颅脑CT平扫是初步诊断颅脑外伤或脑卒中患者的常用工具。CT平扫上可早期发现重要的关键性病变，如脑内血肿、硬膜外血肿、硬膜下血肿、脑室内出血、蛛网膜下腔出血、颅骨头盖骨骨折、中线移位和占位效应等。印度孟买戈尔甘Qure.ai公司的Sasank Chilamkurthy等研究应用计算机辅助自动检测颅脑CT扫描的关键性病变的深度学习（deep learning）或机器学习（machine learning）演算法的效能。结果发表在2018年12月《Lancet》杂志上。

作者回顾性收集2011年1月至2017年6月在印度约20家医疗中心内313318例颅脑CT扫描和临床报告的数据集。将数据集中的随机选择部分（Qure25K）用于验证演算法，其余用于开发演算法。另外一个数据集（CQ500）是在不同的医疗中心分两批收集的Qure25K数据集和开发演算法的数据集。将最初的临床放射学报告和三位资深放射医师的阅片结果作为Qure25K和CQ500数据集验证的金标准。绘制受试者工作特性曲线（receiver operating characteristic，ROC），利用ROC曲线下面积（Areas under the ROC curves，AUCs）评估演算法的诊断性能。

CT平扫所发现的关键性损伤主要是脑实质内出血，包括脑挫裂伤出血、脑肿瘤或脑梗死后出血；占位效应，包括局部占位征象、脑室结构消失、中线移位或者脑疝；颅顶骨折指一处以上骨折延伸至头盖骨。

首先采用自然语言处理（natural language processing，NLP）从临床放射学报告中检出的脑实质内、脑室内、硬膜下、硬膜外和蛛网膜下腔出血以及颅骨骨折等数据集。然后，随机选择放射学报告，每次约80例，包括实质内、硬膜下、硬膜外、蛛网膜下腔出血和颅骨骨折。作者在手动标记的Qure25k数据集中，比较随机选择的结果与NLP演算法的结果，推断信息的准确性。

颅脑CT扫描中应用演算法时，生成包含9个真实值的置信评分列表，范围在0-1之间，表明存在以下9个发现：颅内出血和5种出血类型、中线偏移、占位效应和颅骨骨折。在CQ500和Qure25k数据集中，根据检出病变的真阳性率和假阳性率绘制R0C曲线，并计算曲线下面积评估演算法。

Qure25k数据集包含颅脑CT扫描的21095例患者，平均年龄43岁，女性9030例（43%）；CQ500数据集第一批颅脑CT扫描患者214例，平均年龄43岁，女性94例（44%）；第二批277例，平均年龄52岁，女性84例（30%）。在Qure25k数据中，演算法检出颅内出血的AUC为0.92（95% CI，0.91-0.93），其中脑实质内出血AUC为0.90（95% CI，0.89-0.91）、脑室内出血AUC为0.96（95% CI，0.94-0.97）、硬膜下出血AUC为0.92（95% CI，0.90-0.93）、硬膜外出血AUC为0.93（95% CI，0.91-0.95）、蛛网膜下腔出血AUC为0.90（95% CI，0.89-0.92）。在CQ500数据集中，颅内出血的AUC为0.94（95% CI，0.92-0.97），其中脑实质内出血AUC为0.95（95% CI，0.93-0.98）、脑室内出血AUC为0.93（95% CI，0.87-0.1.00）、硬膜下出血AUC为0.95（95% CI，0.91-0.99）、硬膜外出血AUC为0.97（95% CI，0.91-1.00）、蛛网膜下腔出血AUC为0.96（95% CI，0.92-0.99）。Qure25k数据集中，颅骨骨折的AUC为0.92(95% CI，0.91-0.94)，中线偏移AUC为0.93（95% CI，0.91-0.94），占位效应AUC为0.86（95% CI，0.85-0.87）。CQ500数据集中，颅骨骨折AUC为0.96（95% CI，0.92-1.00）、中线偏移AUC为0.97（95% CI，0.94-1.00）和占位效应AUC为0.92（95% CI，0.89-0.95）。

在CQ500数据集中，比较演算法与放射科医师的诊断性能。在高灵敏度阈值上，演算法与放射科医师的灵敏度无显著差异（p＞0.05），但演算法的特异性明显低（p＜0.001）。

作者认为，深度学习演算法可以准确识别颅脑CT扫描的某些关键病变。为放射学报告的质量和一致性提供一个效应界限。该演算法可能有助于进行头颅CT扫描的自动分类。作者指出，该深度学习演算法有利于提高放射科医师的阅片效率，但对其过度依赖，可导致放射科医师对某些假阴性证据的忽略。