DeepISLES：基于ISLES'22挑战赛开发的临床验证缺血性脑卒中分割模型及其多中心验证研究

本研究通过组织ISLES'22国际挑战赛，整合15个深度学习团队的算法优势，开发出可精准分割急/亚急性期缺血性卒中病灶的DeepISLES模型。该模型在1685例外部验证集中Dice评分提升7.4%，F1评分提升12.6%，且临床指标(NIHSS/mRS)相关性达专家水平，为卒中影像分析提供了开源工具(https://github.com/ezequieldlrosa/Deeplsles)。

　　

缺血性脑卒中的精准影像评估是临床决策的关键，但现有AI算法面临图像异质性（如扫描设备差异、病灶形态多变）和疾病复杂性（如急性/亚急性期信号演变）的双重挑战。扩散加权成像(DWI)虽是当前金标准，但其敏感性随时间变化（急性期73% vs 亚急性期92%），且小病灶和伪影区域易漏诊。更棘手的是，不同卒中类型（如单血管梗死SVI、散在微栓塞SI）需要差异化治疗策略，但传统方法难以实现自动化分类。

苏黎世大学(University of Zurich)Ezequiel de la Rosa团队联合全球32家机构，通过ISLES'22挑战赛整合15个顶尖团队的算法，开发出DeepISLES集成模型。该研究创新性地采用"竞赛-优化-验证"三阶段策略：首先在250例多中心训练集上筛选出基于nnU-Net、SegResNet和Swin Factorizer架构的三大优胜算法；随后通过多数投票集成构建最终模型；最终在1685例约翰霍普金斯医院(Johns Hopkins Comprehensive Stroke Center)外部验证中，其Dice评分达0.82±0.15，较原最优模型DAGMNet提升7.4%，且90天改良Rankin量表(mRS)预测相关性(r=0.41)媲美人工标注(r=0.39)。论文发表于《Nature Communications》。

关键技术包括：1) 多中心数据集构建（欧洲3中心250例训练集+美国11台扫描仪1685例验证集）；2) 基于DWI/ADC的3D全分辨率U-Net架构；3) 五折交叉验证与深度监督训练；4) 血管流域图谱配准（NiftyReg工具）；5) 图灵测试验证（9名神经放射学家盲评）。

模型开发与验证

DeepISLES在ISLES'22测试集上展现出卓越的泛化能力：对于未参与训练的汉堡医学中心数据，其Dice评分(p=0.73)与训练中心慕尼黑大学医院无统计学差异。特别值得注意的是，尽管训练集仅包含亚急性期数据，模型在急性期扫描中仍保持0.99的体积相关性，但Dice评分显著低于亚急性期(p<0.001)，揭示急性期DWI信号变化的挑战性。

临床特征识别

模型成功区分了三种卒中类型：单血管梗死(SVI)的识别准确率达87.6%，而伴随散在梗死的SVI(SVI with SI)识别最具挑战性（81.6%）。在血管流域定位任务中，中大脑动脉(MCA)区域的识别准确率高达98.4%，后循环区域达93.3%。

临床实用性验证

在1685例外部验证中，DeepISLES显著减少假阳性体积（2.7±5.3ml vs 基线2.9±6.1ml）。图灵测试显示，神经放射学家对其分割质量的评分（1-6分制）显著高于人工标注（完整性p=0.02，准确性p<0.001）。

该研究证实，通过生物医学挑战赛衍生的算法能突破单一实验室的局限，DeepISLES的三大创新点在于：1) 首个整合急性期和亚急性期卒中分割的临床级工具；2) 开源实现Docker/Web服务等多平台部署；3) 首次证明AI分割可替代人工标注用于NIHSS/mRS预后预测。局限性在于未涵盖慢性期病灶和亚洲人群数据，未来需开展更广泛的多族裔验证。这项研究为医学影像分析领域树立了新范式——通过国际竞赛加速临床转化，正如作者所言："挑战赛是开发生物医学AI工具的黄金标准"。