基于深度学习的脑卒中CT影像诊断研究综述

基于深度学习的脑卒中CT影像诊断研究综述脑卒中作为全球范围内致死率、致残率最高的疾病之一，其救治效果高度依赖诊断的时效性与准确性。根据病理特征，脑卒中可分为缺血性与出血性两大类，前者占比约70%-80%，由脑血管血栓阻塞导致脑组织缺血缺氧坏死；后者则因脑血管破裂出血引发血肿压迫，两类卒中的治疗方案完全相反，一旦误诊将直接威胁患者生命安全。电子计算机断层扫描（CT）凭借扫描速度快、成本较低、对出血病灶敏感度高的优势，是急诊场景下脑卒中初步筛查的首选影像学手段。传统CT影像诊断依赖放射科医师人工阅片，在急诊流量高峰、医师疲劳状态下易出现漏诊、误诊，且难以量化评估病灶体积、缺血半暗带范围等关键指标，无法满足超早期溶栓治疗的时间窗口要求。近年来深度学习技术在医学影像分析领域的突破性进展，为脑卒中CT影像的自动化、智能化诊断提供了全新解决方案，相关研究已从实验室探索逐步走向临床应用验证阶段。深度学习在脑卒中CT影像诊断中的基础技术框架深度学习在脑卒中CT诊断中的应用以卷积神经网络（CNN）为核心架构，其本质是通过多层卷积核自动提取影像中的层次化特征，替代传统人工设计特征的流程。基础技术框架通常包含数据预处理、特征提取、病灶检测与分割、结果输出四个核心模块。数据预处理是保障模型性能的首要环节。由于不同医疗机构的CT设备参数、扫描层厚、造影剂使用情况存在差异，原始CT影像通常存在灰度分布不均、层间距不一致、运动伪影等问题。预处理流程首先通过HU值（亨氏单位）归一化将灰度范围限制在脑组织常见的[-100,100]区间，过滤骨骼、空气等无关区域的干扰；随后采用空间配准算法将不同患者的脑部影像对齐到标准蒙特利尔神经学研究所（MNI）模板，消除个体脑结构差异带来的影响；针对缺血性卒中早期病灶对比度低的问题，常用的增强方法包括自适应直方图均衡化（CLAHE）、多窗宽窗位转换，部分研究还会引入生成对抗网络（GAN）生成虚拟增强影像，补充平扫CT中缺失的灌注信息。针对标注数据不足的行业痛点，数据增广策略被广泛采用，包括随机旋转、翻转、缩放等几何变换，以及弹性形变、灰度扰动等增强方式，在不增加实际标注成本的前提下提升模型的泛化能力。特征提取模块的演化反映了深度学习技术的迭代路径。早期研究多采用VGG、ResNet等通用CNN架构作为骨干网络，通过迁移学习在自然图像预训练权重的基础上微调，适配医学影像特征。2018年以来，针对医学影像的3D空间特性，3DCNN逐渐成为主流，其通过三维卷积核同时提取CT影像的层内空间特征与层间时序特征，更适合捕捉弥散在多个扫描层的微小病灶。为解决3DCNN计算量大、推理速度慢的问题，研究人员提出了混合维度网络架构，如先用2DCNN提取每层的精细特征，再通过长短时记忆网络（LSTM）或3D卷积层融合层间上下文信息，在保证精度的同时将推理速度提升40%以上。近年来视觉Transformer（ViT）架构也被引入该领域，其自注意力机制能够有效建模病灶与周围正常组织的长距离依赖关系，尤其对出血性卒中的多发小血肿检测、缺血性卒中的半暗带范围识别有明显性能提升。复旦大学附属华山医院2024年发表的研究显示，采用Swin-Transformer架构的模型对直径小于5mm的微出血灶检出率达到89.7%，较传统3DResNet提升了12.3个百分点。病灶检测与分割模块是诊断系统的核心功能输出层。对于出血性卒中，检测任务主要定位血肿的位置、数量，分割任务则精准勾勒血肿边界，用于计算血肿体积及预测扩大风险。主流方法包括两阶段检测网络FasterR-CNN、单阶段检测网络YOLO、SSD，其中YOLO系列因推理速度快的特点更适配急诊场景，最新的YOLOv8改进版本在脑出血CT数据集上的检测速度可达每秒35帧，平均精度均值（mAP）超过96%。对于缺血性卒中，核心任务是区分梗死核心与缺血半暗带，常用分割网络包括U-Net及其衍生变体，如3DU-Net、AttentionU-Net、VNet等。其中AttentionU-Net通过引入注意力门机制，自动聚焦影像中的病灶区域，抑制无关背景信息的干扰，对低密度梗死灶的Dice系数（衡量分割精度的指标，越接近1精度越高）可达0.87，较传统U-Net提升约8%。部分研究还针对多模态CT数据（平扫CT、CT灌注成像、CT血管造影）设计多分支融合网络，将不同模态的特征在编码阶段、解码阶段或决策层进行融合，充分利用灌注参数（脑血流量、脑血容量、平均通过时间）和血管狭窄信息，进一步提升诊断精度。不同类型脑卒中CT诊断的深度学习研究进展出血性脑卒中的深度学习诊断研究起步较早，技术成熟度相对较高。早期研究主要聚焦脑出血的二元分类，即判断CT影像中是否存在出血病灶，2019年斯坦福大学团队开发的CNN模型在1.2万份头部CT数据集上的分类AUC（曲线下面积）达到0.991，诊断准确率与高年资放射科医师相当。随着研究深入，重心逐渐转向血肿亚型分类、血肿体积分割、血肿扩大风险预测等临床实际需求。针对脑出血亚型分类，现有模型已能准确区分脑实质出血、脑室出血、蛛网膜下腔出血、硬膜下出血、硬膜外出血五大类，平均分类准确率超过93%。2023年《柳叶刀·神经病学》发表的多中心研究显示，基于10万份多中心CT数据训练的深度学习模型，对五种出血亚型的分类准确率在91%-97%之间，其中蛛网膜下腔出血的准确率最高，主要得益于其典型的脑沟、脑池高密度影特征更容易被模型捕捉。在血肿体积量化方面，传统人工测量多采用多田公式，存在15%-30%的误差，而深度学习分割模型的体积测量误差可控制在5%以内，且能自动识别是否存在脑室铸型、蛛网膜下腔扩展等高危特征。近年来研究进一步拓展到预后预测领域，通过结合影像特征与临床数据（年龄、血压、格拉斯哥昏迷评分等）构建多模态模型，可提前预测患者24小时内血肿扩大风险、3个月功能预后情况，为临床治疗决策提供参考。北京天坛医院2025年的研究显示，整合CT影像特征、发病时间、收缩压等12项指标的深度学习模型，预测血肿扩大的AUC达到0.89，优于传统的临床评分系统。缺血性脑卒中的深度学习诊断是当前研究的热点与难点，核心挑战在于超早期（发病6小时内）缺血病灶在平扫CT上对比度低，与正常脑组织的灰度差异仅为5-10HU，人工阅片的漏诊率可达20%-30%。早期研究主要集中在Alberta卒中项目早期CT评分（ASPECTS）的自动化评估，该评分通过评估大脑中动脉供血区10个区域的低密度改变，量化缺血程度，是溶栓治疗的重要参考指标。2022年之前的自动ASPECTS评分模型与医师评分的组内相关系数（ICC）多在0.7-0.8之间，2023年谷歌DeepMind团队发表在《自然·医学》的研究，基于3.8万份多中心CT数据训练的模型，ASPECTS评分与两位神经放射专家共识评分的ICC达到0.87，一致性超过普通放射科医师。在缺血病灶分割方面，针对平扫CT的研究取得重要突破，2024年德国海德堡大学团队提出的弱监督学习模型，仅利用少量灌注CT标注数据作为监督，即可在平扫CT上准确分割梗死核心区域，Dice系数达到0.82，接近灌注CT的分割精度，为缺乏灌注检查条件的基层医院提供了可行方案。在大血管闭塞检测领域，基于CT血管造影（CTA）的深度学习模型已实现对颈内动脉、大脑中动脉M1/M2段等主要血管闭塞的自动检测，灵敏度超过94%，平均诊断时间仅为15秒，较传统人工诊断缩短近20分钟，为机械取栓治疗争取了宝贵时间。更前沿的研究开始探索基于平扫CT直接预测缺血半暗带，无需灌注成像即可识别可挽救的脑组织，2025年国内多个团队联合发布的研究显示，该类模型预测的半暗带体积与金标准灌注成像的相关性达到0.85，有望在未来进一步简化卒中诊断流程。脑卒中并发症与鉴别诊断的深度学习研究也在逐步拓展。脑卒中治疗后常见的并发症包括出血转化、脑水肿、脑疝等，早期识别对改善患者预后至关重要。2023年的一项研究显示，深度学习模型可在缺血性卒中患者溶栓后24小时的CT影像中提前识别出血转化风险，AUC达到0.86，灵敏度为83%，优于传统的生化指标预测。在鉴别诊断方面，深度学习模型能够区分卒中与类似卒中表现的疾病，如脑肿瘤、脑炎、脱髓鞘病变等，减少误诊率。2024年发表的多中心研究显示，模型对急性卒中与类卒中疾病的鉴别准确率达到91.2%，尤其对低密度脑肿瘤与缺血性梗死的区分精度较高，减少了不必要的溶栓治疗风险。临床应用转化面临的挑战与发展方向尽管深度学习在脑卒中CT诊断领域取得了大量突破性进展，但从实验室走向常规临床应用仍面临多方面挑战。数据层面的挑战最为突出：一是标注数据的质量与标准化问题，医学影像标注需要高年资医师投入大量时间，不同医疗机构、不同医师的标注标准存在差异，尤其是缺血灶边界、ASPECTS评分的标注一致性往往较低，直接影响模型的泛化能力；二是数据分布偏移问题，训练数据多来自三级医院的典型病例，对基层医院的低质量影像、少见亚型病例、儿童及老年特殊人群的适配性不足，容易出现“性能漂移”；三是数据隐私与安全问题，医疗数据属于敏感信息，跨机构数据共享面临政策与技术壁垒，联邦学习、拆分学习等分布式训练技术虽能在不共享原始数据的前提下实现多中心模型训练，但仍存在通信开销大、小样本机构贡献度低等问题。模型的可解释性不足是限制临床信任的核心障碍。深度学习模型通常被视为“黑箱”，仅能输出诊断结果，无法给出判断的依据与推理过程，而临床诊断要求决策可追溯、可解释。现有可解释性方法主要包括类激活映射（CAM）、梯度加权类激活映射（Grad-CAM）等，通过热力图可视化模型关注的影像区域，验证模型是否真正聚焦于病灶区域而非无关伪影。但这些方法只能提供宏观的区域解释，无法解释模型判断的具体影像学特征，如血肿的形态、密度、占位效应等，与临床医师的诊断逻辑仍存在差距。2024年以来，知识引导的深度学习成为新的研究方向，将脑卒中的临床诊断规则、影像学先验知识嵌入模型结构或损失函数，使模型的推理过程更符合临床逻辑，同时生成结构化的诊断报告，列出发现的病灶位置、大小、影像学特征，提升临床医师的接受度。临床验证与监管审批是应用落地的关键环节。目前大多数研究仅在单中心、回顾性数据集上验证性能，缺乏多中心、前瞻性、大样本的临床试验证据，无法证明模型在真实临床场景中的安全性与有效性。国际医学影像领域的标准验证流程要求模型在至少3个以上不同机构的独立数据集上进行测试，同时开展readerstudy对比模型与不同年资医师的诊断性能。监管层面，美国FDA、中国NMPA都已出台人工智能医疗器械的审批规范，要求明确模型的适用人群、预期用途、性能指标、使用限制，尤其需要评估模型在最坏情况下的失效模式，避免误诊带来的医疗风险。截至2025年，全球已有超过20款脑卒中CT影像辅助诊断产品获得三类医疗器械证，多数用于出血性卒中的检测与体积测量，缺血性卒中相关产品仍处于临床试验阶段。未来的研究发展方向主要集中在三个方面：一是多模态全流程整合，将CT影像与临床信息、实验室检查、神经功能评分等多源数据融合，实现从卒中初步筛查、亚型分类、治疗方案推荐到预后预测的全流程辅助决策，而非单一的影像诊断功能；二是