《Frontiers in Neurology》:Artificial intelligence–assisted detection of challenging ischemic stroke on diffusion-weighted imaging: a reader study
编辑推荐:
背景与目的:本研究旨在评估人工智能(AI)辅助对人类阅片者在弥散加权磁共振成像(DWI)上检测具有挑战性的急性缺血性卒中(AIS)病灶的诊断性能的影响。方法:本项回顾性、单中心、随机交叉研究纳入了3,986例患者(平均年龄68±14岁;男性2,383例),其在
背景与目的:本研究旨在评估人工智能(AI)辅助对人类阅片者在弥散加权磁共振成像(DWI)上检测具有挑战性的急性缺血性卒中(AIS)病灶的诊断性能的影响。方法:本项回顾性、单中心、随机交叉研究纳入了3,986例患者(平均年龄68±14岁;男性2,383例),其在2017年2月至2021年11月期间接受了初始及随访DWI检查。从该队列中选取250例病例(130例挑战性AIS,120例对照)进行多阅片者性能研究。5名阅片者在有AI辅助和无AI辅助两种条件下对病例进行判读。诊断性能采用受试者工作特征曲线下面积(AUC)、灵敏度、特异度及Dice相似系数(DSC)进行评估。结果:AI的灵敏度达到96.0%,并从临床报告中识别出79.6%(54例中的43例)的卒中漏诊病例。AI辅助阅片显著提高了AUC,从0.85(95%置信区间:0.82–0.90)提升至0.93(95%置信区间:0.90–0.95;p < 0.01);汇总灵敏度从74.6%(95%置信区间:69.8–79.4)提升至90.6%(95%置信区间:87.4–93.7;p < 0.01);病灶分割精度(DSC)从0.523提高至0.742(p < 0.01)。特异度略有下降,从88.8%(95%置信区间:85.1–92.3)降至84.0%(95%置信区间:78.5–89.5;p = 0.05)。阅片者信心亦因AI辅助而提升,尤其在挑战性病例中表现明显。结论:AI辅助显著提高了DWI上检测小灶性及超急性期AIS病灶的诊断性能和病灶分割精度。
缺血性卒中的早期准确诊断对于改善患者预后、指导再灌注治疗及二级预防具有至关重要的临床意义。弥散加权成像(diffusion-weighted imaging, DWI)作为检测急性缺血性卒中(acute ischemic stroke, AIS)最敏感的磁共振成像序列,能够在症状发作后2小时内显示早期缺血改变,动物实验甚至提示在发病3至5分钟即可检测到异常信号。然而,临床实践中小灶性或超急性期卒中病灶,特别是位于脑干等后循环区域的病变,常被漏诊或延迟诊断。既往研究表明,标准DWI方案可能漏诊体积小至0.045 ml的病灶,而这类漏诊可能导致治疗延迟、持续神经功能缺损及复发性缺血事件风险增加。据统计,美国每年有超过10万例卒中和短暂性脑缺血发作(transient ischemic attack, TIA)被漏诊,在因眩晕就诊的患者中每年约有4.5万至7.5万例卒中 missed,其中约1.5万至2.5万例本可预防的严重卒中与漏诊相关。尽管人工智能技术在AIS病灶检测领域取得进展,但AI作为辅助工具与人阅片者协同工作的实际价值,尤其对于小体积、关键部位或超急性期等挑战性病灶的检测,尚缺乏充分研究。基于此,研究人员开展了这项阅片者性能研究,以验证AI辅助工具JLK-DWI能否提高挑战性AIS病例的诊断准确性,并比较放射学报告与AI输出结果以评估其临床决策价值。该研究发表于《Frontiers in Neurology》。
研究人员采用的主要关键技术方法包括:研究设计为回顾性单中心随机交叉阅片试验,样本来源于韩国卒中临床研究协作组的政府资助国家卒中登记项目数据库,从首尔国立大学 Bundang 医院2017年2月至2021年11月期间收治的疑似AIS患者中筛选;AI处理采用基于U-Net架构的商用深度学习软件JLK-DWI,通过为DWI每个体素分配高信号概率并生成病灶掩膜;统计学分析采用Obuchowski-Rockette方法及MRMCaov程序库进行多阅片者多病例分析,评估指标包括AUC、灵敏度、特异度及DSC。
研究结果显示,在全部3,986例患者的队列中,独立AI的灵敏度为96.0%,特异度为51.8%,阳性预测值为95.2%,阴性预测值为56.1%;而初始放射学报告的灵敏度为98.4%,特异度为98.6%。值得注意的是,AI识别出放射学报告中54例假阴性病例中的43例(79.6%),其中38例符合挑战性病例标准。按TOAST分型进行的亚组分析显示,独立AI在大动脉粥样硬化性(large artery atherosclerosis, LAA)、心源性栓塞(cardioembolism, CE)及小血管闭塞(small vessel occlusion, SVO)三种主要病因中的灵敏度分别为96.7%、97.1%和96.3%,无显著组间差异。按MRI场强分层分析,1.5-T和3.0-T设备的AI灵敏度分别为96.9%和95.6%,3.0-T设备的特异度数值较低(50.2% vs. 59.4%),但差异无统计学意义。
在250例阅片研究队列中,无AI辅助时所有阅片者的平均AUC为0.85(95% CI: 0.82–0.90),AI辅助后显著提升至0.93(95% CI: 0.90–0.95;p < 0.01)。汇总灵敏度从74.6%(95% CI: 69.8–79.4)显著提升至90.6%(95% CI: 87.4–93.7;p < 0.01),DSC从0.523改善至0.742(p < 0.01),而汇总特异度从88.8%(95% CI: 85.1–92.3)轻微下降至84.0%(95% CI: 78.5–89.5;p = 0.05)。所有个体阅片者的AUC、灵敏度和DSC均有改善,其中神经元放射学家(阅片者5)的AUC改善最为显著(从0.79升至0.95),灵敏度从62.9%提升至94.7%;而第3年神经内科住院医师(阅片者4)的特异度下降最明显(从72.5%降至58.8%)。挑战性病例的阅片信心评分随AI辅助而提高。
AI假阳性分布分析揭示,最常见的假阳性部位为内囊后肢(71例,占22.1%),主要由正常解剖结构的内在T2高信号导致;大脑皮层假阳性(93例,占29.0%)多源于颅骨-脑组织交界处的磁敏感伪影。在导致阅片者将正确阴性判断转变为假阳性判断的误导性AI标记中,内囊的类内在T2高信号模式占36.8%,脑桥的病理T2高信号样改变占21.1%。亚组分析进一步显示,在挑战性病例中,AI辅助使灵敏度提高20.9%、DSC改善0.362,改善幅度超过整体队列;在阳性对照病例中,所有阅片者均达到100%灵敏度,但AI辅助仍显著改善了病灶空间定位的准确性。
讨论部分,研究人员指出JLK-DWI虽独立特异度不高(51.8%),但其核心价值在于作为敏感性优先的辅助工具,在挑战性场景中提供稳定的"第二眼"检查。AI的假阳性标记多来源于磁敏感伪影或T2穿透效应等常见模拟病灶,而阅片者能够利用临床判断力有效覆盖多数假阳性建议,仅导致轻微的特异度下降。研究强调,AI的真正价值不在于独立性能,而在于与人阅片者的协同增效——AI提供持续的高灵敏度检测能力,而人阅片者负责最终决策以减少假阳性。这种协同模式对于已具有高准确率的放射学报告而言,可将理论上灵敏度从98.4%提升至99.7%。研究也指出局限性:作为单中心回顾性分析,结果的外推性受限;阅片者以低年资医师为主,可能放大了AI辅助的收益;标准5 mm层厚可能存在部分容积效应;且未测量判读时间以评估工作流程效率。未来需要前瞻性多中心研究验证,并探索高分辨率薄层DWI及减少假阳性的策略。
研究结论为:JLK-DWI显著提高了阅片者检测急性缺血性卒中的诊断性能,尤其对于超急性期或小灶性后循环梗死等挑战性病例。该AI系统保持了高灵敏度并提供了可靠的病灶定位,使阅片者能够更好地识别 subtle 或易漏诊的病灶,同时利用其临床判断力最小化假阳性。这些发现凸显了AI作为辅助工具增强放射学家诊断准确性的互补作用,而非取代人类专业知识。其在困难诊断场景中的一致性表现表明了对实际卒中护理的潜在价值,有助于急性期更快速、更自信的临床决策。