人工智能在急性卒中影像中的应用：从影像评估到预后预测的全面综述

《Computerized Medical Imaging and Graphics》：Artificial intelligence in acute stroke imaging: A comprehensive survey from imaging assessment to outcome prediction

　　

**摘要**

急性卒中主要包括两种类型：急性缺血性卒中（AIS）和脑出血（ICH）。每种类型涉及特定的影像学技术，且具有不同的临床考量。虽然深度学习已促进了卒中影像的自主分析，但这两种卒中类型之间的技术差异尚未在统一的分析框架下得到考察。本综述通过审查84篇同行评审文章填补了这一空白。使用多个数据库进行了符合PRISMA规范的检索。对ICH流程的分析主要使用CT影像，以分类任务为主，重点关注出血识别、亚型分类、血肿扩展预测以及相关临床结局预测。AIS流程主要基于定量分析，因此使用多种影像技术来优化并自动化针对卒中相关特定临床问题集的分析。核心任务包括梗死区域分割、评估评分、大血管闭塞检测、核心-半暗带不匹配分析以及结局预测。在结局预测方法方面，两个领域之间也存在趋同现象。现有模型在多项任务中表现出临床上可接受的性能。然而，临床部署仍受限于缺乏外部验证、标注成本高、实时处理需求以及前瞻性证据不足。本综述提供了实用指导，以开发可整合到急诊卒中护理中的完全可用的AI系统。

**引言**

急性卒中是全球导致死亡和长期残疾的主要原因。它发生在脑部血流突然中断时。临床上，卒中分为两种不同类型：脑出血（ICH）和急性缺血性卒中（AIS）（Abdalkader等，2023；Seners等，2023）。尽管两种类型的卒中可能表现出重叠的神经功能缺损，但不同的病因需要不同的管理框架，这体现在影像和分析需要具备多高的精确度以鉴别卒中类型（Rajashekar和Liang，2023）。

如图1所示，两种卒中类型在影像学表现上的差异可以直接观察到：出血性病变由于其高密度，在非对比CT（NCCT）上可轻易识别，而缺血性病变在CT上仅能微弱检出，需要MRI（DWI）才能清晰界定。

表1总结了ICH和AIS在病因、影像学检查偏好、病变特征和治疗时间敏感性方面的差异。ICH产生的病变呈高密度、高对比度，因此容易在非对比CT（NCCT）上可视化，可以使用单模态分诊流程（Rajashekar和Liang，2023）。然而，在AIS病例中，早期缺血性改变无法通过NCCT检出。这些患者需要转诊进行其他影像学检查，特别是弥散加权成像（DWI）、CT灌注（CTP）和CT血管造影（CTA），以识别梗死核心、半暗带和脑血管状况（Abdalkader等，2023）。这种影像方法学和临床决策推理上的核心差异，构成本综述所讨论的不同技术路径的基础。

快速治疗对两种卒中类型都至关重要。未经治疗的卒中每分钟会破坏约190万个神经元，这使得快速准确的影像检查对有效治疗至关重要（Saver，2006）。出血性卒中仅占全球病例的约34.7%，但其30天内死亡率非常高。缺血性卒中约占病例的65.3%，是导致长期残疾的主要原因（Eunice Kennedy Shriver国家儿童健康与人类发展研究所，2025；Feigin等，2024；Greenberg等，2022）。这些差异证明为每种卒中类型开发独立的AI系统是合理的。这种影像策略的分化促使对为每种卒中类型开发的AI流程进行基于任务的比较，下文将对此进行讨论。

手动卒中影像分析存在若干实际局限，包括时间压力、观察者间变异以及处理多种扫描类型数据的困难。这些局限促使人们采用深度学习以支持更快、更一致的影像决策（Dowlatshahi和Torres，2022）。

卒中影像中的AI并非一个单一统一的研究领域。如图2所示，ICH和AIS遵循不同的临床决策路径。这些差异影响模型设计、数据需求、标注策略和评估方法。

ICH流程主要使用NCCT扫描。核心任务包括出血检测、亚型分类、病变分割、血肿扩展预测和预后评估。亚型鉴别和病因分类是困难的任务，这些挑战推动了模型设计的进步。

AIS流程使用多种影像类型。关键任务包括梗死核心分割、ASPECTS评分、大血管闭塞检测、利用CTA和CTP进行侧支循环评估、核心-半暗带不匹配分析以及功能结局预测。这些影像和临床目标的差异构成本综述的基础。

AI在卒中监测神经影像中的应用是一个新兴领域，相关研究论文正在不断增加。然而，现有综述存在两个局限，降低了其对寻求方法学指导的研究者的实用性。

第一个缺陷是仅关注单一卒中类型。这种单一类型的关注出现在急性卒中谱的两端。多篇近期综述单独讨论了ICH检测和分割的深度学习（Gao等，2026；Raguraman等，2024），仅在ICH领域内讨论模型架构的比较。其他综述则专门关注AIS，包括两篇2025-2026年近期综述，涵盖基于CT和MRI的分割、分诊和预后建模（Kunduracioglu等，2026），或以叙述性方式总结深度学习在AIS影像中的应用（B. Jiang等，2025）。无论考察哪种单一卒中类型，这些综述都忽略了ICH和AIS之间在方法学选择上存在的差异。因此，它们无法评估主要决策（如监督策略、集成学习、临床变量的纳入等）是ICH特有的还是卒中类型无关的。

第二个局限涉及综述的范围。考虑两种卒中类型的综述倾向于按临床任务分类研究结果，例如按检测、分割和预测分类。它们未能系统地分析使模型具备临床适用性所需的上游方法学驱动因素（Abbasi等，2023；Dawud等，2019），包括数据集构建、标注策略和模型架构。仅关注已取得的成果而不探讨为何特定技术在各自研究领域占据主导地位，是现有文献中的一个重大空白。

本综述在双轨、方法学优先的框架下讨论了这两个局限。ICH和AIS流程均在相同的分析框架下同时进行评估，包括数据集、标注方法、预处理策略、模型架构和评估方法。这样的框架允许比较领域特定的技术决策，并展示可构建和部署的系统的可能性。

本综述旨在分析和区分用于评估急性ICH和AIS神经影像检查的AI方法学途径。重点放在使临床部署成为可能的方法学选择上，而非仅关注性能指标。为此将做出三项贡献：

- **第一**，将提供双轨方法学综合分析。来自每种卒中类型的证据将在同一框架下进行汇集和分析，包括所用数据、标注方法、模型架构和评估框架。这将产生一个允许比较各卒中领域所用方法学的综合分析，从而填补每种卒中类型或多或少被独立考虑这一空白。
- **第二**，结果将展示卒中类型的分歧之处，并识别ICH和AIS之间正在出现趋同的领域。这将通过综合数据的跨领域比较分析来实现，其中将区分影像模态的使用、标注要求、架构偏好以及每种卒中类型的临床任务优先级。
- **第三**，最终分析将聚焦于每种卒中类型相关的具体流程阶段的转化障碍。将讨论如类别不平衡、缺乏外部验证、标注成本高和时间延迟等挑战，特别是在这些障碍最为相关的领域。

本综述的其余部分结构如下：第2节分析ICH流程，包括数据集（2.1）和评估活动（2.2）；第3节对AIS采用相同方法，包括数据集（3.1）和评估活动（3.2）；第4节讨论ICH和AIS在影像类型、模型架构和临床任务优先级方面的比较；第5节分析转化挑战和前进方向；第6节总结全文。

**系统检索方法**

进行了系统检索以识别卒中神经影像中AI的同行评审研究，涵盖ICH和AIS的机器学习与深度学习应用。检索了五个数据库：IEEE Xplore、ScienceDirect、SpringerLink、PubMed和ACM，时间范围为2019年1月至2025年10月。引文和重复项使用Zotero管理。

如图3所示，获取了202条记录的全文。经评估后，124篇因超出范围、非英文、为叙述性综述或缺乏技术细节而被排除，剩余78篇。另有6篇通过手动检索纳入，使总数达到84篇，即通过上述系统PRISMA流程确定的研究数量。此外，通过引文追踪、专家推荐以及对领域的持续关注等渠道，还识别了少量高度相关的补充研究，并以与PRISMA核心语料库同等分析深度将其纳入相关技术讨论。这些补充研究在全文中与84篇核心研究明确区分，且不反映在PRISMA流程图（n = 84）中，以保持原始系统检索的透明性和可重复性。

每篇研究被映射到最相关的主题部分。图4显示了ICH和AIS主题的分布情况。大多数研究关注ICH亚型分类和检测建模（18.5%），其次是血肿扩展预测（9.9%）和ICH检测（8.1%）。较少研究涉及预后预测或数据集贡献。

图5显示了2019年至2025年纳入研究的发表年份。2019年至2024年研究数量相近，最高数量出现在2025年（n = 22）。这种时效性表明本综述涵盖了AI在卒中影像领域最新的发展。

**各节摘要片段**

**ICH影像数据集**

ICH的AI模型依赖于在规模、标注详细程度和临床重点方面存在差异的影像数据集。这些数据集的质量和多样性直接影响模型性能和泛化能力。

开放获取数据集对研究社区至关重要，能够实现透明性、可重复性，并为算法建立基线性能标准。因此，本节重点介绍了ICH中一些最重要的公开基准数据集及其分析情况。

**AIS影像数据集**

与ICH领域类似，人工智能在AIS影像中的价值，特别是关于病变分割和核心/半暗带检测方面，取决于高质量、标注完善的公开数据集的可用性。这些数据集促进了深度学习模型的训练，同时提供了公开基准，解决了算法比较中数据变异性带来的初始挑战。与拥有公开数据集（如RSNA）的ICH领域不同……

**ICH和AIS中AI方法学的比较**

在对ICH（第2节）和AIS（第3节）进行单独详尽评估之后，本节进行横断面比较综述。虽然两种疾病均涉及急性卒中，但病因机制的差异导致AI技术发展呈现不同的趋势。

**挑战与未来方向**

基于前述ICH（脑出血）和AIS（急性缺血性卒中）的方法学比较，本节综合了阻碍卒中影像AI从研究走向临床应用的共同瓶颈，并提出旨在增强可部署性的未来研究方向。这些挑战主要集中在数据层（获取和泛化）、临床转化层（信任和部署）以及……

**结论**

本综述呈现了一项系统的双轨研究，探讨AI在急性卒中影像中的应用，将ICH和AIS视为受不同模态可用性、标注精细度和时间敏感性临床优先级塑造的两条独立流程，而非一个单一未分化的问题。

脑出血（ICH）的检测通常通过以快速非增强计算机断层扫描（NCCT）为核心的筛查，并对出血扩大和病因进行风险分层来实现，而急性缺血性卒中（AIS）的评估则更侧重于与时间相关的组织存活性。

**稿件撰写过程中生成式AI及AI辅助技术的声明**

在撰写本文过程中，作者使用了ChatGPT（OpenAI）来改进稿件的语言和可读性。在使用该工具后，作者对内容进行了审查和编辑，并对发表内容承担全部责任。

**利益冲突声明**

作者声明，不存在任何利益冲突。

**资金支持**

本研究未获得任何专项资助。

**CRediT作者贡献声明**

Noridayu Manshor：写作——审阅与编辑、验证、监督、数据整理、概念构思。SUN LUYAO：写作——初稿撰写、可视化、软件、项目管理、方法学、调查、形式化分析、数据整理、概念构思。Fatimah Khalid：写作——审阅与编辑、数据整理、概念构思。Ahmad Sobri Muda：写作——审阅与编辑、方法学、调查、数据整理、概念构思。

**利益冲突声明**

作者声明，不存在任何可能影响本文所报告工作的已知经济利益或个人关系。

Luyao Sun | Noridayu Manshor | Ahmad Sobri Muda | Fatimah Khalid