自动图像分析与可解释神经网络加速预测缺血性卒中后恶性脑水肿
本研究为回顾性 pilot 研究,纳入国际卒中队列(GENISIS)中598例急性半球性卒中患者,利用自动图像处理流程从基线及24小时CT提取脑脊液容积指标,训练全连接神经网络和LSTM神经网络预测恶性脑水肿(需去骨瓣减压或死亡伴中线移位≥5mm)。20例(3%)发生恶性水肿。LSTM模型在全体队列中达到100%召回率和87%精确度(AUPRC 0.97),显著优于回归模型(精确度32%,AUPRC 0.74)和EDEMA评分(精确度28%,AUPRC 0.66);在NIHSS≥8亚组中同样表现优异。最具预测价值的特征为24小时半球脑脊液比值和NIHSS评分。结论提示深度学习框架可辅助筛选手术患者,但需前瞻性验证。
要点
- LSTM神经网络仅用自动提取的CT脑脊液容积数据和临床变量,在598例卒中患者中识别全部20例恶性脑水肿(召回率100%),精确度87%(AUPRC 0.97)。
- 对比回归模型(召回率95%,精确度32%,AUPRC 0.74)和EDEMA评分(阈值4,敏感度90%,精确度28%,AUPRC 0.66),LSTM显著减少假阳性(p=0.0001)。
- 在NIHSS≥8的亚组中,LSTM模型仍保持精确度87% vs 回归模型33%(AUPRC 0.97 vs 0.74,p=0.001)。
- 最具预测重要性的特征为24小时半球脑脊液比值和24小时NIHSS评分;ΔCSF提供额外预测价值;较低颅内储备和高血糖也增加风险。
- 模型仅需常规CT自动提取数据,不依赖手动测量中线移位或梗死体积,加入这些手动指标未进一步提升LSTM性能。
适用人群与场景
- 纳入:2008-2017年国际前瞻性住院卒中队列(GENISIS)中,发病6小时内就诊、基线CT在12小时内、随访CT在48小时内的急性半球性卒中患者,最终598例纳入分析。
- 排除:发病时间未知、基线CT已显示明确梗死、卒中位于脑干或小脑、出院诊断非卒中、无随访CT或随访超过48小时、图像质量或处理问题者。
- 场景:急诊/住院卒中单元,用于24小时内预测恶性脑水肿风险,辅助决定是否需去骨瓣减压。
诊断标准与关键阈值
- 恶性脑水肿定义:需去骨瓣减压术(DHC)或死亡伴中线移位≥5mm。
- EDEMA评分阈值4:敏感度90%,精确度28%,AUPRC 0.66;改良EDEMA评分阈值5:敏感度100%,精确度22%,AUPRC 0.68。
- LSTM模型输出恶性水肿概率,原文未给出具体决策阈值。
处置流程与药物剂量
- 原文未提及具体药物剂量或处置流程;仅建议对中等风险患者(如NIHSS持续升高)在24小时行CT,将自动提取的定量数据(基线及24小时CT脑脊液容积、临床变量)输入深度学习算法,获取恶性水肿概率以辅助临床决策。
- 手术(DHC)仅在临床恶化伴中线移位时考虑,不提前预防性进行。
红旗征与不能漏的情况
- 24小时NIHSS恶化(恶性水肿组平均变化+3 vs 对照组−3,p=0.0009)。
- 半球脑脊液比值降低和ΔCSF增大提示水肿进展,但个体间重叠显著。
研究设计与关键结果
- 研究类型:回顾性队列研究(pilot),3个国际中心,598例急性半球性卒中患者,20例(3%)发生恶性脑水肿(12例DHC,8例死亡)。
- LSTM模型(仅自动影像特征)vs 回归模型(含半球脑脊液比值):召回率100% vs 95%,精确度87% vs 32%,AUPRC 0.97 vs 0.74(p=0.0001)。
- LSTM vs 全连接神经网络:精确度87% vs 33%,AUPRC 0.97 vs 0.71。
- LSTM vs EDEMA评分(阈值4):精确度87% vs 28%,AUPRC 0.97 vs 0.66。
- NIHSS≥8亚组:LSTM精确度87% vs 回归模型33%,AUPRC 0.97 vs 0.74(p=0.001)。
- 加入中线移位和梗死体积未改善LSTM模型性能。
证据类型、等级与局限
- 证据类型:回顾性队列研究(pilot),证据等级未提供。
- 局限:回顾性设计、样本量小(仅20例结局事件)、单中心数据来源但三中心参与、需外部前瞻性验证;作者承认可能存在过拟合风险。
对床旁实践的改变
- 对于急性半球性卒中患者,可在24小时常规CT后使用自动图像分析提取脑脊液容积指标(如半球脑脊液比值),结合临床变量(NIHSS等)输入LSTM模型预测恶性脑水肿风险,辅助筛选需密切监测或考虑手术的患者。
- 不推荐仅凭单个影像特征(如中线移位或梗死体积)或EDEMA评分决定手术,因其精确度低、假阳性多。
- 该模型尚需前瞻性外部验证,目前不能替代临床判断;不适用于非半球性卒中、脑干/小脑卒中或影像质量不佳者。
指南或共识出处
- 原文未提及具体指南或共识名称;仅提及美国心脏协会推荐非增强CT作为监测水肿的一线诊断试验,但未给出具体指南标题。
全文中译11 节 · 点击展开
引言
脑水肿在急性缺血性卒中后数小时至数天内发生,可能导致中线移位和脑疝形成。尽管脑水肿是导致死亡和病情恶化的主要原因,但仅有一小部分卒中患者会发生这一危及生命的并发症。由于病情恶化通常在卒中后延迟数天出现,因此存在早期发现和干预的重要机会[1]。去骨瓣减压术(DHC)若在病情恶化前及48小时内实施,可显著降低死亡率并提高功能恢复的机会[2]。因此,准确预测哪些大脑半球卒中患者将进展为恶性水肿在急性卒中救治中至关重要[3]。
然而,目前的水肿检测方法主要是被动反应性的,即等待占位效应和病情恶化的征象显现后才进行干预。这一模式源于临床变量预测价值有限;例如,卒中严重程度(以NIHSS衡量)在将发生恶性水肿的患者中通常较高,但尚无特定阈值能充分区分各组或支持有把握地分流至手术[4]。脑影像学提供了在失代偿前可视化水肿早期效应的机会。早期梗死相关低密度征象(如较低的ASPECT评分)增加水肿发生的可能性,但单独使用时无法可靠地指导决策[5]。虽然较大的梗死病灶体积是更严重水肿的危险因素,但梗死体积相当的患者之间在中线移位和恶化风险方面存在显著差异[6, 7]。因此,已有多种量化早期水肿相关损伤的方法被研究[8, 9]。
脑脊液体积相对于颅腔总容积的比例,称为颅内储备,正逐渐成为一种有用的生物标志物,基线影像上储备较低会增加后续水肿相关失代偿的风险[10, 11]。对24小时内复查CT所见进行评估,可能在水肿发展但尚未恶化时实现更精确的预后判断。然而,大多数现有指标要么是定性的(如基底池消失),要么需要手动测量(如梗死体积、中线移位)。我们此前开发了一种列线图,称为EDEMA评分,其整合了手动提取的影像特征以辅助水肿预测[12]。我们开发了影像算法,从常规CT中提取有意义的定量水肿指标,其核心基于脑脊液体积的移位[13, 14]。我们证明,24小时内移位的脑脊液占总脑脊液的比例提供了水肿严重程度的可靠生物标志物[15]。通过将基线和24小时CT的脑脊液 volumetrics 纳入基于回归的模型,我们能够改善对哪些卒中患者将发生恶性水肿的检测[16]。然而,该预测的精确度仍然相对较低,即每识别出一例真正的恶性水肿病例,也会有两例假阳性被错误标记。
我们现在提出一项初步研究,评估两项重大创新对该基于影像的预测算法的影响:第一是将半球脑脊液比值(即两个半球之间脑脊液容积的比值),而不仅仅是总脑脊液移位量,作为我们最近开发的一个靶向特征纳入,该特征似乎对卒中相关水肿更具特异性[17];第二是采用神经网络,能够以复杂、动态和非线性的方式整合系列临床和影像特征,以超越传统回归模型所能实现的预测能力。在本研究中,我们采用这两项创新来开发并内部验证一个基于深度学习的自动化影像与预测框架,以增强对卒中后恶性水肿的预测。
方法
研究参与者与临床数据
对2008年至2017年间纳入一项国际前瞻性住院卒中队列(缺血性卒中后神经不稳定性遗传学,GENISIS)研究的患者进行回顾性资格评估。所有参与者在卒中发病六小时内就诊。我们从三个中心选取了在发病12小时内完成基线CT且在48小时内完成随访CT的患者。在两个中心,标准方案是在溶栓和/或血管内治疗后24小时复查CT。在第三个中心,复查CT由卒中医师酌情决定,并针对任何病情恶化或对神经系统并发症的担忧而进行。如果发病时间未知、基线CT已显示充分发展的梗死(提示卒中发病时间可能早于记录时间;其他急性卒中相关低密度影可接受)、卒中位于脑干或小脑、或最终出院诊断非卒中,则排除这些参与者。
NIHSS评分在基线(最后确认正常时间六小时内)和24小时时获取。血清葡萄糖和血压在就诊时获取。所有参与者均提供知情同意。他们在住院期间被前瞻性随访神经系统恶化或死亡。对于出现临床恶化伴中线移位的病例考虑手术(去骨瓣减压术,DHC),不在恶化前预防性进行。我们的主要终点是发生恶性水肿导致DHC和/或在存在5毫米或以上中线移位的情况下死亡[12]。这项回顾性影像子研究经协调中心机构审查委员会批准。
影像分析
入院时的基线CT和最接近24小时进行的随访CT(但在DHC之前)均使用图像分析工作流程进行处理,以提取定量指标,如先前所述[18]。颅内和脑脊液容积使用自动化算法获取,颅内储备计算为脑脊液占颅内容积的比例(即脑脊液容积除以颅腔容积)。ΔCSF计算为从基线到随访CT脑脊液容积的百分比变化[14]。使用将每张CT与脑图谱配准的方法在所有轴位CT层面上勾画中线[19]。
分割后的脑脊液通过每个配准切片的 midline 被划分为半球体积。半球脑脊液比值计算为卒中受影响半球的脑脊液体积除以其对侧半球的体积;在基线CT上或当卒中病灶不可见时,受影响半球由脑脊液较少的半球确定。该生物标志物最近已被验证为水肿演变和严重程度的敏感测量指标[17]。尽管该流程中的每个步骤此前均已测试,但这是首次在单一自动化工作流程中提取所有体积表型(ΔCSF、脑脊液比值、颅内储备)(图1)。
所有这些影像变量被用作预测特征,连同来自既往研究的与水肿相关的临床变量[20]。一名经验丰富的研究者手动测量了中线移位(在透明隔处)和梗死体积(即病灶相关低密度区,在CT上可见)。然而,我们构建主要预测模型时未纳入这两个手动指标,以便聚焦于可自动提取的影像特征。随后我们将这些模型与纳入这两个重要水肿指标的模型进行比较,以确定全自动化方法是否能提供等效的预测性能。
模型开发与测试
关于特征插补、标准化以及预测模型训练方法的详细信息见补充方法。采用十折嵌套分层交叉验证,在未用于模型训练和内部验证的患者上测试每个模型。我们评估了四个纳入逐渐增多数据的回归模型的性能:(1)仅基线临床和影像变量;(2)加入24小时NIHSS和ΔCSF;(3)所有自动化影像变量,包括半球脑脊液比值;(4)所有变量,包括中线移位和梗死体积。随后我们将这些模型与两个神经网络的预测进行比较,包括一个全连接神经网络和一个采用长短期记忆(LSTM)架构的循环神经网络。LSTM神经网络专为优化纵向相互依赖数据的预测而设计。与仅将信息从一层前馈到下一层的传统网络不同,循环网络使用环路来捕捉顺序时间点数据之间的依赖关系。LSTM采用记忆单元来解决其他循环网络所经历的梯度消失问题[21]。它们已被证明可改善纵向数据的预测,并在重症监护、神经病学和卒中领域预测罕见事件方面获得显著关注[22–27]。构建了两个LSTM模型;我们的主要模型仅纳入自动化影像特征(即颅骨和脑脊液体积加半球脑脊液比值)。将其与第二个同样纳入中线移位和梗死体积的LSTM模型进行比较。关于这些网络训练和优化的进一步细节,包括超参数选择和网络架构,见补充方法。
统计分析
在关注结局相对罕见的不平衡数据集中,评估预测的首选指标是召回率(检测病例的灵敏度)和精确率,精确率表示被预测为恶性水肿的患者中实际发生恶性水肿的比例。模型的整体性能通过受试者工作特征曲线下面积(AUROC)和精确率-召回率曲线下面积(AUPRC)来反映。我们选择AUPRC作为主要性能汇总指标,因为在评估不平衡数据集时AUROC过于乐观[28]。然而,我们在一个图(比较主要模型)和一个补充表(比较所有模型)中提供了所有模型性能指标,包括准确率、特异度和Brier评分。采用自举法计算经验p值,检验回归模型与神经网络模型之间AUPRC无差异的零假设。我们还比较了仅使用自动影像特征的LSTM模型与纳入中线移位和梗死体积的LSTM模型的性能。我们还在NIHSS≥8的患者亚组中进行了敏感性分析,以评估这些不同的机器学习模型如何在卒中更严重的患者中预测恶性水肿。
可解释性
此外,我们采用SHAP(SHapley Additive exPlanation)值和图来为我们深度学习模型提供的预测提供增强的全局(跨所有受试者)和局部(针对每个个体病例)可解释性[29]。为了将我们的模型与经验证的水肿预测列线图进行比较,我们基于重复CT影像的定性评估,为每位受试者计算了序数EDEMA评分[12]。我们还计算了纳入NIHSS的改良EDEMA评分[30]。
结果
研究队列
在三个中心纳入研究的1799例卒中患者中,759例无可用影像,336例要么无随访CT,要么随访CT在卒中后48小时之后完成。排除后,我们有616例急性半球性卒中参与者,具有基线和接近24小时的随访配对CT。所有1238幅图像均使用我们的自动化流程处理,以提取全局和半球脑脊液体积。18例因图像质量或处理问题被排除,剩余598例受试者具有定量数据可供分析(完整患者流程见补充图2)。被排除者卒中较轻(中位NIHSS 5),其中仅2例患者发生恶性水肿。在纳入者中,328例(55%)基线NIHSS为8或以上。基线CT在卒中发病后中位1.5小时完成(IQR 1–3),随访CT在发病后25小时完成(IQR 20–28)。
与恶性脑水肿相关的因素
20名参与者(3%)出现了需要去骨瓣减压术(DHC)(12)或导致死亡并伴有至少5-mm中线移位的恶性脑水肿(8)。至DHC的中位时间为2.7天(IQR 1.7–5),至死亡的中位时间为5天(IQR 4–6)。发生恶性水肿者的NIHSS和血糖水平更高(表1)。他们的NIHSS在24小时内还出现恶化,而对照组总体改善(平均变化 +3 对 −3,p=0.0009)。尽管最终发生恶性水肿者中除3人外,其余在24小时内均有可测量的中线移位,但另外50名既未死亡也未需手术的对照者也有中线移位。同样,24小时时可见的病灶体积中位数在恶性水肿组更大,但有3人无可见低密度灶,而且同样有50名对照者在24小时时梗死体积大于100-ml。24小时时ΔCSF更大,半球CSF比值更低。然而,在这些单个特征中,病例与对照之间仍有显著重叠(图2A)。若干临床和影像特征之间也存在中度相关性,包括CSF比值与ΔCSF(r=0.65)以及24小时NIHSS(r=−0.48,图2B)之间。即使将这些强预测特征的线性组合用于判别,也无法充分区分恶性水肿病例与许多对照者,图2C中病例与对照之间的重叠突出表明了这一点。
模型性能
以下变量被纳入预测模型:年龄、基线和24小时NIHSS、基线颅内储备、ASPECTS、血糖、收缩压、tPA治疗、基线和24小时CSF比值以及从基线至24小时的ΔCSF。仅包含8个基线变量的回归模型能够识别85%的恶性水肿病例(即召回率/敏感度为0.85),但精确度仅为15%,这意味着每正确标记1例,几乎会识别出6例假阳性(AUROC 0.91,AUPRC 0.29;图3)。纳入24小时NIHSS和ΔCSF改善了预测,AUPRC增至0.66,但精确度仍低至24%(模型结果完整汇总见补充表1)。加入半球CSF比值使召回率提高至95%,但精确度仍仅为32%(AUROC 0.98,AUPRC 0.74)。也就是说,该回归模型每识别1例正确的恶性水肿病例,仍会指定2例假阳性。将中线移位和梗死体积加入回归模型未改善敏感度,且精确度持续较低(34%,与仅使用自动数据的回归模型等效性 p=0.00002)。相比之下,EDEMA评分(阈值为4)预测恶性水肿的敏感度相似(90%),精确度较低(28%)(AUPRC为0.66)。改良EDEMA评分能够达到100%敏感度(阈值为5),但精确度仅为22%(AUPRC为0.68)。
当纳入所有自动化特征时,全连接神经网络未能显著改善预测。召回率与回归模型相同,为95%,精确率略优(33%对32%)。相比之下,当使用相同数据训练LSTM模型时,召回率提高至100%(即所有病例均被正确识别),精确率提高至87%, resulting in an AUPRC of 0.97(图4,优势性p=0.0001,与使用相同数据的回归模型和全连接神经网络模型相比)。纳入中线移位和梗死体积并未改善LSTM预测模型的精确率或性能。在NIHSS ≥ 8的卒中患者亚组中,这些模型的性能非常相似(该亚组的完整结果及额外指标见补充表1)。在该高危亚组中,纳入所有自动化特征的LSTM模型仍优于回归模型的预测(精确率87%对33%,AUPRC 0.97对0.74,p=0.001)。
LSTM模型中对预测恶性水肿贡献最大的特征显示于SHAP汇总图(图5A)。这表明,24小时时的半球脑脊液比值和NIHSS对改变恶性水肿的预测概率贡献最大。尽管ΔCSF与脑脊液比值相关,但其提供了额外的预测价值。较低的颅内储备和较高的血糖值也增加了风险,而其他变量,如年龄和ASPECT评分,对预测贡献不大。这些特征对个体患者的影响可被提取出来,从而为恶性水肿提供个性化和可解释的预测,如四个患者示例所示(图5B)。
讨论:
脑水肿的演变取决于卒中严重程度和病灶大小之外的许多因素。这些因素可能包括与侧支循环缺乏相关的缺血深度以及高血糖等生物学因素[31, 32]。遗传因素(大多数尚未确定)也可能影响水肿形成[33]。预测哪些卒中患者将发生严重到足以促使病情恶化和需要去骨瓣减压术的恶性水肿是一项关键挑战[3]。美国心脏协会推荐平扫CT作为监测水肿的一线诊断检查,但承认目前尚不存在准确的分诊手术手段[34]。CT上大面积卒中相关低密度影或大扩散加权成像病灶体积的影像学征象具有合理的准确性,但取决于阈值,灵敏度和/或特异度较低[4, 6]。此外,聚焦于可见病灶大小的生物标志物需要手动测量,且不能单独量化主要导致病情恶化的水肿成分。
evolving水肿最早的影像学相关表现之一是梗死半球内充满脑脊液的脑沟变浅。我们已经证明,脑脊液移位提供了一个相关的定量水肿生物标志物,可自动从常规CT扫描中提取[15]。我们还证明,纳入定量CT衍生的生物标志物可改善恶性水肿的预测[16]。然而,使用ΔCSF的回归模型仅提供90%的敏感性,而精确性仍然更低,这意味着若干卒中患者会被错误分类,并可能被错误地送去手术。
当前的原理验证研究证明了对此前工作的两项重大进展的潜力:首先,我们在单一工作流程中自动提取了用于预测的所有定量影像特征(如图1所示)。我们的主要模型是在没有必须手动测量的传统影像标志物的情况下构建的:也就是说,它们不需要中线移位或梗死体积,而是聚焦于基于CT的脑脊液容量分析[35]。基于深度学习的分割使我们能够从一项前瞻性研究中纳入的三个国际卒中中心的近六百名卒中患者的配对常规CT扫描中提取这些影像参数。这种高通量数据获取随后促成了第二项创新,即采用循环神经网络来辅助预测一个相对罕见但关键的事件。在我们的队列中,仅二十名患者需要去骨瓣减压术(DHC)或死于恶性水肿,该队列包括不同严重程度的半球性卒中。没有任何单个变量,甚至来自24小时影像的变量的线性组合,能够从具有相似数据的对照中完全区分出所有具有恶性结局的患者(如图2中的重叠所示)。
将临床特征和所有自动化影像特征结合到一个回归模型中,其性能超过了仅使用基线特征所能提供的性能。尽管该模型能够以0.98的AUROC识别95%的病例,但它仍然表现出较低的精确率。这说明准确率甚至AUROC如何可能因大量阴性对照而被人为夸大,以及为什么精确率和召回率对于此类不平衡数据集是更合适的指标[28]。当将相同数据纳入全连接神经网络时,精确率和AUPRC并未改善,但使用LSTM模型时则显著更高(图4);值得注意的是,AUROC已达到上限,尽管LSTM的性能好得多,但其仅有边际改善(图3)。事实上,这种循环神经网络能够以少得多的假阳性检出所有恶性水肿病例,即使仅使用基于脑脊液的自动化数据也是如此;加入传统的人工获取影像标志物(如中线移位)并未进一步改善预测。在病情更严重卒中的子集中测试时,它也保持了高精确率。该LSTM模型能够以更复杂的方式分析纵向数据,在做出预测时同时纳入非线性交互作用和数据的时间维度。此类深度学习方法已被证明在时间序列数据方面具有更优性能,并且比其他机器学习模型更好地预测卒中后肺炎[27]。它也是在重症监护环境中开发复杂预测模型最有前景的方法,因为该环境中危重患者的数据通常以纵向方式收集[29, 36]。
这是首项证明水肿预测具有如此高精确率的研究,其接近在24小时内、在病情恶化或出现明显中线移位之前对这些患者作出有把握治疗决策所需的确定性水平。相比之下,经过验证的水肿列线图的表现与我们的最佳回归模型相似(即高敏感性但低预测能力)[12, 30]。应用此类列线图最多只能将高风险患者分诊至更密切监测,但无法支持有把握的手术决策。我们建议,不应依赖密切的神经学监测并等待即将发生脑疝的征象才考虑手术,而应对任何中等风险患者进行24小时CT检查:例如那些NIHSS仍升高的患者。从该CT提取的定量数据(连同基线CT数据和临床变量)可输入深度学习算法,并向临床医生提供恶性水肿的概率(如图1所示的一个真实病例)。该框架可用于临床医生决策支持,以改善卒中患者的分诊,避免在中线移位和脑疝已经发生后才进行手术时带来的继发性损伤风险。
我们的方法仍存在若干局限性。我们应用机器学习来开发和测试一个复杂的预测模型。有人担心这种多层模型可能对训练数据过拟合,并存在泛化性有限的问题。鉴于我们队列中具有目标结局的患者数量相对较少(即数据集不平衡),这一点尤为突出。我们承认,应用我们的方法确实需要在外部队列中进行验证,理想情况下应对所有高危患者进行前瞻性成像,而不是我们分析中所选取的亚组。然而,我们并不认为模型的出色表现是由于过拟合,因为我们采用了多种公认的方法来将这一风险降至最低,如正则化、丢弃法和早停法。我们呈现的结果是通过分层交叉验证获得的,该方法确保每一折中具有代表性的病例数量,并且仅在未用于训练或调参的新的、未见过的数据上对每个模型进行测试。恶性水肿的发生率相对较低,这与真实世界卒中人群中的情况一致[37],从而将数据集偏移的风险降至最低——数据集偏移是一种危及机器学习模型应用于真实世界临床实践的现象[38]。此外,我们的数据集由来自不同国家三家卒中中心的卒中患者组成,各中心实践方式不同,这表明该模型并非仅反映单一机构在水肿管理或手术患者选择方面的实践。尽管如此,该队列仅限于已入组并接受了影像检查的患者,这可能限制其泛化性。我们未进行外部验证。在广泛采用之前,需要在大型前瞻性队列中进行进一步的外部训练和测试。
对源自神经网络的模型的第二个批评是,它们通常是“黑箱”,在哪些特征驱动所提供预测方面缺乏透明度。这可能限制对其预测的信任,并阻碍看似不透明算法的采用。我们采用了一种相对较新的方法来提供更强的可解释性。SHAP值应用源自博弈论的洞见,提供了一种衡量每个特征在所有其他因素的共同作用下对预测改变程度的指标[39]。虽然与传统回归模型中的个体权重不同,但它们在复杂的非线性交互背景下提供了特征相对重要性的感知。它们既提供了全局可解释性,即每个预测因子如何在整个数据集中对结局预测做出集体贡献,也提供了局部可解释性,即在每位患者中,透明地读出每个变量是如何被用于做出个体预测的。通过这种方式,我们能够证明,24小时NIHSS与半球脑脊液体积比(即卒中侧半球残留的脑脊液量除以及对侧的体积,尤其是当低于0.60时)的组合对恶性水肿的预测贡献最大。
改进这一有前景的方法仍有几种途径。尽管我们使用了来自三个中心近六百名卒中患者的大型数据集,但结局数量仍然相对较少。最大化神经网络强度需要更大的数据集,理想情况下还需要更多纵向测量(例如血流动力学和神经功能状态)。整合多模态影像,包括灌注参数,可能进一步增强对水肿的预测。MRI评估病灶体积虽然不如CT易获取,但可在更早时间点改善水肿预测。使用更复杂的网络架构,我们甚至可以将整个原始影像数据输入多模态模型,而非先提取定量特征;这很可能需要大得多的数据集,也是正在进行的研究的主题[40]。目前,我们的影像算法仍针对研究目的而非床旁应用进行优化。需要进一步改进以创建一个端到端平台,能够无缝分析影像数据并快速、自信地预测患者是否会发生水肿。
总结/结论
我们证明,长短期记忆(LSTM)神经网络可以整合从基线和24小时CT影像中自动提取的体积数据,并提供高度精确的预测,判断哪些患者需要手术或死于恶性水肿。该深度学习框架在预测恶性水肿病例方面显著优于全连接神经网络、传统回归模型和经过验证的EDEMA列线图。我们的方法也具有透明性,可提供神经网络输出以解释每个个体预测是如何做出的。卒中严重程度和24小时常规CT上大脑半球脑脊液体积的不对称性对恶性水肿预测贡献最大。随着在前瞻性队列中的进一步验证,这种自动化方法可帮助在病情恶化之前准确选择哪些患者需要手术。
补充材料
参考来源
- Foroushani HM, Hamzehloo A, Kumar A, et al. Accelerating Prediction of Malignant Cerebral Edema After Ischemic Stroke with Automated Image Analysis and Explainable Neural Networks. Neurocrit Care. 2021. PMID: 34417703. doi:10.1007/s12028-021-01325-x
- 全文:PMC8858326(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC8858326/
供执业医师抢救与诊疗参考,不替代临床判断;剂量请结合体重、肝肾功能和本院药品规格复核,以指南原文为准。