基于生成式人工智能的非对比头CT脑灌注图预测在急性缺血性脑卒中中的应用探索

为解决急性缺血性脑卒中(AIS)中CT灌注(CTP)技术存在的耗时、辐射及结果不一致等问题，研究人员开发了一种基于改进pix2pix-turbo生成对抗网络(GAN)的跨模态方法，成功从非对比头CT(NCHCT)直接预测关键灌注参数(rCBF/Tmax)。测试显示Tmax图的SSIM达0.827，rCBF图SSIM为0.79，为资源有限地区提供了新型灌注评估方案。

　　

当急性缺血性脑卒中(AIS)在全球肆虐时，每分每秒的延误都可能意味着脑组织的永久丧失。虽然CT灌注成像(CTP)能提供至关重要的血流动力学数据，但这个"金标准"却带着三重枷锁：漫长的处理流程、额外的辐射负担，以及不同软件间飘忽不定的计算结果。相比之下，非对比头CT(NCHCT)就像急诊室的常驻哨兵，随时待命却未被充分开发其潜在价值。

这项开创性研究让生成式人工智能扮演"翻译官"的角色，通过改良的pix2pix-turbo生成对抗网络(GAN)，将普通的NCHCT图像转化为专业的灌注参数图——包括相对脑血流量(rCBF)和达峰时间(Tmax)。研究团队精心筛选了99名符合标准的患者数据（平均年龄73.3±13.5岁），让AI在80%的训练数据中学习，最终在测试集上交出了亮眼成绩单：Tmax图的结构相似性指数(SSIM)达到0.827，峰值信噪比(PSNR)16.99；rCBF图同样表现不俗，SSIM为0.79，PSNR16.38。

特别值得注意的是，这些由AI生成的灌注图并非简单模仿，它们成功捕捉到了大脑中动脉区域等关键部位的血流动力学特征。这项技术突破就像给急诊室装配了"透视眼"，在缺乏CTP设备的偏远地区，或当传统CTP结果模棱两可时，NCHCT这个沉默的守望者终于能开口讲述更丰富的病理故事。当然，要真正走进临床舞台中央，这个智能系统还需要在更大规模的多中心研究中继续磨练，但无疑，它已经为卒中救治的"时间就是大脑"理念开辟了新赛道。