Radiology：利用深度学习预测脑卒中低灌注病变

急性缺血性脑卒中是一种医疗紧急情况，给社会带来了巨大的负担。再灌注疗法，如静脉溶栓和血管内血栓切除术，是唯一经过验证的治疗方法，在早期对经过适当选择的患者进行治疗时具有最大效益。基于MRI或CT的灌注-弥散不匹配显示了选择临床症状发生后9小时内的患者进行溶栓治疗和症状发生后24小时内的血栓切除术的有效性。然而，基于MRI的灌注-弥散不匹配识别需要相对较长的扫描和后处理时间，准备、序列采集和后处理至少需要10分钟。基于CT的低灌注核心错配会使患者暴露在电离辐射下，因此受到限制。

基于美国国立卫生研究院卒中量表（NIHSS）评分的临床表现与弥散加权成像（DWI）确定的病变体积之间的不匹配，已被用于接受Trevo神经干预的醒脑和迟发脑卒中的临床不匹配试验（DAWN）以避免这些负面因素，与灌注-弥散不匹配相比显示出更高的特异性。 然而，临床-DWI错配的敏感性很低（以前报告为53%-62%），意味着可以从再灌注中获益的患者会很大程度的出现漏诊及误诊。

卷积神经网络是一种机器学习技术，通过使用多个卷积层进行预测并自动从图像中提取特征。与传统的基于阈值的方法相比，深度卷积神经网络，如U-Nets，在脑卒中病变预测中显示出优势。

近日，发表在Radiology杂志的一项研究使用深度学习模型来预测脑卒中的低灌注病变，并以灌注MRI为参考标准，进一步实现仅从DWI和临床信息中对具有目标不匹配特征的患者进行识别，以提高临床的诊断准确性及治疗及时性。

本项研究从2008年至2019年的多中心数据中回顾了具有基线灌注MRI和DWI的急性缺血性卒中患者的成像数据集。使用灌注和弥散软件的快速处理自动分割了低灌注病变（到最大值的时间，≥6秒）和缺血核心（表观弥散系数[ADC]，≤620×10-6 mm²/sec）。使用基线DWI、ADC、美国国立卫生研究院卒中量表评分和卒中症状的侧重点作为输入并以低灌注和缺血核心分割的联合作为基础事实，训练一个三维U-Net深度学习模型。使用Dice评分系数（DSC）对模型性能进行评估。基于该模型的目标错配分类与DAWN试验所定义的临床-DWI错配方法进行了比较，采用McNemar检验。

共有413名患者（平均年龄，67岁±15[SD]；207名男性）被纳入模型开发和主要分析，使用五重交叉验证（每重分别有247、83和83名患者在训练、验证和测试集）。该模型预测低灌注病变的中位DSC为0.61（IQR，0.45-0.71）。与临床-DWI不匹配的敏感性为50%（281例中的140例；95%CI：44，56）和特异性为89%（130例中的116例；95%CI：83，94）相比，该模型识别出目标不匹配的患者，敏感性为90%（283例中的254例；95%CI：86，93），特异性为77%（130例中的100例；95%CI：69，83）（所有P < .001）。

图 (A) 一位60岁的女性，美国国立卫生研究院脑卒中量表(NIHSS)评分为2分，右侧大脑中动脉M1段闭塞。快速软件识别了146毫升的低灌注病变和32毫升的核心。模型预测低灌注病变为201 mL（如下行所示），空间位置准确，Dice评分系数（DSC）为0.71。(B)一名40岁男性的图像，NIHSS评分为7分，左侧大脑中动脉M2段闭塞。快速软件识别出一个62毫升的低灌注病变和一个30毫升的核心。模型预测低灌注病变为103 mL，空间位置准确，DSC为0.64

本项研究使用了一个三维U-Net深度学习模型从弥散加权成像（DWI）和临床信息中对低灌注病变实现了准确的预测，并以比临床-DWI错配方法更高的灵敏度识别了具有目标错配特征的患者，为临床的个性化治疗提供了技术支持。

原始出处：

Yannan Yu,Soren Christensen,Jiahong Ouyang,et al.Predicting Hypoperfusion Lesion and Target Mismatch in Stroke from Diffusion-weighted MRI Using Deep Learning.DOI:10.1148/radiol.220882