南昌大学第二附属医院祝新根教授团队联合武汉大学人民医院陈谦学教授团队、浙江大学第一附属医院詹仁雅教授团队、陆军军医大学附属西南医院胡荣教授团队、武汉大学物理科学与技术学院张东教授团队等利用动脉瘤性蛛网膜下腔出血患者入院头部非增强CT影像数据开发和验证了一个深度学习辅助识别和量化出血区域的人工智能平台，结果发表在2023年8月的《NeuroImage》在线。

研究背景

准确的卒中评估和由此带来的良好临床结局依赖于在非对比计算机断层扫描(NCCT)图像中动脉瘤性蛛网膜下腔出血(aSAH)的早期识别和量化。然而，出血性病变可能很复杂，并且难以手动区分。为了解决这些问题，我们提出了一种新的混合2D/3D UNet深度学习框架，用于NCCT图像中aSAH的自动识别和量化。

研究方法

我们评估了2018年6月至2022年5月期间在南昌大学第二附属医院(数据集A)、武汉大学人民医院(数据集B)、陆军军医大学西南医院(数据集C)和浙江大学第一附属医院(数据集D) 中国四家医院连续收治的1824例aSAH患者。通过计算准确率和精密度、Dice分数和交集/联合(IoU)以及类间相关系数(ICC)，分别评估模型性能、分割性能以及自动和手动分割之间的相关性。

图1. 研究流程: 我们在数据集A的CT平扫图像数据中训练了五个深度学习模型，然后在另外三个外部数据集上评估每个模型。其中，我们提出的混合2D/3D UNet表现出了优越的性能。该算法已被用于开发未来通用的BrainHemo AI平台。

研究结果

共纳入1,355例aSAH患者：4个数据集分别为931、101、179和144例，其中326例使用西门子扫描仪，640例使用飞利浦扫描仪，389例使用GE医疗系统扫描仪。我们提出的深度学习方法在内部和外部数据集中都准确地识别了出血(准确度为0.993 ~ 0.999)和分割了出血(Dice评分为0.550 ~ 0.897)，甚至是出血亚型的组合。基于我们的算法，我们进一步开发了便捷的BrainHemoAI辅助平台来辅助临床工作流程，该平台的性能与有经验的神经外科医生手动测量的性能相当(ICC为0.815 ~ 0.957)，但效率更高，成本更低。

图3. 使用当前主流算法和我们提出的深度学习算法识别非增强CT图像中常见的蛛网膜下腔出血部位的例子。从上到下:在纵裂、脑沟、侧裂、鞍上池、环池等区域识别蛛网膜下腔出血。

图4. 使用我们的混合 2D/3D UNet在内部和外部数据集中的出血识别性能：(A)准确度，(B)精度，(C)真阳性比，(D)假阳性比。

图5. 使用当前主流算法和我们提出的深度学习算法在NCCT图像中所有出血亚型和aSAH分割和分类的例子。从上到下：仅有SAH、仅有IPH、仅有IVH、SAH合并IPH、SAH合并IVH、SAH合并IPH、IVH的出血识别和分类。红色表示SAH，黄色表示IPH，蓝色表示IVH。

图6. 在内部和外部数据集中使用混合 2D/3D UNet算法分割出血区域的性能。(A)骰子系数，(B)交/并比。

图7. 在内部和三个外部数据集中，不同出血亚型的自动和手动量化的组内相关系数：(A)数据集A(内部数据集)中ICH、SAH、IPH和IVH的性能；(B)数据集B的性能；(C)数据集C的性能；(D)数据集D的表现。ICH，颅内出血；IPH，颅内实质出血；IVH，颅内脑室出血。

研究结论

虽然该工具尚未在临床实践中进行前瞻性测试，但我们创新的混合网络算法和平台可以准确识别和量化aSAH，为快速和低成本的NCCT解读和基于人工智能的可靠方法加快aSAH患者的临床决策铺平了道路。