南昌大学第二附属医院神经外科胡平等就近年应用人工智能算法在颅内出血早期检测、识别出血类型和血肿体积量化方面的研究进行了全面的综述，以期验证 人工智能是否可用于构建准确的颅内出血自动分诊系统，以降低误差率，并辅助临床决策提供依据。综述发表在《中华脑血管病杂志》2023年8月 第17卷 第4期上。

颅内出血(intracerebral hemorrhage，ICH)是由多种 病因引起的急性脑血管疾病，在全球范围内占所有急性卒 中患者的 10%~20%，是最常见的卒中类型[1]，具有病情变 化快，其致死率和致残率高等特点[2]。中国是全球最大的发展中国家，其卒中现患人数高居世界首位，尽管出血性卒中发病率从 2005 年的 93/10 万下降至 2019 年的 45/15 万， 但其病死率仍处于较高水平[3]。ICH 根据出血部位不同，可进一步分为脑实质出血(intracerebral parenchymal hemorrhage，IPH)、脑室内出血(intraventricular hemorrhage， IVH)、硬膜外血肿(epidural hemorrhage，EDH)、硬膜下血肿(subdural hemorrhage，SDH)和蛛网膜下腔出血(subarachnoid hemorrhage，SAH)[4]5种类型。在ICH患者 的诊疗过程中，描述出血类型并使用几何估算方程(多田公式)计算血肿体积是一项常规任务[5]。尽管容易出现手动错误，但不同出血类型及出血量被认为是ICH患者病死 率和长期神经功能预后的强有力的预测指标[6]。因此，不同出血类型的早期检出对挽救患者神经功能乃至生命至关 重要，而精确量化血肿体积则为临床决策提供了重要依据。

因为图像采集速度快，血肿与健康脑组织形成强烈对 比，非增强计算机断层扫描(non-contrast computed tomography，NCCT)被用作ICH的标准成像方式。它还提供了出血类型、位置、形状、大小等详细信息[7]。随着颅脑CT扫描人数的逐年上升，阅读和分析大量数据不仅耗费 了医师的时间和精力，也增加了 ICH 的漏诊和误诊的可能性。近十年来，人工智能(artificial intelligence，AI)在医学成像领域展示出巨大的前景，特别是深度学习(deep learning，DL)提高了医学图像病灶分割的质量[8]。临床医师能够依靠 AI 更快、更精确地检出是否患有ICH，提高出血类型识别和血肿体积量化的能力。然而，目前尚没有综述报道 AI 应用于ICH早期检测的进展。

本研究对AI技术在ICH非增强CT影像数据中的应用 进行了全面地综述，包括不同DL算法对ICH的识别、各出血类型的分类识别、全自动血肿分割和血肿量化方面的研究进行了详细的阐述，并在不同分类任务中对各DL模型进行了比较。同时，本综述分析了既往研究存在的局限性， 并总结了未来研究所面临的挑战和可能的研究方向。在医工交叉不断融合发展的时代，未来的 AI 技术势必会以更加便捷、精准且智能化的方式建立起一套 ICH 自动分诊系统，为辅助临床医师制定准确的诊疗方案提供依据。