综述：人工智能联合CT影像用于成人创伤性脑损伤预后预测的系统评价

《Discover Neuroscience》：Integration of artificial intelligence with CT imaging for outcome prediction in adult traumatic brain injury a systematic review

　　

背景：创伤性脑损伤（TBI）仍是全球范围内致死及长期致残的主要病因。计算机断层扫描（CT）是急性TBI评估的首选影像学手段，而人工智能（AI）通过对影像及临床数据的深度分析，已成为提升预后判断能力的重要工具。鉴于儿童与成人群体在损伤机制、神经生理反应、预后决定因素及恢复轨迹方面存在显著差异，本系统评价专门聚焦于评估AI联合CT影像在成人TBI患者预后预测中的应用价值。 目的：系统评价人工智能联合CT影像在成人TBI患者预后预测中的应用现状，明确所报道模型的预测准确性、临床适用性及方法学质量。 方法：本研究严格遵循PRISMA 2020指南开展，并在PROSPERO平台注册（注册号：CRD420251233273）。检索数据库包括PubMed、Scopus、Web of Science及IEEE Xplore，纳入2015至2025年间发表的、针对≥18岁成人TBI患者、采用AI模型结合CT影像进行预后预测的研究。提取内容包括研究特征、AI方法学、影像特征、预测结局及模型性能，采用Critical Appraisal Skills Programme（CASP）清单评估方法学质量，并通过随机效应模型进行合并分析以估算总体模型性能。 结果：共纳入12项研究，涵盖7536例患者。机器学习（ML）模型占比66.7%，深度学习（DL）与混合多模态方法各占16.7%。常用CT衍生特征包括出血特征、病灶体积、脑水肿、基底池状态及中线移位。报道的模型性能曲线下面积（AUC）范围为0.80~0.998，合并分析显示总体预后预测性能优异，合并AUC为0.916（95%CI：0.884~0.948），但存在显著异质性（I2=93.4%）。整合CT生物标志物与临床变量的多模态模型预测效能普遍优于单纯影像模型。CT放射组学相关证据有限，仅发现1项专门研究。 结论：AI联合CT影像在成人TBI预后预测中展现出良好潜力，尤其在定量影像生物标志物联合临床变量时表现更佳。然而，当前研究存在方法学异质性高、外部验证不足及回顾性设计为主等局限，限制了临床转化。未来需开展多中心前瞻性研究并建立标准化方法学体系，以确立AI辅助CT预后模型在成人神经创伤人群中的普适性与临床价值。

1 引言

创伤性脑损伤（TBI）是全球范围内导致死亡和长期残疾的重要原因，每年影响数百万人口，且绝大多数病例集中在低收入和中等收入国家。TBI严重程度从轻度脑震荡至重度神经损伤不等，快速评估与干预对减轻继发性脑损伤至关重要。提升长期功能恢复预后的准确性，有助于指导早期临床决策，包括生命维持治疗的撤除及康复规划。CT凭借其广泛可及性、成像速度快及对颅内血肿、占位效应和颅骨骨折等高敏感性，成为急性疑似TBI初始评估的核心手段。传统预后模型依赖视觉判读及Marshall、Rotterdam、Helsinki等放射学评分系统，难以全面反映TBI的复杂异质性，且观察者间差异和主观评估限制了预后一致性。当前标准诊疗仍缺乏稳健、客观且可早期预测长期恢复轨迹的生物标志物。人工智能尤其是机器学习与深度学习技术，能够自动检测、分割及量化颅内病灶，并提取常规阅片无法识别的定量影像生物标志物，实现放射组学、临床及生理信息的整合，有望改善成人TBI的个体化预后预测。尽管已有研究证实AI模型在病灶检测、血肿分割及预后预测等方面性能不劣于甚至优于IMPACT与CRASH等传统模型，但AI架构多样、影像协议不一及结局定义差异导致证据碎片化，模型的复现性、普适性及临床适用性尚不明确。既往综述多涵盖全年龄段或泛TBI领域，忽视了成人与儿童在病理生理及恢复方面的差异。因此，亟需针对成人TBI中AI联合CT预后预测的方法学质量、预测性能及临床转化潜力进行聚焦性评价。本综述前瞻性地限定研究对象为≥18岁成人TBI患者，以提升临床与方法学同质性，确保合成证据对成人神经创伤实践的直接适用性。

2 方法学

2.1 方案注册

本系统评价已在PROSPERO国际前瞻性系统评价注册库注册（注册号：CRD420251233273）。

2.2 检索策略与研究筛选

检索数据库包括PubMed、Scopus、Web of Science及IEEE Xplore，时间跨度为2015年至2025年。检索词结合主题词与自由词，涵盖“人工智能”“机器学习”“深度学习”“计算机断层扫描”“创伤性脑损伤”“预后预测”“放射组学”“纹理分析”等。检索时间为2026年5月，仅纳入英文文献。由两名独立研究人员完成标题、摘要初筛及全文复筛，纳入标准为成人TBI患者且采用AI联合CT进行预后预测的研究。初检阶段未设年龄限制以保障敏感性，全文筛选阶段排除纯儿科或未按成人分层报告的混合队列研究，同时排除病例报告、综述、会议摘要等。研究筛选流程按PRISMA 2020流程图记录。

2.3 数据提取与质量评价

采用标准化表格由两名研究人员独立提取数据，内容包括研究设计、队列特征、AI模型架构、输入特征、结局指标及性能指标。方法学质量采用CASP队列研究清单评价，涵盖研究对象选择、暴露评估、混杂控制及结局测量等维度。两名研究人员的一致性检验显示Cohen’s Kappa系数为0.79，一致性满意。

3 结果

3.1 研究筛选与地理分布

最终纳入12项研究，共计7536例接受急性非增强CT检查的成人TBI患者。所有研究均为回顾性队列设计，样本量跨度从36例至1808例，发表年份集中于2020至2025年。地理分布以中国研究最多，其次为美国，另有加拿大、越南、韩国及瑞典的贡献。

3.2 临床特征与CT影像参数

纳入人群以中重度TBI为主，多需重症监护或神经外科干预。常用临床预测因子包括年龄、入院格拉斯哥昏迷评分（GCS）、瞳孔反射、损伤严重度及生理指标。主要结局涵盖死亡率、功能结局、残疾状态、出血进展及以格拉斯哥结局量表（GOS）/扩展版格拉斯哥结局量表（GOSE）评估的神经功能恢复。所有研究均采用非增强CT，常用影像变量包括颅内出血特征、血肿体积、病灶负荷、脑水肿、基底池状态及中线移位。部分研究引入自动化病灶分割、体积测量、衰减特征及深度学习提取特征，仅1项研究系统性开展了CT放射组学纹理分析。

3.3 人工智能架构与可解释性

AI方法分为机器学习、深度学习及混合多模态三类。机器学习占比最高（66.7%），常用算法包括随机森林（RF）、支持向量机（SVM）、逻辑回归（LR）、梯度提升分类器（GBC）、XGBoost及比例优势逻辑回归（POLR）。深度学习占16.7%，主要采用级联卷积神经网络直接从CT中提取特征。混合多模态同样占16.7%，通过整合定量CT生物标志物与临床变量提升性能。可解释性方法包括SHapley Additive Explanations（SHAP）、特征重要性分析及列线图，一致识别出年龄、GCS评分、瞳孔反应、血肿体积、出血负荷及中线移位为核心预测因子。多模态整合呈现明确的方法学趋势，其预后效能普遍优于单一影像模型。

3.4 预测性能与结局分层

AI模型AUC范围为0.80~0.998，合并分析显示总体预后预测性能优异，合并AUC为0.916（95%CI：0.884~0.948），但异质性显著（I²=93.4%）。AdaBoost模型在预测去骨瓣减压术中脑膨出方面AUC达0.998，放射组学模型AUC最高达0.96。死亡率预测模型AUC多在0.91~0.92区间，功能结局预测模型AUC普遍超过0.85。模型亦成功应用于出血进展、住院病程及术中并发症预测，体现了AI联合CT在多阶段TBI管理中的广泛适用性。

3.5 临床就绪度、验证与普适性

多数研究采用内部验证，包括k折交叉验证、Bootstrap重抽样及留一法。仅少数研究采用CENTER-TBI、TRACK-TBI及ProTECT III等多中心外部验证队列，结果显示模型在外验中仍保持可接受性能。然而，研究间在CT采集参数、图像预处理、特征选择、结局定义及随访时长方面差异显著，且全部为回顾性设计，尚无前瞻性实时部署、工作流整合及临床效用验证研究，当前证据仍以预测性能展示为主，临床有效性尚未确立。

4 讨论

本系统评价表明，AI联合CT影像在成人TBI预后预测中具有优异的判别效能，合并AUC达0.916，可有效支持死亡、功能结局、神经恶化及出血进展的风险分层。多模态整合策略通过融合定量影像生物标志物与临床变量，显著提升了预测精度，解决了传统视觉评分的主观性与信息损失问题。然而，现有证据仍存在明显局限：方法学异质性高，I²达93.4%，反映了人群特征、影像协议及建模策略的差异；外部验证匮乏，多数模型仅在单中心内部验证，普适性存疑；全部为回顾性研究，缺乏前瞻性临床实施数据与真实世界效用证据。此外，CT放射组学的探索仍处于起步阶段，仅1项相关研究被纳入。未来研究应着力推进多中心前瞻性队列建设，统一影像采集与预处理标准，完善外部验证框架，并开展人机协作决策与卫生经济学评价，以推动AI辅助CT预后模型从技术验证向临床常规应用的转化。本综述通过聚焦成人TBI人群，避免了儿科与成人病理生理差异带来的偏倚，为成人神经创伤领域的精准预后评估提供了高方法学质量的证据基础。