Comparison of two- and three-dimensional computed tomography-based deep-learning models with neurosurgeon assessments for predicting functional outcome at discharge in patients with spontaneous intracerebral hemorrhage: a single-center retrospective study
这项单中心回顾性研究表明，整合了非增强 CT 扫描与入院格拉斯哥昏迷评分的深度学习模型在预测自发性脑出血患者短期功能预后方面优于神经外科医生的评估，且基于 2D 切片的方法在实现与 3D 体积模型相当的准确度的同时，所需的临床数据更少。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
当脑血管在脑内破裂时，由此导致的出血是一种在毫无预警的情况下发生的医疗紧急情况。这种被称为自发性脑出血的事件是全球范围内导致死亡和长期残疾的主要原因。在发生此类事件后的几小时和几天内，医生面临着一项艰巨的任务：预测患者的恢复情况如何。为了做出这些判断，临床医生依赖于两个主要的信息来源。首先，他们检查非对比增强计算机断层扫描（CT），这是一种快速的 X 线图像，可以显示出血的大小和位置。其次，他们使用一种被称为格拉斯哥昏迷量表（Glasgow Coma Scale）的标准评分系统来评估患者的意识水平，该量表衡量一个人对指令做出反应、睁眼、说话和运动的能力。虽然这些工具至关重要，但人类医生必须主观地解释它们，将出血的视觉证据与患者的精神状态进行权衡。这个过程可能会因专家而异，且大脑的复杂性往往隐藏着人类肉眼可能会忽略的细微模式。
深圳龙岗中央医院的一组研究人员试图研究人工智能是否可以改善这些预测。他们专注于一个具体的问题：一个经过训练、能够观察脑部扫描图像并结合患者评分的计算机程序，能否比人类神经外科医生更好地预测患者出院时的功能性预后？该团队不仅构建了一类计算机模型，还构建了两类。一种模型将脑部扫描视为一系列二维切片，就像翻阅书页一样；另一种模型则将整个大脑视为一个单一的三维体积，将扫描图像视为一个实体对象。两种模型都被设计为将来自扫描图像的视觉数据与来自患者入院时的临床数据（特别是格拉斯哥昏迷量表评分）相结合。其目标是观察这些数字工具是否能发现大脑物理损伤与患者可能康复情况之间的联系，并确定一种更简单的、基于切片的处理方法是否能与更复杂的、三维的处理方法表现得同样出色。
研究人员收集了 2013 年至 2021 年间在该医院接受治疗的 286 名自发性脑出血患者的数据。对于每位患者，他们收集了在事件发生后 24 小时内拍摄的脑部扫描图像以及入院时记录的格拉斯哥昏迷量表评分。随后，他们将患者分为不同的组，用于训练和测试他们的计算机模型。团队还招募了三名具有不同经验水平的神经外科医生作为人类基准。这些医生被要求根据提供给计算机的相同脑部扫描图像和临床评分来预测患者的预后。为了确保公平比较，研究人员仅向医生展示了包含出血部位的特定切片，而不是他们在医院日常工作中通常会查看的完整图像序列。这创造了一个受控环境，使得人类和机器都在处理完全相同的信息。
结果显示，计算机模型在预测预后方面非常有效。当与患者的格拉斯哥昏迷量表评分相结合时，观察大脑为二维切片的模型达到了 90.3% 的准确率。这意味着在超过十分之九的情况下，该模型能够正确预测患者在出院时是具有良好的还是较差的功能性预后。分析整个脑体积并结合更详细临床信息的三维模型表现略有不同，达到了 90.6% 的准确率。从统计学上看，这两个计算机模型之间没有显著差异；两者都表现得异常精准。然而，两套人工智能系统都优于人类神经外科医生。即使是研究中最资深的医生也无法达到计算机模型的连贯性和准确性。研究还发现，将格拉斯可能昏迷量表评分添加到图像分析中至关重要。一个仅观察图像而不考虑临床评分的二维模型版本，其准确率下降到了 81.0%。这表明计算机需要患者意识水平的人类背景信息才能做出最佳预测。
最令人惊讶的发现之一是，更简单的二维模型与更复杂的三维模型同样出色。三维方法需要更多的计算能力和更详细的数据，然而它并未比基于切片的方法提供更好的预测。这表明，对于这项特定的医疗任务，较低复杂度的架构可能更受欢迎，尤其是在处理有限数据时。研究人员指出，三维模型在数据集较小时往往更容易出错，而二维方法则保持了稳健性。研究还强调，虽然计算机擅长寻找模式，但它们并不是在取代医生。模型的设计初衷是辅助而非接管。研究中的人类医生是在受限的审查环境下工作的，他们查看的是孤立的图像，而非他们在现实生活中会看到的完整临床图景，这可能使他们在与能一次性处理所有数据的计算机竞争时处于劣势。
研究人员谨慎地指出了他们工作的局限性。由于本研究是在单一医院进行的，并且是回顾过去记录的研究，因此需要在更大规模、前瞻性的多中心研究中进行测试，以确保其对所有患者均适用。模型所做的预测是针对出院时的短期预后，而非数月或数年后的长期康复情况。此外，研究证实，虽然这些模型功能强大，但它们是支持临床决策的工具，而非取代人类专家的判断。其最终目标是为医生提供可靠的第二意见，帮助他们在面对危及生命的脑出血患者时做出更明智的选择。通过将扫描图像的视觉证据与患者病情的临床现实相结合，这些数字工具为理解损伤的严重程度及可能的康复路径提供了一种新的方式。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。