文献速递神经技术与安全CT

商业人工智能工具用于脑出血检测与体积量化的系统综述

Systematic review of commercial artificial intelligence tools for the detection and volume quantification in intracerebral hemorrhage.
PubMed 文献 · Eur Radiol · 2025-07-24

该系统综述依据PRISMA 2020检索PubMed和Cochrane图书馆,纳入32项研究(2018—2023年)覆盖13款商业人工智能软件;19款软件均获脑出血检测认证,68.42%(13/19)具备血肿体积量化功能,但无一款披露内部验证研究。

要点

  • 商业人工智能软件检测脑出血敏感度68.2%—99.7%、特异度83%—97.7%、准确率85.3%—99.16%,主要定位于检测与分诊。
  • 体积量化仅7款工具有研究评估,相关系数较高但指标不统一;小于4 mL的病灶可见假阴性。
  • 19款软件中13款有公开研究,8款无公开临床研究;无一款披露内部验证数据。

核心结论

  • 商业脑出血人工智能工具主要集中于检测与分诊,体积量化工具仍有限且性能与监管审批不一。
  • 作者认为需要标准化方案和更高的验证透明度,才能实现有意义的比较。

研究设计与样本

  • 采用两步法:第一步按PRISMA 2020系统检索PubMed和Cochrane图书馆(1996年至2025年3月),第二步交叉核对FDA与EUDAMED数据库、AIforRadiology.com及公司披露资料。
  • 共纳入32项研究(2018—2023年),覆盖13款软件;前瞻性设计占21.9%,队列扫描量102至58,321例。
  • 交叉核对共识别19款商业软件,通过邮件联系公司核实发表记录、监管审批、验证研究与临床使用情况。

关键影像表现/征象

  • 检测性能:敏感度68.2%—99.7%、特异度83%—97.7%、准确率85.3%—99.16%。
  • 体积量化在7款工具中评估,主要指标为Pearson相关系数(常>0.9)与一致性相关系数(常>0.8)。
  • 小于4 mL的病灶可见假阴性,提示小血肿检测存在困难。

诊断标准与关键数值

  • 纳入标准为经CE或FDA批准、基于深度学习、可在CT上检测颅内出血和/或提供体积分割输出的商业软件。
  • 检测性能以敏感度68.2%—99.7%、特异度83%—97.7%、准确率85.3%—99.16%报告,对象为脑出血检测。
  • 体积量化以Pearson相关系数常>0.9、一致性相关系数常>0.8报告,另有Dice相似系数0.82。
  • 质量评价采用QUADAS-2工具,多数研究偏倚或适用性担忧较小。

临床应用与阅片要点

  • 原文指出商业脑出血人工智能工具主要验证于检测,体积量化仍较不成熟,阅片时对体积量化结果需结合原始图像判读。
  • 原文提到前瞻性研究显示性能较回顾性设计下降,且部分工具对小于4 mL病灶出现假阴性。
  • 原文报告高假阳性率可导致工作流程低效,且有5.5%的出血病例处理失败率。

局限性

  • 体积量化研究样本较小,参考标准异质,包括手动分割、ABC/2公式估算和共识小组。
  • 部分早期研究未报告阅片者经验水平,或采用单阅片者设计而未说明质量或一致性评估方法。
  • Roshan等以盲法神经放射科医师判读定义参考标准,但未评估可重复性。
  • Odland等由受训学生半自动分割并由神经外科医师裁定,未验证一致性。
  • 所有纳入研究均未报告分割的正式质量评估。
全文中译24 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者,按 CC BY 许可使用,本译文为翻译改编。出处:Eur Radiol. 2025 Jul 24;36(1):367–95. doi: 10.1007/s00330-025-11834-4

引言

深度学习(DL)的进展显著增强了非增强计算机断层扫描(NCCT)检测和估算脑出血(ICH)体积的能力,较这些方法有了实质性提升[1–5]。借助这些技术进步,一系列获得美国食品药品监督管理局(FDA)和欧洲合格认证(CE)的软件解决方案已被推出,提供快速可靠的检测能力,并日益提供体积定量分析,以简化患者分诊并改善放射学工作流程。然而,在对其分析性能和监管概况进行比较和系统评估方面仍存在显著空白。为填补这一知识空白,我们开展了一项系统综述,以汇总和评估利用DL技术的市售NCCT脑出血检测和体积定量工具的数据。因此,我们的系统综述采用双重方法:(1)对商业人工智能脑出血解决方案的文献进行系统分析,重点关注研究设计、方法学、临床验证、检测效能性能指标和体积分割;(2)综合市售工具的监管方面和技术概况,为临床医生提供全面的数据以支持知情决策。

方法

为提高清晰度并促进对综述过程中所用术语的更好理解,“脑出血”(ICH)一词与“脑实质出血”同义使用,而其他类型的颅内出血(ICRH)则统一归纳在更广泛的术语“颅内出血”(ICRH)下,未进一步细分。这一决定是回顾性做出的,因为大多数公司将“ICH”一词互换用于脑实质出血和其他出血类型。我们特别旨在尽可能详细和细致地阐明这一区别。

纳入标准

定义了以下纳入标准[1]:为识别所检索文献中报告的市售软件工具,纳入获得CE或FDA批准的工具[2]。其次,软件工具必须利用基于DL的技术[3]。软件必须在CT扫描上检测ICH和/或提供体积分割输出。排除标准定义如下[1]:缺乏当前FDA或CE批准的软件工具(例如,过时版本)[2]。未在PubMed或Cochrane Library中索引的文献也被排除。

检索策略

数据获取过程旨在确保最大程度的数据完整性,因此包括两步流程。图1总结了第一步。因此,于2023年6月15日在PubMed和Cochrane Library进行了两步系统文献综述,并于2023年12月8日和2025年3月22日进行了更新。检索遵循2020年PRISMA指南[6]。使用了以下十种检索组合:“ICH Deep Learning algorithm”、“ICH Detection Software”、“ICH volumetric segmentation tool”、“ICH volumetric segmentation”、“ICH artificial intelligence”、“Intracerebral hemorrhage artificial intelligence”、“Intracerebral hemorrhage Deep learning algorithm”、“Intracerebral hemorrhage Detection Software”、“Intracerebral hemorrhage volumetric segmentation tool”、“Intracerebral hemorrhage volumetric segmentation”。

图1 文献检索的PRISMA 2020流程图。PRISMA 2020流程图展示研究筛选过程。研究依据PRISMA指南采用两步法进行识别。首先,使用PubMed和Cochrane Library进行数据库检索(左侧)。其次,通过交叉参照过程,查阅FDA和EUDAMED数据库、AIforRadiology.com以及通过直接联系获取的公司披露信息,识别出额外出版物。所识别出的软件进一步在PubMed和Cochrane Library中进行评估,以定位相关研究。最终研究集与数据库检索中识别出的研究进行交叉核对,以排除重复项。本综述共纳入22项研究。*19家制造商中有6家提供了出版物列表,并通过使用制造商名称和出版物列表在PubMed/Cochrane Library检索中识别出出版物。FDA,美国食品药品监督管理局;CE,欧洲合格认证;UK-CE,英国欧洲合格认证 查看原图 ↗

交叉参照、监管与技术概况的综合

为确保对市售软件工具进行全面评估,我们实施了第二步,包括多步骤的交叉参照与综合过程,如图2所示。

图2 PRISMA 2020流程图,详述针对FDA批准的基于AI的ICH软件解决方案的第二步文献检索。PRISMA 2020流程图展示第二步的筛选过程。该步骤详述了通过FDA数据库检索识别软件解决方案的过程。共识别出90,834条记录,通过产品代码筛选(N = 44)缩小范围。随后根据公司名称和预期用途对这些记录进行筛选,得到33个合格产品。进一步排除11条基于预期用途的记录和22条不符合纳入标准或为同一产品较旧版本的记录后,最终有11个产品纳入文献检索。产品代码指根据功能和适应证对已批准器械的分类,N代表软件解决方案的数量。FDA,美国食品药品监督管理局;N,软件解决方案数量;CE,欧洲合格认证;ICH,脑出血;IVH,脑室内出血;AI,人工智能 查看原图 ↗

FDA数据库交叉核对分析

于2023年9月6日对FDA数据库(涵盖1996–2023年)进行系统查询,并于2025年3月22日更新,以识别符合我们入选标准的放射学AI工具。产品代码QAS被用作筛选条件,因为它特指“放射学计算机辅助分诊与通知软件”,该类别包括以下工具[7, 8]:(1)对病例进行优先级排序:识别时间敏感性发现以加快审阅;(2)发出分诊通知:提醒临床医生注意需要立即关注的关键影像学结果(补充图1和图2)。

欧洲医疗器械数据库(EUDAMED)交叉核对分析

在相应时间段内,在EUDAMED中进行了类似的检索[9]。然而,未检索到全面的结果。经正式询问,欧盟委员会代表和一位欧洲议会议员确认,EUDAMED数据库目前缺乏关于人工智能放射学工具的详细公开信息。这一情况得到了2023年10月19日卫生与食品安全总司官方公报的证实(补充图3和4)。

AIforRadiology.com交叉核对分析

于2023年11月13日查询了AIforRadiology.com数据库,并于2025年3月22日更新,以进一步验证和扩展从FDA和EUDAMED数据库中识别出的软件工具[10]。

公司联络交叉核对、监管与技术概况综合分析

于2023年11月13日通过电子邮件联系了所有已识别公司,请求提供以下详细信息[11–23]:(1) 发表记录,(2) 检测和体积定量模块的监管批准状态,(3) 其软件的当前临床使用情况,以及(4) 任何内部验证研究的披露。后续邮件于2023年11月28日发送,回复截止日期为2023年12月5日(补充图5)。于2025年3月23日进行了第二次查询,并在7天后进行了额外跟进。为确保未遗漏任何研究,将已识别公司的名称及其软件解决方案输入PubMed和Cochrane Library,以识别任何其他相关发表文献。

认证状态验证

为确保排除标准的准确应用,我们进一步验证了每个已识别软件程序的监管批准状态。尽管一些先前发表文献提到了FDA/CE认证,但认证状态通过以下方式重新验证:(1) FDA 510(k)数据库[24]和EUDAMED数据库(如可用)[25, 26]。

研究选择、数据提取和质量评估

研究选择

所有检索到的发表文献最初由J.S.W.和M.L.N.独立根据摘要进行筛选,独立应用预定义的纳入和排除标准。符合标准的研究进行了全文审查,由J.S.W.和J.N.独立完成,以确认合格性。在两个阶段中,任何分歧均通过共同重新评估后协商一致解决。

数据提取和质量评估

从相关发表文献中提取研究详细信息,包括公司和软件名称、研究标题、作者、年份、设计(样本量、证据等级、数据集特征)、性能指标和参考标准。结果总结于表1。使用诊断准确性研究质量评估工具(QUADAS-2)进行质量评估,以评估诊断质量和偏倚风险,由两位作者(J.S.W.和J.N.)独立审查,并呈现于图3和补充材料[19]。

表1 监管与技术概况综合分析 查看原表 ↗
图3 对22项纳入研究的偏倚风险和适用性担忧的QUADAS-2评估。使用QUADAS-2框架对22项纳入研究进行质量评估。评估聚焦于四个领域:患者选择、索引试验、参考标准和流程与时机。每个领域用彩色圆圈表示偏倚风险和适用性担忧:绿色表示低偏倚风险或低担忧,黄色表示存在一些担忧,红色表示高偏倚风险或显著的适用性担忧。 查看原图 ↗

监管状态和临床使用状态的综合分析

表1呈现了监管状态和临床使用的综合分析,涵盖软件解决方案、公司名称、总部、FDA/CE批准状态、批准日期、临床实施状态以及模块特定细节,包括容积模块批准情况。来自公司网站的性能指标(截至2025年4月19日)总结于图4。

图4 制造商报告的用于脑出血(ICRH)检测和容积定量的AI软件解决方案性能指标概览。该表综合了制造商网站上关于用于ICRH检测和容积定量的AI软件解决方案的信息。指标包括检测的准确度、特异度和敏感度,以及在可获得时容积定量的性能指标。N/A表示相应网站未披露该信息。对于某些软件解决方案,容积定量性能指标的详细信息仅限于统计量度,如组内相关系数(ICC)。检测指标针对ICRH工具提供,包括脑出血(ICH)和脑室内出血(IVH)等亚类(如适用)。“No Website Available”表示相应制造商缺乏可获取的信息。 查看原图 ↗

统计学

未应用进一步的统计方法。使用Lucidchart应用程序对我们的图中数据进行可视化[27]。

结果

对PubMed和Cochrane数据库的系统综述识别出32篇符合条件的出版物。通过公司提供的列表或在FDA和EUDAMED数据库中搜索软件解决方案,初步额外发现了13篇出版物。经交叉核对后,这些因重复而被排除。

共纳入32项研究,涵盖13种不同的软件解决方案(表2)。在初始审查轮中,纳入了22项研究,代表9种不同的软件解决方案。Aidoc报告最为频繁(9项研究,41%),其次是e-ASPECTS(3项研究,14%)和Rapid ICH(3项研究,14%)。Rapid Hyperdensity出现在1项研究中(4.5%),但与Rapid ICH合并后代表4项研究(18.2%)。AutoStroke/CINA ICH、InferRead CT Stroke、BioMind和Deep CT各在1项研究中报告(4.5%)。虽然所有工具均涉及检测,但仅五种包含容积定量。第二轮审查从七种软件解决方案中识别出10项额外研究(表2)。Aidoc再次占据最大份额(3项研究,30%)。第一轮未识别的新报告软件解决方案包括Viz.AI ICH、JLK-ICH、Medical Insight和HealthICH。其中,Viz.AI是唯一支持容积定量的解决方案。

研究特征差异很大。样本量从102到24,996份NCCT总头颅扫描不等,其中7项为前瞻性研究(22%),25项为回顾性研究(78%)。证据等级以III级为主,7项被评为II级(22%)。出血类型(仅ICH,伴或不伴IVH)和数据集(单中心或多中心)各不相同。检测性能指标显示,ICH的灵敏度为68–100%,特异度为83–98%,准确度为85–99%。ICRH的检测性能以及其他关键指标和研究特定评论在表1中单独详述。

7种[28–37]工具报告了体积定量,总体显示良好至高度相关性,但指标不一致。主要而言,皮尔逊相关系数(PCC)和一致性相关系数(CCC)成为评估自动分割与参考分割之间一致性的主要指标[30, 33, 35–37]。例如,PCC值常超过0.9,而CCC值常报告高于0.8,凸显了强一致性。其他指标,如Dice相似系数(DSC)[33],偶尔用于衡量AI预测体积估计与真实值之间的空间重叠,以及绝对和相对体积差异[28, 29, 36]。大多数研究并未将报告局限于单一指标,而是包含一至三种这些性能指标的组合。

参考标准在各研究间存在差异,并显著影响结果。由一名或多名神经放射科医生进行手动分割是最常用的参考标准。例如,e-ASPECTS研究采用单一或多位放射科医生的标注,而Rapid ICH研究依赖通过专家共识验证的自动分割。一些研究,如gER和BioMind,纳入了额外方法,包括ABC/2分割[38, 39]或半自动方法并结合专家验证。较新的研究显示出向更清晰、更稳健的参考标准定义转变的趋势,尤其是在以检测为重点的评估中。相比之下,相对较早的研究[40, 41]未报告人类评估者的经验水平,而其他研究则依赖单一审阅者,未详细说明如何评估质量或一致性[42]。较新的研究,包括Kang等[43]和Savage等[44],实施了结构化、多层次的裁定流程,涉及经验丰富的神经放射科医生和共识方案。然而,这一趋势并非在所有近期出版物中一致。特别是,体积学研究继续显示参考标准质量的变异性。在Roshan等[28]中,真实值通过盲法神经放射科医生阅片定义,但未评估可重复性。在Odland等[29]中,分割由一名受过训练的学生半自主完成,并由一名神经外科医生裁定,同样未验证一致性。这些发现凸显了参考标准质量持续存在的变异性,尤其是在体积评估方面,进一步强调了标准化和透明报告方案的必要性。

补充材料详述了研究特征和质量评估,大多数研究显示对偏倚或适用性的关注极少。

交叉核对分析共识别出19种用于脑出血(ICH)检测和/或体积量化的市售软件解决方案,其FDA和/或CE认证组合各不相同(表1)。在评估的19种工具中,所有工具均获得ICH检测认证,68.4%(13/19)包含血肿体积量化功能;然而,很大一部分工具未在其网站上披露性能指标(图4)。其中,47.4%(9/19)仅获得FDA认证,两种仅获得CE认证(10.5%),两种正在等待批准(10.5%),一种工具包含血肿扩大(HE)预测功能(5.3%),一种未披露其监管状态(5.3%)。制造商报告的指标显示存在大量未披露情况(图4),且没有工具提供内部验证数据。八种软件解决方案缺乏公开可获取的临床研究:推想医疗科技股份有限公司、Nico.lab B.V.、科亚医疗、MaxQ AI Ltd.、NeuroCare.AI Inc.、上海联影、Heuron Co., Ltd.和SK Inc.。

表2 基于人工智能的ICH检测和体积量化软件的临床验证研究数据提取与汇总 查看原表 ↗

讨论

主要发现

本系统综述概述了市售的用于ICH检测和体积分析的基于人工智能的软件解决方案。我们识别出32项PubMed或Cochrane索引的研究,涵盖13种软件解决方案[28–37, 40–61],其中七种包含体积量化功能[32, 36–39, 42, 45, 46, 51]。结果揭示了不同水平的证据质量和稳健性,一些工具显示出高准确率,另一些则突出了需要改进的方面,特别是在检测较小出血方面[34, 50]。所有纳入的工具均具有FDA和/或CE批准状态。

交叉参照共识别出19种解决方案,其中六种[19, 20, 62–65]缺乏通过公开可获取研究的验证,引发了对透明度和可信度的担忧。在19种工具中,68.4%(13/19)获得血肿量化认证[11, 13, 15–19, 21, 23, 38],其中两种[15, 55]仅获得CE批准,两种正在等待批准[12, 21, 31],一种包含HE预测功能[15, 55]。

检测性能

检测能力表现出值得称道至优秀的性能,灵敏度为68–100% [34, 54],特异度为83–100% [42, 48],准确度为85–99% [50, 51]。然而,前瞻性研究显示,与回顾性设计相比性能有所下降,如RAPID ICH和e-ASPECTS等工具所示。与临床医生协作使用提高了诊断效能,凸显了人工智能的互补作用 [35, 48]。2024年及以后更近期的研究揭示了向报告更细致检测特征的明显转变,包括多病灶分类(如Kang等和Roshan等)[28, 43]。在某些情况下,评估了工具区分继发性病因的能力,如ICH后血管畸形(Kim等),反映了更广泛的临床范围。重要的是,围绕人工智能工具的热情现在正被阴性或更为温和的研究结果的报告所平衡:Del Gaizo等强调了由于高假阳性率和出血病例处理中5.5%的失败率导致的工作流程低效 [61]。同样,Savage等 [44]——2024年以后唯一的前瞻性研究——发现检测性能或周转时间没有改善。Bark等 [59]进一步表明,即使检测及时,也未转化为更快的治疗升级。这些发现强调,尽管诊断性能指标可能看起来有前景,但真实世界的临床影响仍不确定且高度依赖于具体情境。最后,越来越多的研究正在探索可解释性和偏倚,如Pettet等 [60]和Trang等 [56]所展示的,他们研究了患者特征与人工智能错误分类之间的关联,聚焦于伦理和可解释人工智能的主题。

体积定量

体积定量研究规模较小,且依赖于异质性参考标准,包括手动分割、ABC/2公式估计和共识专家组 [30, 32, 37, 39, 42, 45, 46, 51]。指标各异,以Pearson相关系数(> 0.9)和CCC(> 0.8)最为常见 [30, 33, 35, 37]。一些研究,如RAPID、Brainomix和Viz.AI还报告了补充指标,如绝对或相对体积误差 [39]和Dice相似系数(DSC = 0.82)[33]。值得注意的是,人工智能工具在较小出血中表现不佳,对低于4 mL的病灶观察到假阴性 [36, 40]。

附加功能能力

虽然IVH检测和急性HE预测具有临床意义,但只有Biomind纳入了急性HE预测,尽管样本为小型回顾性队列 [55]。没有解决方案提供独立的IVH定量,凸显了未满足的需求 [66]。然而,科学界的研究已证明此类方法的可行性,突出了未来发展的潜力 [67]。值得注意的是,Odland等和Roshan等 [28, 29]使用Viz.AI软件,是最早报告将ICH和IVH作为不同病灶实体分别进行体积定量的研究之一。

参考标准

结果突显了在商业性人工智能脑出血(ICH)研究中,参考标准的定义和实施方式存在相当大的差异,这对性能可比性具有重要影响。尽管一些近期研究采用了更为结构化的多阅片者裁定流程,特别是在检测任务中,但许多研究仍然依赖基本或描述不充分的地面真值定义。早期研究往往缺乏对阅片者专业知识的披露,或使用无质量控制的单阅片者设计,如Kundisch等、Zia等和Voter等的研究所示[40–42]。即使在评估体积定量的较新研究中,方法学局限性依然存在。Roshan等[28]采用了改良ABC/2法——一种已知会高估体积的估算工具[68]。同样,Odland等2024[29]使用了半自动化方法,但未报告阅片者间或阅片者内一致性指标。值得注意的是,所综述的研究均未报告分割的正式质量评估。这种标准化和透明度的缺乏引发了对体积相关发现稳健性的担忧,并进一步强调了方法学严谨框架的必要性,如Nawabi等[69]等更先进设计所体现的那样。

监管与整合挑战

监管监督显示出不一致性,一些CE认证工具到2024年已接近医疗器械指令(MDD)到期,详见表1。根据我们的分析,这些公司均未披露有关向医疗器械法规(MDR)过渡的信息,提示这些工具在现有MDD批准之外可能不再有资格继续投放欧盟市场。市场似乎正在转移焦点,越来越多地瞄准美国——该地区的监管要求相对不那么严格,且临床部署的人工智能工具还有报销路径的额外激励[70]。一些工具营销未获认证的体积功能,可能误导不熟悉监管细节的用户。临床研究中的报告情况参差不齐,往往引用公司而非具体软件,降低了透明度和信任度[31]。制造商网站也显示产品细节和性能指标存在不一致,关于检测和体积定量的关键信息经常缺失或不完整(图4),凸显了标准化、透明报告以支持知情临床采用的必要性。

局限性

本综述的局限性包括可能遗漏未收录于PubMed的研究,以及由于EUDAMED注册非强制性而难以核实CE认证。公司报告的基于其内部研究的专有指标因缺乏独立验证而被排除。本综述的局限性还受到当时缺乏CE认证标准化检索方案以及EUDAMED注册非强制性性质的影响。

结论

目前市售用于脑出血(ICH)检测和体积量化的AI工具前景可观,有望提升分诊效率、诊断准确性和患者结局。检测类工具已较为成熟,而体积量化仍属发展中领域,其性能指标存在差异,且缺乏标准化的验证方案。这些问题妨碍了工具之间的直接比较,也使临床医生在决定是否将其整合到实践中时面临困难。值得注意的是,部分解决方案缺乏公开披露的外部临床研究,进一步限制了透明度和独立评估。自2024年以来的近期研究开始提供更为细致的视角,将评估范围扩展至多病变检测(如ICH、蛛网膜下腔出血(SAH)和硬膜下血肿(SDH))、可解释性与伦理方面的AI关切以及诊断局限性。若干前瞻性研究和真实世界研究报告称对工作流程效率影响有限或无影响,凸显出有必要超越单纯的性能指标。尽管有这些进展,高质量前瞻性研究的数量仍然较少。通过标准化验证方案、改进披露实践以及更稳健的前瞻性评估来弥补这些差距,对于确保可比性、增强对这些工具的信任并促进其广泛临床采用以充分发挥其对患者诊疗的全部益处至关重要。

补充信息

电子补充材料

引用

  1. Weissflog JS, Keller EJ, Neymeyer ML, et al. Systematic review of commercial artificial intelligence tools for the detection and volume quantification in intracerebral hemorrhage. Eur Radiol. 2025. PMID: 40707730. doi:10.1007/s00330-025-11834-4
  2. 全文:PMC12711959(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12711959/

供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。