急性缺血性卒中治疗的目的是通过静脉溶栓或血管内治疗（EVT）使闭塞的动脉重新通畅，从而挽救低灌注的组织。

多年来，症状发生到治疗的预期时间决定了这些治疗方案的资格。最近的试验提供了证据，证明在中风发病的常规时间窗之外出现的患者，经过基于影像学的选择，EVT是有效的。

灌注成像，最常见的是计算机断层扫描灌注（CTP），可以帮助识别潜在的可救治组织（即半影），计算方法是用低灌注病变体积减去不可逆转的受损缺血核心。目前临床上可用的软件程序通过使用去卷积技术来计算不同的灌注参数。在临床试验DEFUSE 3（缺血性中风成像评估后的血管内治疗）、DAWN (Diffusion Weighted Imaging or Computerized Tomography Perfusion Assessment With Clinical Mismatch in the Triage of Wake Up and Late Presenting Strokes Undergoing Neurointervention)和EXTEND (Extending the Time for Thrombolysis in Emergency Neurological Deficits)，相对脑血流量（rCBF）<30%确定缺血核心体积，延迟到最大残留功能（Tmax）超过6s确定严重低灌注组织。

根据预定的核心和灌注病变估计的不匹配模式，选择患者纳入这些试验。然而，计算出的地图取决于所使用的软件程序，仍可能需要人工输入以区分伪影和真正的灌注缺损。此外，这种去卷积技术本身对噪声很敏感，因此，改进目前的灌注算法或甚至使用无去卷积的总结参数是目前研究的目的。

机器学习是估计缺血性卒中患者组织命运的一个替代方法。目前将组织分为半影区和核心区的做法与扫描时刻有关，并不能预测梗死的演变速度，而这在转院时是很有用的。

梗死的增长速度在不同的病人之间有很大的差异，而且取决于侧支循环。灌注成像在基线时获得的低灌注强度比（HIR）在0到1之间，与实际的梗塞增长率相关，HIR值<0.5表明梗塞增长率低于5 mL/h。

藉此， 比利时鲁汶大学的Anke Wouters等人，比较深度神经网络和经典的去卷积/阈值分析之间的最终梗死体积估计的准确性。此外，他们还提供大血管闭塞患者的单个病灶增长率，并将这些估计与HIR相关联。

他们训练了一个深度神经网络，根据原生计算机断层扫描灌注图像、再灌注时间和派生队列中的再灌注状态（MR CLEAN试验[荷兰急性缺血性中风血管内治疗多中心随机临床试验]）预测急性中风患者的最终梗死体积。该模型在5倍交叉验证中进行了内部验证，并在一个独立的数据集中进行了外部验证（CRISP研究[缺血性中风项目中CT灌注预测再通反应]）。

他们还计算了深度学习模型的预测和最终梗死体积之间的平均绝对差异与RAPID软件（iSchemaView, Menlo Park, CA）处理的计算机断层灌注成像和最终梗死体积之间的平均绝对差异。接下来，确定了每个病人的梗塞生长率。

他们们纳入了MR CLEAN的127名患者（推导）和CRISP研究的101名患者（验证）。与RAPID软件相比，深度学习模型改善了最终的梗死体积预测，在推导组中，平均绝对差异为34.5毫升对52.4毫升，在验证组中，平均绝对差异为41.2毫升对52.4毫升（P<0.01）。

获得了个别梗死的增长率，从而能够根据再灌注的时间和等级来估计最终的梗死体积。

这个研究的核心意义在于验证了一种基于深度学习的方法，与经典的计算机断层扫描灌注成像处理相比，该方法改善了最终梗死体积的估计。

原文出处：
Wouters A, Robben D, Christensen S, et al. Prediction of Stroke Infarct Growth Rates by Baseline Perfusion Imaging. Stroke. Published online September 30, 2021:STROKEAHA.121.034444. doi:10.1161/STROKEAHA.121.034444