European Radiology：深度学习在卒中患者DSA中的应用

缺血性卒中是一种随时间变化的疾病，是全世界范围内发病和死亡的重要原因。由于其时间敏感性，卒中是放射组学人工智能（AI）的一个重要使用案例。现阶段，抽取动脉内血栓的机械血栓切除术已经彻底改变了治疗方法并改善了治疗效果。事实上，患者每耽搁一分钟，就会损失大约190万个神经元。因此，能够提高诊断和治疗过程的速度和效率的措施可改善病人的预后。

计算机处理能力提高的出现促进了深度学习计算机视觉任务的使用。这些方法在一些医学成像任务上已经达到了专家级的表现。然而，虽然许多论文报告了在放射组学中使用深度学习的专家级结果，但大多数只将狭义的技术应用于狭义的用例中。

现阶段，介入放射科医生在临床实践中以视频形式实时解读医学影像，例如数字减影血管造影（DSA）。在介入治疗室，对这些"运行"的快速辅助解读可以通过帮助检测和确定重新介入的需要，特别是在具有挑战性或边界的病例中有助于减少介入时间。

近日，发表在European Radiology杂志的一项研究开发了一个将数字减影血管造影（DSA）视频作为输入的模型，并根据大血管闭塞（LVO）的存在、闭塞位置以及再灌注的效果对视频进行分类，为临床的早期诊断及治疗提供了技术支持。

本项研究在2012年至2019年期间对在本机构内因前循环急性缺血性卒中接受DSA的患者都纳入研究，并将连续的正常研究纳入以平衡等级。从另一个机构收集了一个外部验证（EV）数据集。训练好的模型也被用于机械血栓切除术后的DSA视频以评估血栓切除的效果。 

总共包括了1024个视频，包括287名患者（44个用于EV）。闭塞识别的灵敏度为100%，特异性为91.67%（EV为91.30%和81.82%）。ICA的位置分类准确率为71%，M1为84%，M2闭塞为78%（EV为73、25和50%）。对于血栓切除后的DSA（n = 194），该模型对ICA、M1和M2闭塞的再灌注成功率分别为100%、88%和35%（EV 89、88和60%）。该模型还可以对干预后的视频进行分类，即mTICI<3，AUC为0.71。 

图 a 不同架构在斯坦福测试集上的F1得分；b 纯2D和堆叠2D的F1得分比较

本项研究表明，研究所提出的模型可以成功地从有LVO的DSA中识别出正常的DSA，并对血栓切除术的结果进行分类，解决了一个有两个时间元素（动态视频和干预前后）的临床放射学问题。

原文出处：

Brendan Kelly,Mesha Martinez,Huy Do,et al.DEEP MOVEMENT: Deep learning of movie files for management of endovascular thrombectomy.DOI:10.1007/s00330-023-09478-3