计算机断层扫描灌注成像检查可以评估急性缺血性卒中患者的组织状态。

近日，心血管疾病领域权威杂志Stroke上发表了一篇研究文章，研究人员旨在使用深度学习方法改进对最终梗塞和单处梗塞增长率的预测。

研究人员训练了一个深度神经网络，根据原始计算机断层扫描灌注图像、再灌注时间和衍生队列中的再灌注状态（MRCLEAN试验[荷兰急性缺血性卒中血管内治疗多中心随机临床试验]）。该模型在5倍交叉验证中进行了内部验证，并在一个独立数据集（CRISP研究[CT灌注预测缺血性卒中再通反应项目]）进行了外部验证。研究人员计算了深度学习模型的预测与最终梗死体积之间的平均绝对差异与RAPID软件（iSchemaView，MenloPark，CA）的计算机断层扫描灌注成像处理与最终梗死体积之间的平均绝对差异。接下来，研究人员确定了每位患者的梗死增长率。

研究人员纳入了来自MRCLEAN（推导）研究中的127名患者和来自CRISP（验证）研究中的101名患者。在推导队列中，与RAPID软件相比，深度学习模型改善了最终梗死体积预测，平均绝对差异为34.5 vs. 52.4ml；在验证队列中，平均绝对差异为41.2 vs. 52.4ml（P<0.01）。研究人员获得了个体梗死增长率，能够根据再灌注的时间和等级估计最终的梗死体积。

由此可见，研究人员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检查相比，该方法改进了最终梗死体积估计。此外，深度学习模型预测了个体梗死增长率。

原始出处：

Anke Wouters.et al.Prediction of Stroke Infarct Growth Rates by Baseline Perfusion Imaging.stroke.2021.https://www.ahajournals.org/doi/10.1161/STROKEAHA.121.034444