摘要
利用非对比度计算机断层扫描技术进行急性脑卒中评估仍面临诸多挑战，因为早期缺血迹象可能较为隐匿，且不同颅脑扫描的解剖结构差异也会影响模型性能。本研究提出了AGTS-Net（解剖引导式两阶段网络），这是一种可解释的深度学习框架，旨在基于完整的NCCT扫描结果实现脑卒中分类。该框架是基于99名患者的专用数据集开发的，这些数据集包含了3440张被标记为出血性脑卒中、后部缺血性脑卒中、前部缺血性脑卒中或无脑卒中的NCCT扫描图像。对于每个特定区域的诊断分类器，数据都按照相同的比例进行划分：80%用于训练，20%用于测试，另外还有20%从训练数据中提取出来用于验证。AGTS-Net首先将每张扫描图像分配到预定义的解剖区域，然后再应用针对该区域的分类器。内部评估显示，其解剖区域定位的准确率高达0.99，而迁移学习实验也证实，通过解剖区域划分能提升分类效果，优于全局模型。由于缺乏对应的区域诊断标签，研究仅使用了包含7012张NCCT图像的公开Kaggle数据集，对这种解剖预分类器进行跨领域外部评估。Grad-CAM技术则用于可视化对预测结果有贡献的区域。AGTS-Net作为一种决策支持工具，能够在紧急脑卒中评估过程中提供可操作的扫描图像级预测结果及可视化指导。
