来自华盛顿大学圣路易斯医学院神经外科的Jane Y Yuan等开展了本研究，旨在应用卷积神经网络测量SAH后的总出血量，并自动分割每个脑池沟室的出血量。然后将该方法应用于大型队列研究，研究脑沟池中的出血量对SAH并发症和预后的影响。相关内容在线发布于2022年10月《World Neurosurgery》。
——摘自文章章节
【REF:Yuan JY, et al. World Neurosurg. 2022;S1878-8750（22）01522-4. doi:10.1016/j.wneu.2022.10.105】
颅内动脉瘤破裂会导致蛛网膜下腔（即脑池和脑沟）内不同程度的动脉出血，并可能导致脑室和实质出血。动脉瘤性蛛网膜下腔出血（SAH）还可引发一系列损伤机制，如血管痉挛和迟发性脑缺血（DCI）等。这些并发症与更严重、广泛的出血密切相关，脑池出血与血管痉挛和SAH严重程度的Fisher评分相关性已经在临床应用近50年，而脑室内出血的相关性后期也被纳入改良Fisher评分（mFS）中，该评分已成为SAH严重程度的标准影像学评分。尽管mFS被广泛使用，但它不仅受到评分者之间的变异性影响，而且还不能完全量化出血量。有研究表明，对脑池和脑室出血的半定量评估，即Hijdra总评分（HSS），能够更好地反映出血严重程度和并发症的风险。然而，由于该评分在床边耗时且实际评估较困难，因此其应用并不广泛。此外，因为忽略了脑沟出血，该评分同样不能完全量化总出血量。
人们一直在努力量化SAH后的总出血量，现有自动化方法已经对脑池出血进行了阈值处理，但很难将血液与骨骼、金属伪影和钙化区分开来。最近，开发了一种基于图像的分割方法来评估总出血量与DCI的相关性，不过既往研究没有探涉及脑沟出血，只关注总出血量或脑池、脑室出血量。与此同时，深度学习方法在CT扫描中分割出血区域和从CTA中分割出颅内动脉瘤显示了广泛应用前景。因此，来自华盛顿大学圣路易斯医学院神经外科的Jane Y Yuan等开展了本研究，旨在应用卷积神经网络测量SAH后的总出血量，并自动分割每个脑池沟室的出血量。然后将该方法应用于大型队列研究，研究脑沟池中的出血量对SAH并发症和预后的影响。相关内容在线发布于2022年10月《World Neurosurgery》。
研究者训练卷积神经网络，从SAH患者基线CT扫描中识别蛛网膜下腔内出血（包括脑池、脑沟和脑室）。比较190例SAH患者的自动评估出血量与传统出血标志物（mFS、HSS），预测出院时血管痉挛、DCI和功能状态（mRS）的差异。
与单独脑池出血相比，脑池出血合并脑沟出血与mFS和HSS的相关性更好（ρ=0.63 vs 0.58，0.75 vs 0.70，P<0.001）。经临床因素调整后，只有合并脑池和脑沟的出血量与DCI独立相关（OR 1.023/ml，95%CI 1.002-1.048），而脑室出血量不相关。与HSS（OR 1.06/分，1.00-1.12，P=0.04）一样，总出血量和特异性脑沟血量与不良预后密切相关（OR 1.03/ml，1.01-1.06，P=0.006；OR 1.04/1.00-1.08-脑沟血量），而mFS则不相关（P=0.24）。
图1. 研究流程。
图2. 蛛网膜下腔出血患者入院CT自动血液分割结果示例。五个级别的原始轴向脑CT图像（上）和分割结果（下），脑池出血为蓝色，脑沟出血为绿色，脑室出血为红色。池沟室的出血量为：脑池23.4ml，脑沟57.8ml，脑室6.96ml。
图3. 自动出血量与常规评估的出血严重程度的关系。A：改良Fisher评分与入院CT测量的总出血量之间的关系（ρ=0.63）；B：IVH评分与量化脑室出血量的关系（ρ=0.66）；C：散点图为基线CT上手动得出的Hijdra总评分与自动评估的脑池和沟出血量的相关性（r=0.75）。
图4. 手动和自动测量出血量的ROC曲线。
图5. A：迟发性大脑缺血和B：预后差的每种出血生物标志物的调整比值比。
表1. 研究队列的人口统计学、影像学和预后变量，按三个预后指标分类：迟发性脑缺血、血管痉挛和出院时的功能状态（不良结果为mRS 4-6）。
表2. 在单独的多变量logistic回归模型中，血液生物标志物与三种结局的关联：DCI、血管痉挛和出院时状态（不良预后为mRS 4-6）。
自动成像算法可以测量SAH后单个腔隙的出血量，研究发现脑池和脑沟出血（而非脑室出血）会增加DCI及血管痉挛的风险。自动评估脑总出血量与预后独立相关，而定性分级与预后无关。
本文应用深度学习方法将SAH出血量进行精确定量化，并发现脑池合并脑沟出血与DCI及血管痉挛、以及功能预后相关，并且优于传统的mFS评分。这将表明这种SAH有效的精准分割将有可能在SAH的诊疗中起重要作用。
关注动脉瘤性蛛网膜下腔出血
