急性缺血性卒中(Acute Ischemic Stroke, AIS)及卒中模拟病在弥散加权磁共振成像上的自动化检测:一项真实世界深度学习研究

《Neuroscience Informatics》:Automated Detection of Acute Ischemic Stroke on Diffusion MRI in Patients With Suspected Stroke and Stroke Mimics: A Real-World Deep Learning Study

【字体: 大 中 小 】 时间:2026年05月21日 来源:Neuroscience Informatics CS11.7

编辑推荐:

  急性缺血性卒中(Acute Ischemic Stroke, AIS)是一种由脑血流减少引发的医疗急症,可导致神经元损伤,严重情况下引发液化性坏死。根据世界卒中组织的数据,AIS约占新发卒中的65%,每年全球新增病例超过780万例。由于发病率高且病情严重,卒中

  
急性缺血性卒中(Acute Ischemic Stroke, AIS)是一种由脑血流减少引发的医疗急症,可导致神经元损伤,严重情况下引发液化性坏死。根据世界卒中组织的数据,AIS约占新发卒中的65%,每年全球新增病例超过780万例。由于发病率高且病情严重,卒中仍是全球第二大死亡原因,以及死亡与残疾综合排名的第三大原因。诊断和治疗的及时性与有效性是决定患者预后的关键因素。医学成像是诊断AIS的金标准,在指导临床医生制定适当治疗方案方面发挥着至关重要的作用。AIS的诊断高度依赖磁共振成像(Magnetic Resonance Imaging, MRI),尤其是弥散加权成像(Diffusion-Weighted Imaging, DWI),该序列在症状出现数小时内即具有高度敏感性和特异性,在早期梗死检测方面远优于非增强计算机断层扫描(Computed Tomography, CT)。DWI可显示梗死组织中水分弥散受限,这是细胞毒性水肿的早期指征,因此DWI是AIS阳性诊断的基石。标准卒中方案中的其他MRI序列如液体衰减反转恢复(FLuid-Attenuated Inversion Recovery, FLAIR)序列、T2*梯度回波(GRE)/磁敏感加权成像(Susceptibility-Weighted Imaging, SWI)和时间飞跃法(Time-Of-Flight, TOF)血管成像分别提供有价值的补充信息:估计发病时间、检测出血性转化和定位闭塞性血栓。基于人工智能(Artificial Intelligence, AI)的自动化方法已成为卒中管理中的有价值工具。近期文献综述指出,以DWI序列作为输入数据的深度学习算法在卒中检测方面表现优异,敏感性和特异性可达96-97%。然而,既往开发的AIS检测AI模型大多在简化队列上进行训练和评估,通常仅将AIS与正常MRI或颅内出血进行对比。此类设置未能完全反映真实世界临床路径中遇到的患者异质性。本研究旨在评估一种基于AI的工具在真正符合实际、未经筛选的因疑似急性脑血管事件收入神经内科的患者群体中的性能。该算法的目标是将AIS与卒中模拟病区分开来。因此,研究人员纳入的队列包括缺血性卒中、出血性卒中、卒中模拟病(如短暂性脑缺血发作(Transient Ischemic Attack, TIA)、癫痫发作、偏头痛先兆、低血糖、可逆性后部脑病综合征(Posterior Reversible Encephalopathy Syndrome, PRES)综合征、肿瘤)以及正常检查,实验条件紧密贴近真实临床实践。
本研究背景在于急性缺血性卒中作为高发病率、高致死率和高致残率的医疗急症,其快速准确诊断对改善患者预后至关重要。弥散加权磁共振成像虽为诊断金标准,但传统人工阅片在急诊高压环境下存在时效性瓶颈。当前人工智能辅助卒中检测研究多局限于高度简化的对比场景(如缺血性卒中 versus 正常影像或颅内出血),未能涵盖真实临床中复杂多样的卒中模拟病干扰,导致模型泛化能力不足,难以直接应用于实际急诊流程。

本研究由PINCET Camille-Albane等研究人员在《Neuroscience Informatics》发表,旨在开发并评估一种基于深度学习的全自动化算法,用于在真实世界疑似卒中患者队列中检测DWI上的急性缺血性卒中相关异常,并将其与包括出血性卒中及多种卒中模拟病在内的其他诊断相鉴别。研究纳入2021年9月至2023年7月期间因疑似急性卒中症状收入神经内科并首次接受脑MRI检查的连续患者,最终637例纳入分析,其中348例为急性缺血性卒中,289例为卒中模拟病(含39例出血性卒中和250例非卒中诊断)。研究结论表明,该模型在患者层面实现了94.4%的敏感性和83.1%的准确率,支持其作为急诊神经放射学工作流中分流工具的潜在应用价值,但强调外部多中心验证和多模态影像整合是临床实施前的必要步骤。

研究所用关键技术方法包括:样本取自法国AP-HP Raymond Poincaré医院神经内科卒中警报登记的回顾性单中心连续队列;采用3T GE MR750磁共振仪标准化采集DWI序列(b=0 s/mm2及b=1000 s/mm2);基于预训练于ImageNet数据集的ResNet-50卷积神经网络架构进行迁移学习,以DWI切片为输入,经数据预处理(伪匿名化、DICOM标准化、图像尺寸统一为224×224×3、NIfTI格式转换)后,通过全局平均池化层提取特征,以softmax激活函数输出三层全连接分类结果;采用75%/25%随机分层划分训练集与测试集,以多层专家共识诊断作为金标准,应用基于切片优先的聚合规则实现患者层面分类,并以准确率、敏感性、精确率和F1分数等指标进行性能评估。

研究结果的详细内容如下:

**研究人群特征**

纳入分析的637例患者中,缺血性卒中组348例,卒中模拟病组289例(含出血性卒中39例、TIA 75例、发作后缺损或癫痫持续状态20例、偏头痛相关神经功能缺损10例、脑肿瘤3例,正常MRI 142例)。总体平均年龄67.3±13.4岁,男性占59.0%,中位美国国立卫生研究院卒中量表(National Institutes of Health Stroke Scale, NIHSS)评分6分,平均发病至入院时间5.2±2.5小时。缺血性卒中患者年龄更大(70.1±12.4岁 vs 64.2±14.2岁,p=0.03),心房颤动发生率更高(39.1% vs 21.5%,p=0.01),且发病至入院时间更短(4.6±2.1小时 vs 5.9±2.7小时,p=0.01)。

**深度学习分类性能**

**1)切片层面分类**

测试集160例患者共2,240个DWI切片纳入分析。模型将每个切片二分类为缺血性卒中或卒中模拟病(含出血性卒中和非卒中)。切片层面总体准确率为93.6%,其中1,961个卒中模拟病切片中1,873个正确识别(95.5%),279个缺血性卒中切片中224个正确检出(80.3%)。缺血性卒中检测的精确率为71.8%,敏感性(召回率)为80.3%,F1分数为75.9%。

**2)患者层面分类**

通过聚合每例患者14个标准切片的预测结果进行患者层面分类。测试集含72例急性缺血性卒中和88例卒中模拟病(79例非卒中,9例出血性卒中)。模型正确识别72例中的68例急性缺血性卒中,正确分类88例中的65例为卒中模拟病;23例卒中模拟病被误判为缺血性卒中,4例缺血性卒中漏诊。二分类方法得出患者层面准确率83.1%,敏感性(召回率)94.4%,精确率74.7%,F1分数83.4%。

**讨论与结论**

研究人员在讨论中指出,患者层面性能是临床最相关的评估指标,因为放射科医师和卒中神经科医师在患者层面而非单个MRI切片上做出决策。研究观察到的高敏感性表明模型能够识别大多数急性缺血性卒中患者,这一特性在急诊卒中工作流中可能具有重要价值,可快速识别需要紧急神经放射学解读的患者。因此,该算法应被视为优先处理可疑检查的辅助分流工具,而非独立诊断系统。

与既往研究相比,本研究队列反映了真实世界卒中路径的异质性,不仅比较缺血性卒中与正常检查,还纳入出血性卒中、短暂性脑缺血发作、发作后异常、偏头痛相关神经功能缺损、脑肿瘤以及尽管有急性神经症状但MRI正常的患者,显著增加了诊断复杂性。尽管多项既往研究报告了更高的AI检测性能(敏感性、准确率接近95-97%),但这些研究通常在高度筛选的数据集中进行,诊断混淆因素较少,卒中模拟病代表性有限,因此直接比较需谨慎解释。

研究优势包括:超过600例连续患者的真实世界卒中警报登记队列;所有MRI检查采用标准化方案采集,诊断经多学科专家共识验证;同时在切片层面和患者层面进行评估,兼顾技术性能与临床相关性;预处理流程、匿名化程序和参考标准定义明确规范。

研究局限性涉及:单中心单一MRI扫描仪的同质化采集协议虽减少了模型开发期间的技术变异,但可能限制向其他机构、MRI厂商和采集协议的推广,需外部多中心验证;模型仅依赖DWI序列,未能纳入FLAIR、SWI和血管成像等常规诊断信息,多模态MRI数据整合可能提高特异性并改善鉴别能力;出血性卒中病例数相对有限,妨碍了出血特异性性能的稳健评估;算法实施需符合当前医疗AI监管要求,在欧洲监管框架下,用于医学影像决策支持的AI系统被视为高风险系统,需要经过严格验证、可追溯性、持续监测和人工监督。

研究结论部分翻译如下:本研究开发了一种用于DWI上急性缺血性卒中检测的全自动化深度学习算法,并在纳入出血性卒中和卒中模拟病的真实世界疑似卒中患者队列中进行了评估。该模型在患者层面实现了较高的缺血性卒中检测敏感性,支持其作为急诊神经放射学工作流中分流工具的潜在应用。通过快速识别疑似急性缺血性卒中的检查,该方法有助于在时间紧迫的临床环境中优先安排紧急影像解读。然而,在常规临床实施前,外部多中心验证和多模态影像数据整合仍然是必要的。基于AI的工具应被设计为辅助放射科医师和卒中团队的决策支持系统,最终诊断解读仍由临床医师负责。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号