2015年，随着几项随机对照试验的发表，急性中风的治疗及管理发生了显着变化，研究表明对于大血管闭塞（LVO）性卒中患者来说，血管内治疗比单独使用阿替普酶更有效。此外，血管内治疗的治疗效果在很大程度上取决于时间，甚至每早一分钟进行治疗都可以明显改善患者预后。LVO卒中是医学上最具时效性的诊断之一，必须迅速做出诊断并进行紧急的血管内治疗以降低发病率和死亡率。

CT血管造影是一种快速确认或排除LVO的常用影像学手段，是所有急性卒中的标准成像手段。深度学习作为机器学习的一大分支，其最新进展激发了卷积神经网络在计算机视觉问题中发挥高水平作用的新研究。现阶段，深度学习已被用于神经放射学的多个领域，例如在MRI上进行微出血的分割以及自动识别并分割缺血性脑损伤病变等。

鉴于深度学习在神经放射学的多个领域的成功应用，近日，发表在Radiology杂志的一项研究探讨了使用卷积神经网络在多期相CT血管造影中检测急性LVO的可行性，为临床早期、快速且准确的识别及诊断LVO提供了技术上的支持。

本项多中心回顾性研究评估了2017年2月至2018年6月期间疑似急性缺血性脑卒中的540名患者，每位患者均接受了CT血管造影检查。270例经导管造影证实为LVO阳性，270例经复查临床及放射学报告证实为LVO。CT血管造影检查的预处理包括血管系统分割和创建最大密度投影图像，以强化对比剂增强的血管系统的显示。通过使用三个期相（动脉期，1期；峰值静脉期，2期；晚期静脉期，3期）的CT血管造影组合进行了七个实验。在保留的测试集上评估了模型性能。指标包括受试者工作特征曲线(AUC)下的面积、敏感性和特异性。

该测试集包括62名患者(平均年龄69.5岁;48%的女性)。单期CT血管造影的AUC为0.74(95%置信区间[CI]: 0.63, 0.85)，敏感性为77% (24 / 31;95% CI: 59%， 89%)，特异性为71%(31人中有22人;95%CI:53%，84%)。1、2、3期组合的AUC为0.89 (95% CI: 0.81、0.96)，敏感性为100% (31/31;95% CI: 99%，100%)，特异性为77% (24/31;95% CI: 59%，89%)，与单期CT血管造影相比，有统计学意义上的提高(P = 0.01)。同样，第1、3期组合以及第2、3期组合也显示了相对于单期更好的适用性(P = .03)。

图1 图像显示了由算法正确预测的四名单独的大血管闭塞患者。第一行显示了来自CT血管造影延迟静脉期的代表性CT层面。中间行显示了预处理的最大密度投影图像，这些图像用作模型的输入。最下面一行为叠加的热图，红色区域表示最有差别的区域。请注意，这些所谓的高温区域与每个患者的闭塞位置相关。

表1 通过不同期相组合截断值的验证和测试集之间的曲线下面积、敏感性和特异性。

综上所述，本研究成功开发了一种可用于检测大血管闭塞(LVO)存在的深度学习卷积神经网络模型，该模型可在多期CT血管造影尤其是在使用延迟期时，在受试者工作特征曲线下面积极高的情况下，准确的对LVO的情况进行检测。本研究是将深度学习应用于急诊LVO分诊的重要一步，并为缩短LVO检测时间并进一步改善患者预后提供了技术上的支持及数据上的肯定。

原文出处：

Matthew T Stib,Justin Vasquez,Mary P Dong,et al.Detecting Large Vessel Occlusion at Multiphase CT Angiography by Using a Deep Convolutional Neural Network.DOI:10.1148/radiol.2020200334