基于深度学习与CT影像预测脑出血血肿扩大的诊断准确性系统评价与荟萃分析

《La radiologia medica》：Application of Deep Learning for Predicting Hematoma Expansion in Intracerebral Hemorrhage Using Computed Tomography Scans: A Systematic Review and Meta-Analysis of Diagnostic Accuracy

来自多机构的研究团队系统评价了深度学习(DL)技术基于CT影像预测脑出血(ICH)患者血肿扩大(HE)的诊断效能。研究显示，纯DL模型与混合DL模型的敏感性分别达0.81和0.84，特异性为0.79和0.91，AUC达0.87和0.89。该技术可早期指导降压止血治疗，改善患者预后，具有重要临床转化价值。

　　

研究人员通过系统回顾与荟萃分析，探讨了基于深度学习(Deep Learning, DL)的神经网络在利用计算机断层扫描(Computed Tomography, CT)影像预测脑出血(Intracerebral Hemorrhage, ICH)患者血肿扩张(Hematoma Expansion, HE)中的诊断效能。

研究团队检索了四大权威数据库，采用QUADAS-2和METRICS量表对纳入文献进行质量评价，并通过I²统计量检验异质性。进一步通过亚组分析、敏感性检验与Deek’s不对称测试探究异质性来源与研究偏倚。

结果显示：在22项定性分析研究中，11项纯DL模型与6项混合DL模型的汇总敏感度分别为0.81和0.84，特异度为0.79和0.91，阳性诊断似然比(Diagnostic Likelihood Ratio, DLR)为3.96与9.40，阴性DLR为0.23与0.18，诊断优势比达16.97和53.51，受试者工作特征曲线下面积(Area Under the Curve, AUC)分别为0.87和0.89。亚组分析表明，分割技术与研究质量是导致组间差异显著的重要因素。

结论指出，基于DL的模型能高效识别ICH患者的HE风险，有望为早期针对性干预（如强化降压治疗或止血药物应用）提供决策支持，从而改善临床预后。