尽管治疗方法不断发展，但大血管闭塞性中风患者的功能恢复情况仍然是未知的，结果预测具有挑战性。我们能否利用临床和磁共振成像数据，用可解释的深度学习模型改善对功能恢复的估计？

在这项观察性研究中，来自瑞士苏黎世大学的学者收集了222名接受机械血栓切除术的大脑中动脉M1段闭塞患者的数据。在5倍交叉验证中，使用临床变量、弥散加权成像和灌注加权成像以及它们的组合，评估了可解释的深度学习模型，以预测3个月后改良Rankin量表的功能结果。基于50名测试患者，将模型的表现与5名经验丰富的中风神经学家的表现进行了比较。使用辨别和校准措施，如接收者操作特征曲线下的面积和准确性（正确分类患者的百分比），评估了序数（mRS量表评分，0-6）和二进制（mRS量表评分，0-2与3-6）功能结局的预测性能。

结果显示，在交叉验证中，基于临床变量和弥散加权成像的模型取得了最高的二元预测性能（接收器操作特征曲线下面积AUC=0.766[0.727-0.803]）。仅使用临床变量或扩散加权成像的模型性能较低。增加灌注加权成像并不能改善结果预测。在50名患者的测试集中，使用临床数据时，模型（准确率，60%[55.4%-64.4%]）和神经科医生（准确率，60%[55.8%-64.21%]）之间的二元预测性能相似。然而，当单独或与临床变量结合提供影像学数据时，模型的表现明显优于神经科医生（准确率，72%[67.8%-76%]，而临床和影像学数据为64%[59.8%-68.4%]）。具有可比性经验的神经科医生的预测表现差异很大。

由此可见，如果神经科医生得到可解释的深度学习模型的支持，大血管闭塞的卒中患者的早期功能预测可能会得到明显的改善。

 

参考文献：

Lisa Herzog, Lucas Kook, Janne Hamann, Christoph Globas, et al. Deep Learning Versus Neurologists: Functional Outcome Prediction in LVO Stroke Patients Undergoing Mechanical Thrombectomy. https://doi.org/10.1161/STROKEAHA.123.042496Stroke. 2023;0