本报讯（记者崔雪芹）近日，浙江大学医学院附属第二医院教授童璐莎、高峰团队，联合浙江大学生物仪器与工程学院教授赵立团队，成功开发出一种用于区别急性自发性脑出血的可解释性人工智能（AI）模型。该模型针对急性脑叶出血发病凶险、病因鉴别困难等问题，仅利用常规头颅CT（非增强），即可精准识别脑静脉系统血栓形成的相关脑出血，灵敏度达96%。相关成果发表于《柳叶刀》子刊《电子临床医学》。
脑静脉系统血栓常规的诊断方式包括CT颅内静脉造影、磁共振静脉成像等，在基层医院较难实行或因检查复杂而耗时较长，大大增加了病情延误的风险。在此背景下，研究团队提出一种仅基于急诊的平扫CT进行判别的AI辅助工具，辅助医师快速、准确识别脑静脉及静脉窦血栓形成的继发出血。
为此，研究团队联合浙江省其他地区医院构建数据集，采用迁移学习策略，利用患者入院头颅CT平扫图像，成功开发出一种融合血肿分割和分类的深度学习模型。该模型在内部测试及外部验证中均展示出优异且稳定的性能，诊断灵敏度达96%。
该模型还经过三甲医院医生的实战测试，并与来自放射科、神经内科、急诊科的9位不同年资的医生进行了诊断性能比较。结果显示，AI模型的表现显著优于医生的平均水平，在AI模型的辅助下，医生再次诊断的正确率提升约20%。
为进一步增强模型可解释性，研究团队采用4种视觉化的AI可解释性方法，揭示了血肿边缘特征在模型决策中的关键作用。这有助于消除医生对于AI辅助决策中“黑箱”性质的疑虑，增强了实际临床应用中的信任度。
相关论文信息：
10.1016/j.eclinm.2025.103128
0 条