本次「精选编译」由首都医科大学附属北京天坛医院陈子墨医师编译，为大家带来《使用基于双能量计算机断层扫描（DECT）的深度学习模型预测血栓切除术后脑出血风险》，欢迎大家阅读分享！

为解决这些问题，韩国首尔延世大学医学院放射科JoonNyung Heo教授引入了深度学习和双能计算机断层扫描（dual-energy computed tomography，DECT）技术，旨在提高预测模型性能，为医生提供可靠工具，帮助及时识别高风险患者，并制定个性化治疗策略，结果在线发表于2023年11月《European Radiology》上。

——摘自文章章节

【REF: Heo J, et al. Eur Radiol. 2023. doi: 10.1007/s00330-023-10432-6.】

研究背景

过去几十年中，血栓切除术已成为治疗急性大血管阻塞型缺血性卒中的重要手段。然而，术后脑出血的风险是临床医生面临的主要挑战，显著影响患者预后和治疗效果。之前的研究在预测术后脑出血方面存在不足，如未充分考虑患者个体差异和对复杂影像数据的精准分析。为解决这些问题，韩国首尔延世大学医学院放射科JoonNyung Heo教授引入了深度学习和双能计算机断层扫描（dual-energy computed tomography，DECT）技术，旨在提高预测模型性能，为医生提供可靠工具，帮助及时识别高风险患者，并制定个性化治疗策略，结果在线发表于2023年11月《European Radiology》上。

研究方法

本研究纳入了202名接受血栓切除术的患者，覆盖不同年龄和性别，以保证模型训练数据的多样性。通过前瞻性登记研究，收集了患者基本信息和术后DECT图像数据。我们开发了一个创新的3D卷积神经网络，能自动提取DECT图像中关键特征，辅助准确预测脑出血转化风险。模型训练过程充分考虑了临床实际应用需求，以确保在不同患者群体中的稳定性和可靠性。采用五折交叉验证和独立测试数据集全面评估模型性能，主要指标为AUC值，量化脑出血转化风险预测的准确度。此外，进行了详细因素分析，深入探讨患者特征对模型性能的影响。

研究结果

共纳入202名患者，平均年龄71.4岁，男性占51.4%。54.0%的患者发生出血转化，其中43.1%为HI1，22.9%为HI2，11.9%为PH1，22.0%为PH2。出血转化患者血糖水平较高，入院时NIHSS评分较高，ASPECT评分较低，且大脑中动脉阻塞发生率较高。深度学习模型在五折交叉验证中平均AUC值为0.867，整个训练数据集上AUC为0.952，在测试数据集中AUC为0.911。模型敏感性、特异性、PPV和NPV分别为68.8%、85.7%、91.7%和54.5%。相比之下，使用临床变量开发的logistic回归模型在训练数据集上AUC为0.775，在测试数据集上AUC为0.634，显著低于深度学习模型。CNN和临床变量模型的最佳截断值分别为0.51和0.61，在测试集中，CNN模型的敏感性为52.6%，特异性为86.0%，临床变量模型的敏感性为37.5%，特异性为85.7%。

图1.临床变量模型和深度学习模型在（a）训练数据集和（b）测试数据集上的受试者工作特征曲线。DL代表深度学习。

图2.一名55岁的男性患者，应用深度学习模型成功预测其出血转化：（a）初始非对比计算机断层扫描显示小的缺血核心；（b）数字减影血管造影显示右侧M1阻塞；（c）血管内血栓切除术后立即显示右大脑中动脉领域对比剂外渗的碘图；（d）深度学习模型的类激活图；（e）血管内血栓切除术后24小时的磁敏感加权成像显示出血转化；（f）血管内血栓切除术后24小时的扩散加权成像。

表1.深度学习模型和临床变量模型在训练和测试数据集上的敏感性、特异性、阳性预测值和阴性预测值。

深度学习模型使用训练数据集得出的截断值为0.51，临床变量模型为0.61AUC，受试者工作特征曲线下的面积；CI，置信区间；PPV，阳性预测值；NPV，阴性预测值。

研究结论

本研究证明了深度学习模型在预测血栓切除术后脑出血转化方面的卓越性能，展现出高度准确性、敏感性和特异性，证实了临床应用价值。与基于临床变量的模型相比，深度学习模型表现出显著优势，为未来个性化治疗和决策制定提供了可靠工具。该研究为改善缺血性卒中患者的临床管理和治疗策略提供了重要依据，突显了深度学习在神经系统疾病研究领域的应用前景。

研究点评

这项研究有效地展示了深度学习技术在提高血栓切除术后脑出血转化预测的精确度方面的潜力，为缺血性卒中的个性化治疗提供了新的视角和工具。