来自的美国的研究学者开展了的一项临床研究，探讨了机器学习用于评估心肺复苏后患者颅脑缺血缺氧性脑病进展的预测价值。研究结论发表在年的Neurocritcare杂志上。
PMID:DOI:10./s---y
研究目的
尽管心脏骤停后的复苏抢救取得了许多重要进展，但患者恢复自主循环后的继发性脑损伤(HIBI)仍使许多幸存者出现严重的神经功能障碍。
复苏后24-72小时或更长时间仍处于昏迷状态的患者需要进行神经功能预后评估，旨在发现缺血缺氧性脑损伤的迹象并预测长期神经功能预后。评估工具包括临床检查、神经电生理学检测、生物标志物和神经影像学检查。这些检查与神经功能预后的相关性各不相同。瞳孔光反应性和体感诱发电位等检查是同预后相关的最可靠的评估工具，但生物标志物、脑电图和影像学检查存在解读不一致之处。因此，通常建议采用多种方法联合预测，将多项测试结论考虑在内。
缺血缺氧性脑病的影像学表现是弥漫性脑水肿，通常在颅脑CT上评估，具体表现脑沟脑回消失以及灰白质分界不清。尽管磁共振成像(MRI)是更准确、具有更高的分辨率的成像方式，但颅脑CT仍然是患者更普遍和更容易获得的神经影像学成像方式。脑水肿的影像学表现通常随着时间推移而逐渐进展，放射科专家在初始颅脑CT阅片时肉眼无法判断。尽管目前对颅脑CT进行神经预后评估的最佳时机尚未达成共识，大多数研究在伤后24小时内完善头颅影像学检查，发病当日脑水肿检出的敏感性低至14%，在24小时到7天后预测率逐步增加到约60%。
近期，机器学习的发展大大改善了医学成像中计算机视觉任务的自动执行和诊断，包括疾病检测、诊断和鉴别诊断。深度学习架构识别结果可与经验丰富的放射科医生相媲美，并具有更高的阅片速度和内部评价一致性等额外优点。然而，这些数据模型通常需要大量的影像学数据来训练评估，这在医学成像中通常是个挑战。因此，已经开发了许多替代的深度学习方案来规避这一缺陷。
研究方法
该研究分析了54例心脏骤停的成年昏迷幸存者，受试者均完成了复苏后早期的初始颅脑CT扫描和后期随访的颅脑CT扫描。每位纳入患者的初始头颅CT扫描结果均由资深的神经放射科医生阅片为正常。机器学习技术被用于评估初始颅脑CT扫描并预测后续颅脑CT扫描是否存在缺血缺氧脑病进展。研究还纳入了额外的16例患者用于模型的外部验证。
研究结果
研究队列的中位年龄（四分位距）为61(16)岁，25(46%)例患者为女性。尽管所有初始颅脑扫描的结果看起来都正常，但颅脑CT随访扫描显示29(54%)例患者出现缺血缺氧性改变。使用机器学习评估第一次颅脑CT扫描可以准确预测到后续缺血缺氧脑病的进展。深度学习测算分数是最重要的进展预测因子（AUC曲线下面积=0.96[95%置信区间0.91–1.00]），深度学习分数为0.，敏感性为1.00，特异性为0.88，阳性预测值为0.91。对额外独立的群体进行测试证实了结果的可靠性（AUC曲线下面积=0.90[95%置信区间0.74–1.00]）。
图1用于头颅CT扫描的深度迁移学习技术路线图。
图2深度迁移学习技术原理的描述
表1CT影像学进展和无CT影像学进展两组患者临床信息比较
研究结论
心脏骤停后恢复自主循环后仍昏迷的幸存者早期获得的颅脑CT扫描虽然肉眼判断为正常，但深度迁移学习等机器学习技术可准确识别后续颅脑CT扫描中进展为缺血缺氧脑病的患者。
个人体会
在这项单中心临床研究中，深度迁移学习被证实可以在心脏骤停后恢复自主循环的昏迷幸存者的3个小时内颅脑CT中准确识别出缺血缺氧性脑病进展的影像学特征。研究结果表明：（1）在早期头颅CT中肉眼判别为正常表现的许多患者可能已经发生了一定程度的大脑损伤；（2）尽管在恢复自主循环后的约3小时内进行的头颅CT检查未显示肉眼可识别的异常，当使用深度迁移学习评头颅CT扫描时，相当一部分患者表现出显著异常。缺血缺氧性脑病的是心脏骤停幸存者神经预后准确判断的重要指标。同样，它也在是否停止生命支持设备的决策中起着决策性作用。
灰质和白质密度的降低、灰质和白质分界不清以及灰白质密度比值改变与神经功能预后的关系已被研究。尽管灰质密度的绝对下降本身并不是神经系统预后不良的可靠预测指标，但纳入灰白质密度比值时，预测的可靠性会增加。这些指标的主要局限包括可供分析的最优颅脑CT采样时间的确定（从恢复自主循环到CT扫描的时间在4到72小时之间）以及选择合适的大脑内的特定感兴趣区域来比较灰质和白质密度值。
机器学习技术可早期对心脏骤停患者的预后进行分层。在恢复自主循环之后应用的许多疗法旨在改善神经系统结局，建议将心脏骤停幸存者的预后进行早期分层，用于优化未来临床试验患者的筛选。该模型可以帮助选择未表现出早期脑水肿的患者，这类患者群体更有可能从旨在防止进一步缺氧缺血性脑损伤的早期干预中受益。此外，影像学缺血缺氧性脑病的存在被证明与不良的神经学结局明确相关，还可以更早的与患者家属充分讨论神经学预后。
机器学习早期区分缺血缺氧性脑损伤的成功，表明两个队列的图像中存在独特的肉眼难以识别的影像学特征。这一发现可以用两种不同的理论来解释。第一个是缺血缺氧性脑病可能在初始头颅CT扫描时已经完全发生。如果属实，这将表明此时开始的神经保护干预的效用可能无效。缺血缺氧性脑损伤可能是无法逆转的，它的发生发展仅由心脏骤停的临床和时间特征以及患者个体的情况差异决定。另一方面，有些患者可能已经遭受了一定程度的缺氧缺血性损伤，但并未出现完全进展。因此，伤害存在逆转的可能。换句话说，尽管可能发生了一定程度的损伤，但神经保护治疗措施可能会改变其进展和结局。该模型可以帮助识别这类患者并且为他们提供可能的干预手段。
虽然机器学习对脑损伤的早期识别也有可能在自主循环恢复后的最初几个小时内区分不同程度的脑损伤，但我们还没有量化后续颅脑CT扫描中的病程进展程度。因此无法评价机器学习策略对后续缺血缺氧脑病病情严重程度的潜在判别力。此外，临床特征，例如体格检查结果（GCS评分、瞳孔对光反应性和角膜反射）已被证明与神经系统结局相关，尽管本研究的目的是强调早期头颅CT成像在识别缺血缺氧脑病进展方面的独特作用，而不是取代上述临床体格检查数据。为了进一步了解机器学习对缺血缺氧脑病进展预测的贡献，临床变量也被纳入并进行了一项初步研究；与仅基于深度迁移学习的机器学习相比，仅基于临床变量而没有机器学习的策略AUC约为0.76，机器学习的AUC约为0.96。机器学习联合临床变量并不会提高AUC。话虽如此，结合临床和影像学特征的模型不是本项研究的重点，但确实是未来前瞻性研究的方向。
译者简介
预览时标签不可点收录于话题#个上一篇下一篇