析的CTP参数可更准确预测出血转化风险，这为超时间窗患者的血管内治疗选择提供了新依据。