对于急性缺血性脑卒中患者而言，“时间就是大脑”，卒中治疗的效果会随着时间的推移显著降低。但是，作为2019年AHA/ASA强烈推荐的疑似急性缺血性脑卒中患者首选且必要的影像学检查，头颅CT平扫在卒中发病24小时内很难显示出人眼可见的变化。因此，在明确卒中患者的治疗方案前做出准确及时的头颅CT平扫影像学诊断对放射科医生而言具有很大挑战。近日，《放射学实践》杂志主编、华中科技大学同济医学院附属同济医院副院长、湖北省放射学会主任委员朱文珍教授团队成员在生物医学1区杂志《Theranostics》(2021 IF: 11.600)上发表论文，报道了其构建的一种两阶段的深度学习模型对头颅CT平扫中不可见的早期急性缺血性脑卒中病变进行识别。该模型在多中心、多队列、多制造商中进行了验证，均可准确识别出不同部位、不同脑区、不同大小的脑卒中病变。放射科医生在该模型的辅助下其诊断效能得到明显的提高。该深度模型的建立突破了早期急性缺血性脑卒中病变在头颅CT平扫中无法被识别的难题，有望向临床转化，辅助放射科医生做出更为准确、及时的诊断。
该研究团队回顾性地收集了两个地理位置相距很远的脑卒中中心、多个不同制造商所扫描的1136例疑似AIS患者发病24小时内的头颅CT平扫(non-contrast computed tomography, NCCT)图像，根据发病72小时内随访的磁共振弥散加权图像和临床诊断明确AIS病变，对训练集的数据进行标记，构建了由两个深度卷积神经网络组成的深度学习模型，用于定位及分类NCCT中早期不可见AIS病变。AIS定位模型以带有AIS标记的NCCT图像作为输入，由定位网络生成空间坐标作为输出；分类模型在NCCT图像中提取归一化的AIS区域，通过分类网络生成该区域是否为AIS的最终概率。
为了评估模型的诊断效能，该研究让两位有经验的放射科医生（工作时间为9-10
年）对相同患者进行了阅片诊断。通过比较，该模型不论是在内部验证集，还是在外部验证集都取得了优于放射科医生的诊断效能。与此同时，两位放射科医生在该模型的辅助下，诊断效能得到了明显的提升，诊断的准确率分别从62.00%和58.67%提升到了92.00%和84.67%。通过进一步分析发现，该模型对于不同制造商所扫描的CT图像的诊断效能一致，说明了该模型具有很好的普适性。
该研究构建了一个可以从NCCT图像中获取深层信息的两阶段深度学习模型。应用该模型可以及时准确的筛查早期AIS患者，节省更多的时间用于治疗。在该模型的辅助下，放射科医师可以为患者临床治疗方案的制定提供更有效的指导。
华中科技大学同济医学院附属同济医院朱文珍教授和张归玲博士为文章的共同通讯作者，课题组成员鲁君和周铱然为文章的并列第一作者。
参考文献：
Lu J, Zhou Y, Lv W, Zhu H, Tian T, Yan S, Xie Y, Wu D, Li Y, Liu Y, Gao L, Fan W, Nan Y, Zhang S, Peng X, Zhang G, Zhu W. Identification of early invisible acute ischemic stroke in non-contrast computed tomography using two-stage deep-learning model. Theranostics 2022; 12(12):5564-5573. doi:10.7150/thno.74125.
原文链接：https://www.thno.org/v12p5564.htm
