基于颈动脉超声多模态AI模型预测2型糖尿病患者急性缺血性卒中风险
Multimodal Carotid Ultrasound-based Artificial Intelligence Model for Predicting Acute Ischemic Stroke Risk in Patients with Type 2 Diabetes Mellitus.
PubMed 文献 · Acad Radiol · 2026-10-09
该多中心回顾性研究纳入480例2型糖尿病患者，开发了基于Swin Transformer的双尺度深度学习框架，整合颈动脉超声深度学习特征、影像组学特征及临床特征构建多模态模型。模型在内部队列AUC达0.952（95%CI: 0.910-0.984），外部队列AUC为0.939（95%CI: 0.838-0.996），AI辅助使高年资医师AUC从0.760-0.868提升至0.857-0.929，低年资医师从0.450-0.548提升至0.659-0.700。
要点
- 多模态AI模型整合颈动脉超声影像组学、深度学习及临床特征可有效预测2型糖尿病患者急性缺血性卒中风险
- AI辅助诊断可显著提升各级别医师对2型糖尿病患者卒中风险的评估能力
- 双尺度深度学习框架同时捕获局部斑块特征和周围血管背景信息
核心结论
- 整合颈动脉超声临床特征、影像组学特征和深度学习特征的多模态框架可改善2型糖尿病患者急性缺血性卒中风险分层
- 多模态模型性能优于单一模态模型
- AI辅助诊断显著提高高年资和低年资医师的诊断准确性，P值分别为0.00235和0.000343
研究设计与样本
- 多中心回顾性研究，共纳入480例接受颈动脉超声检查的2型糖尿病患者
- 一个中心394例用于模型开发，另一中心86例用于独立外部验证
- 基于Swin Transformer开发双尺度深度学习框架，整合深度学习特征、影像组学特征及临床特征
关键影像表现/征象
- 双尺度深度学习框架可同时捕获颈动脉局部斑块特征和周围血管背景信息
诊断标准与关键数值
- 多模态模型预测急性缺血性卒中的AUC在内部队列为0.952（95%CI: 0.910-0.984），外部队列为0.939（95%CI: 0.838-0.996）
- AI辅助使高年资医师AUC从0.760和0.868分别提升至0.857和0.929
- AI辅助使低年资医师AUC从0.450和0.548分别提升至0.700和0.659
临床应用与阅片要点
- AI辅助可显著改善各级别医师对2型糖尿病患者急性缺血性卒中风险的评估
- 颈动脉超声评估时应综合局部斑块特征与周围血管背景信息
- 多模态整合临床信息、影像组学及深度学习特征优于单一影像特征评估
局限性
- 回顾性研究设计
以上解读依据论文摘要（全文未开放获取或许可不允许翻译转载）。
引用
- Sun, Feng, Zhang, et al. Multimodal Carotid Ultrasound-based Artificial Intelligence Model for Predicting Acute Ischemic Stroke Risk in Patients with Type 2 Diabetes Mellitus. Acad Radiol. 2026. PMID: 42855384. doi:10.1016/j.acra.2026.09.036
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。