2026.03丨npj Digit. Med. & IF15.1丨基于纵向MRI深度学习的新发脑梗死自动检测及其预后意义

Hwan-ho Cho,Seongho Park丨仁川国立大学电子工程系（韩国仁川）；韩阳大学龟里医院神经内科，韩阳大学医学院（韩国九里）

Hwan-ho Cho,Seongho Park丨仁川国立大学电子工程系（韩国仁川）；韩阳大学龟里医院神经内科，韩阳大学医学院（韩国九里）

🌿基于纵向MRI深度学习的新发脑梗死自动检测及其预后意义

无症状性静默性脑梗死（SBI）在老年人群中发生率约20%，与未来症状性卒中及认知衰退风险显著相关，具有重要预后价值，却因缺乏临床症状而频繁漏诊。现有随访影像判读依赖逐层人工比较，耗时费力，观察者间一致性差，部分研究显示经验丰富的阅片者对新发病灶的判定分歧率高达25%。

本研究旨在利用深度学习建立一套纵向FLAIR MRI新发缺血灶自动检测框架，弥补人工判读的不足，并通过下游预后分析验证其临床价值，为二级卒中预防的个体化风险分层提供可重复的影像生物标志物。

一、RadArt简报

二、研究思路

> 1、多中心回顾性队列设计

纳入韩国两所三甲医院2008—2023年共1,055例接受2次及以上脑MRI检查的患者，以医院_A（n=633）为内部训练与验证集，医院_B（n=422）为外部验证集，实现了空间独立的外部验证。

> 2、序列FLAIR图像对预处理与标注

利用ANTs工具对基线与随访FLAIR扫描进行刚体配准，每对扫描提取24个轴位切片对，经颅骨剥离、256×256重采样及直方图匹配后构建双通道输入。5名卒中神经科医师独立标注并经共识会议裁定，形成可靠的切片级金标准（25,451对切片，14.9%阳性）。

> 3、监督对比学习驱动的CNN分类器开发

采用两阶段框架：第一阶段以监督对比损失（SupCon）预训练卷积编码器，强化不同类别特征的判别性表征；第二阶段冻结编码器权重，接入Sigmoid输出层进行二元分类，结合Grad-CAM热力图实现预测可解释性。

> 4、内外部验证与诊断性能评估

分别于切片级和患者级评估AUC、灵敏度、特异度、PPV、NPV及校准性能（Brier评分），以Youden's J统计量确定最优决策阈值，Bootstrap重采样估计95%置信区间。

> 5、无症状队列预后分析

从外部验证队列中筛选307例随访时无新发神经症状的无症状患者，基于模型分类（SBI阳性/阴性）进行Kaplan-Meier生存分析与多变量Cox比例风险回归，中位随访678天（IQR 42–1521），主要终点为首次症状性缺血性卒中。

三、研究结果

> 1、研究人群与数据集特征

回顾性筛选15,267例患者，最终纳入1,055例（医院_A 633例，医院_B 422例），平均年龄72.2岁，男性54.9%。共获得25,451对切片，其中"变化"切片3,784对（14.9%），阳性病例占比44.4%（医院_A）至47.9%（医院_B）。（Table 1）

> 2、AI模型的诊断性能

切片级内部AUC为0.894（95%CI 0.880–0.907），外部AUC为0.898（95%CI 0.890–0.907）；最优阈值下内部灵敏度/特异度为80.6%/83.6%，外部为78.5%/87.7%；校准Brier评分内部0.078、外部0.082，预测概率与观测概率吻合良好。（Fig. 1A–1B）

图1.深度学习模型在内部和外部数据集中的切片级性能（A）切片级模型的判别，由内部验证和外部测试集中的接收器操作特征曲线评估。（B）校准内部验证和外部测试集中的预测概率。

图1.深度学习模型在内部和外部数据集中的切片级性能（A）切片级模型的判别，由内部验证和外部测试集中的接收器操作特征曲线评估。（B）校准内部验证和外部测试集中的预测概率。

> 3、患者级诊断性能与可解释性

患者级内部AUC为0.861（95%CI 0.809–0.912），外部AUC为0.892（95%CI 0.862–0.923）；Grad-CAM热力图所高亮区域与影像确认的新发梗死灶高度一致，证实模型习得了具有临床意义的局灶特征而非噪声。（Fig. 2）

图2.模型面板A-D确定的新发展梗死的代表性案例显示了新发展梗死（后续FLAIR扫描上的红色圆圈）通过Grad-CAM激活图正确定位的示例，突出显示的区域对应于真实的病变部位。面板D显示了一个真正的新梗死（红色圆圈）和预先存在的信号变化（黄色圆圈）的案例。该模型选择性地激活了新病变，同时适当忽略了预先存在的区域，表明病变检测具有稳健的特异性。

图2.模型面板A-D确定的新发展梗死的代表性案例显示了新发展梗死（后续FLAIR扫描上的红色圆圈）通过Grad-CAM激活图正确定位的示例，突出显示的区域对应于真实的病变部位。面板D显示了一个真正的新梗死（红色圆圈）和预先存在的信号变化（黄色圆圈）的案例。该模型选择性地激活了新病变，同时适当忽略了预先存在的区域，表明病变检测具有稳健的特异性。

> 4、无症状队列的临床预后分析（Clinical Prognostic Analysis in the Asymptomatic Cohort）

307例无症状患者中，AI阳性182例（59.3%），AI阴性125例（40.7%）。随访期间共发生24例症状性缺血性卒中，AI阳性组20例（发生率62.0/1,000人年）vs. AI阴性组4例（14.3/1,000人年）；Kaplan-Meier分析差异显著（log-rank P=0.005），5年累计卒中发生率24.9% vs. 5.5%。（Fig. 3）

图3.复发症状性缺血性卒中的卡普兰-迈耶分析卡普兰-迈耶曲线显示无症状队列中复发症状性缺血性卒中的累积发病率。人工智能阳性组（红线），定义为人工智能检测到的新无症状脑梗死患者，与人工智能阴性组（蓝线）（对数秩检验，p=0.0051）相比，累积卒中发病率明显更高。

图3.复发症状性缺血性卒中的卡普兰-迈耶分析卡普兰-迈耶曲线显示无症状队列中复发症状性缺血性卒中的累积发病率。人工智能阳性组（红线），定义为人工智能检测到的新无症状脑梗死患者，与人工智能阴性组（蓝线）（对数秩检验，p=0.0051）相比，累积卒中发病率明显更高。

> 5、Cox比例风险回归分析（Cox Proportional Hazards Analysis for Stroke Recurrence）

单因素Cox回归中，AI检测SBI阳性与症状性卒中风险增加4.11倍相关（HR 4.11, 95%CI 1.40–12.04, P=0.010）；调整年龄、糖尿病及心房颤动后，独立风险仍显著（aHR 3.83, 95%CI 1.30–11.30, P=0.015）；糖尿病为另一独立危险因素（aHR 2.51, P=0.030）。（Table 3）

四、结论及创新点

主要结论：本研究证实，基于监督对比学习的深度学习模型可在纵向FLAIR MRI上可靠检测新发缺血性病灶，内外部验证AUC均达0.89，性能稳健。更为重要的是，AI检测到的SBI与未来症状性卒中独立相关，风险增幅近4倍，表明该模型不仅具有技术层面的诊断准确性，更具备临床层面的预后意义。

创新点：

1. 1)端到端的纵向影像分析框架：首次将监督对比学习（SupCon）引入序列FLAIR对比分析，通过双通道输入同时编码基线与随访图像，有效提升了细微病灶的判别力。
2. 2)从检测到预后的临床转化验证：在独立无症状队列中系统验证了AI检测SBI对症状性卒中的预测价值，为自动化影像生物标志物用于风险分层提供了直接循证证据。
3. 3)可解释性设计：整合Grad-CAM可视化，热力图与放射科医师确认病灶高度吻合，有效缓解医学AI的"黑箱"信任问题，增强临床可用性。
4. 4)SBI作为临床试验替代终点的潜在应用：提出将AI标准化检测的SBI作为脑血管疾病防治研究的影像替代终点，与多发性硬化领域MRI新发病灶作为疾病活动标志物的成熟范式相呼应。

五、数据来源及样本情况

参考文献：Cho H-h, Lee J, Bae J, et al. Automated detection of new cerebral infarctions and prognostic implications using deep learning on serial MRI. npj Digital Medicine, 2026. https://doi.org/10.1038/s41746-026-02511-x

声明：仅代表作者个人观点，作者水平有限，如有不科学之处，请在下方留言指正！