摘要
研究背景脑出血是常见的脑卒中类型之一，约占全部脑卒中的15％～20％，年发病率约24.6/10万，并且脑出血还是全部卒中类型中预后最差的，发病后1个月病死率为40.4％，1年病死率为54.7％，存活患者中致残率高达75％，且目前缺乏有效治疗手段。在过去10年间，脑出血的发病人数不断增加，已经成为全球最严重的公共卫生问题之一。而脑出血中血肿早期扩张与脑出血预后不良高度相关，并且有可能是进行早期临床干预的潜在治疗靶点，积极探索能够预测血肿早期扩张发生的临床指标以及影像学特征，寻找可能影响血肿扩张提升预后生活质量的治疗方法也成了目前临床研究的热点之一。因此临床需要精准评估血肿的体积以辅助诊疗方案制定和进行预后预测。最近深度学习技术不断发展进步，其与医学影像结合更是在辅助临床诊疗中表现出了广阔的应用空间和巨大的潜力。 研究目的应用相对泛化的深度学习算法，分割及精准评估血肿体积以减少人工计算误差，对脑血肿早期扩张风险相关的CT征象进行人工智能识别，并在上述研究基础上构建脑血肿早期扩张和预后不良的深度学习预测模型，探讨深度学习在幕上自发性脑出血早期扩张以及预后不良的诊断效能，为临床提供新的计算机辅助诊断工具。 材料与方法回顾性收集来自三家医院的451例幕上自发性脑出血CT图像以及临床资料。首先构建MSHA-Unet深度学习算法模型对脑血肿进行分割，并与其他5种深度学习网络模型对比分割效果，与多田公式方法对比血肿体积测量。然后基于CT图像利用Resnet网络对岛征、漩涡征、黑洞征、混合征以及卫星征进行识别，评价其识别效能。最后采用深度学习算法构建预测模型，并与其它5种机器学习算法预测模型对比，比较不同学习模型对血肿血肿早期扩张及脑出血患者预后不良的预测性能，比较各种算法的优缺点。 结果 1、幕上脑血肿MSHA-Unet深度学习算法血肿分割模型:(1)血肿分割:MSHA-Unet模型Dice值为0.96，优于其他网络模型，并且有统计学意义(P＜0.05)。杰卡德相似性系数Jaccard值DeepLabV3plus与MultiResUNet无差异，其他组间有差异。灵敏度Sen值各组间均无差异。(2)与其它血肿体积计算方法比较:模型算法分割血肿体积值更接近人工手动分割结果，与多田公式组结果相比，模型算法分割血肿体积测量的百分误差较小，为8.197％，组内相关系数为0.987，96％(48/50)的数据在95％一致性界限(LoA)，并且其95％LoA较窄，为1.70～4.06ml。 2、幕上脑血肿早期扩张相关CT征象的人工智能识别:(1)血肿扩张组与血肿非扩张组对比分析:血肿扩张组CT平扫出现“黑洞征”“混合征”“岛征”“漩涡征”以及“卫星征”几率显著高于血肿未扩张组(P＜0.05)。(2)应用Resnet深度神经网络对血肿精准分割后CT征象识别模型构建:对五种与血肿早期扩张相关的CT征象的识别，将血肿精准分割后处理后识别效能有明显提升，其中岛征和黑洞征的识别效能相对其他几种征象较高，准确率分别为76.71％(95％CI:65.35％-85.81％)和72.13％(95％CI:57.65％-83.21％)，AUC分别为0.746(95％CI:0.631-0.841)和0.667(95％CI:0.525-0.791)，特异度分别为81.63％(95％CI:68.58％-92.18％)和89.74％(95％CI:74.97％-98.02％)，其中岛征的灵敏度由14.81％(95％CI:4.19％-33.73％)提升至65.38％(95％CI:46.04％-83.48％)。 3、幕上脑血肿早期扩张和预后不良的深度学习预测模型构建:(1)血肿早期扩的预测模型:仅采用脑血肿影像征象预测脑血肿扩张，各模型在训练集中AUC为:0.694-0.839，而在测试集中各模型的AUC值普遍较低，为:0.597-0.691不等，其中朴素贝叶斯算法的AUC值最高，深度学习模型在测试集中AUC为0.623。结合影像及临床指标建立的预测模型，深度学习模型在测试集中的AUC为0.705，稍高于多数机器学习模型。在训练集和测试集中均表现较好且稳定的模型是随机森林模型。(2)脑出血预后不良的预测模型:对脑出血患者预后不良预测模型效能比较，在对比采用初始血肿体积结合相关影像及临床指标的早期预测模型中，各模型的预测性能均较高。在训练集中，AUC值达到了0.872-0.923;测试集中，各模型的AUC值稍降低，AUC值为0.824-0.878。(3)脑出血预后不良的预测模型矫正:采用复查时的血肿体积对预测模型进行矫正，大多数模型矫正后与早期模型的预测性能大致相仿，在训练集中，AUC为0.89-0.919;测试集AUC为0.803-0.888。深度学习模型在测试集中的AUC达0.888。 结论 1、MSHA-Unet网络模型能够较好的解决脑血肿的分割问题，利用数据集建立分割模型，是减少人力成本构建更具泛化能力模型的可行办法。 2、基于深度学习算法对岛征和黑洞征2种脑血肿早期扩张相关的CT征象能够进行有效识别，对漩涡征、卫星征和混合征3种CT征象识别效能有限，整体识别准确度有待提升。 3、基于深度学习构建的算法模型能较好的预测脑血肿的早期扩张以及预后不良，从而更加全面地评估幕上自发性脑出血的情况，指导临床诊疗和预后预测。
NETL