缺血性中风通常是由于动脉粥样硬化引起的血栓和/或脂肪沉积阻塞脑部动脉而导致的。 症状突然发生，可能会出现身体一侧的肌无力、瘫痪、感觉异常或麻木、言语障碍、思维混乱、视物障碍、头晕、失去平衡或不协调。 诊断通常依靠临床症状及体格检查和脑部成像结果。

由于其可用性和速度，非增强 CT 是急性卒中评估中最常用的脑成像方式。虽然脑部 CT 在这种情况下主要用于识别出血和溶栓治疗的其他禁忌症（例如，结构性中风类似物，如脑肿瘤），而不是识别缺血，但对缺血性病变的阳性检测可以证实诊断，并可能改善溶栓治疗的实施。 CT 上准确识别缺血特征可能具有挑战性，并且取决于审查临床医生的经验（例如，中风临床医生、放射科医师、受训人员）和扫描时间（缺血性病变随着时间的推移变得更加明显）。

CT 通常用于对缺血性中风患者进行成像，但放射科医生的解释可能会延迟。机器学习技术可以提供快速的自动化 CT 评估，但通常是从带注释的图像开发的，这必然限制开发数据集的大小和表示。我们的目标是开发一种使用 CT 脑部扫描的深度学习 (DL) 方法，该扫描被标记但未注释是否存在缺血性病变。

我们设计了一种基于卷积神经网络的深度学习算法来检测 CT 上的缺血性病变。我们的算法是使用为大型多中心国际试验收集的常规 CT 脑部扫描数据进行训练的。这些扫描此前已被专家标记为急性和慢性表现。我们探讨了缺血性病变特征、背景大脑外观和 CT 时间（基线或 24-48 小时随访）对 DL 表现的影响。

结果表示，在对 2347 名患者（中位年龄 82 岁）进行的 5772 次 CT 扫描中，54% 的患者存在可见的缺血性病变。我们的深度学习方法在检测缺血性病变方面达到了 72% 的准确率。对于较大（80% 准确率）或多发（两个、三个或以上为 100%）病灶以及后续扫描（准确度为 76% vs 基线时为 67%）的检测效果更好。慢性脑部疾病会降低准确性，特别是非中风病变和陈旧性中风病变（错误率分别为 32% 和 31%）。

由此可见，DL 方法可以设计用于 CT 上的缺血性病变检测，使用大量常规收集的脑部扫描图像，无需进行病变注释。最终，这应该会导致更强大和更广泛适用的方法。

原始出处：

Alessandro Fontanella, Wenwen Li, Grant Mair, Antreas Antoniou, Eleanor Platt, Paul Armitage, Emanuele Trucco, Joanna M Wardlaw, Amos Storkey - Development of a deep learning method to identify acute ischaemic stroke lesions on brain CT: Stroke and Vascular Neurology 2024;:svn-2024-003372.