作者：孙瑾玮，徐州医科大学；陈子健，孔令彦，张龙江，南京大学医学院附属金陵医院/东部战区总医院
创伤性脑损伤（traumatic brain injury,TBI）是一组由外部物理力引起大脑结构和/或功能损伤的疾病，其致残率和死亡率在各种损伤中居于首位，中国TBI病人的死亡率约为13/10万。TBI主要包括颅内出血、颅骨骨折、弥漫性轴索伤及脑震荡。影像学检查对TBI的诊断及治疗非常重要，可以精准识别脑损伤类型、评估颅脑损伤程度。
CT是颅脑外伤诊断的首选方法，对颅内出血及骨折检出率高；MRI可显示TBI不同发展阶段的病变脑组织影像学特征。由于TBI的影像表现多样且医师诊断经验存在差异，在临床工作中对TBI的诊断一致性欠佳且对病情发展监测难度较大。近年来，人工智能（artificial intelligence,AI）已经用于疾病诊断、监测及预后判断等全流程管理，帮助医生提高诊断效率，改善治疗决策。
多种AI算法，例如卷积神经网络（convolutional neural network,CNN）、循环神经网络（recurrent neural network,RNN）以及Transformer等可发现传统形态学检查不能识别的特征，对医学图像进行自动特征提取，从而实现对疾病进行自动化检测并辅助医生诊断。本文就AI在TBI中的影像学研究和应用进展进行综述，并对未来研究进行展望。
1. AI辅助TBI影像诊断
TBI的病理生理过程十分复杂，早期诊断及评估有助于及时选择正确的干预措施。急诊环境下常用格拉斯哥昏迷量表（Glasgow coma scale,GCS）根据TBI病人的
1.1颅骨骨折
TBI病人常伴有颅骨骨折。颅骨骨折复杂，X线检查可用于骨折的筛查工作，但对隐匿性骨折显示不佳，尤其是颅底及部分隐匿性骨折容易漏诊；CT的空间分辨力高，常作为颅骨骨折的首选检查方法。AI与影像学结合可以提升颅骨骨折诊断的准确性。Choi等开展了一项回顾性多中心研究，使用YOLOv3架构的深度学习模型对儿童颅骨骨折X线平片自动检测，在AI的辅助下，放射科医生与急诊科医生诊断骨折的诊断效能均有所提高，受试者操作特征曲线下面积（AUC）分别提高了9.4%和6.9%，能帮助诊断经验不足的医生提高骨折的平片诊断效能。
Wang等基于头部CT影像进行AI颅骨骨折的识别和定位检测，首先采用YOLOv4算法识别骨折，再用U型网络（Res UNet++）将脑颅骨及面颅骨按照解剖位置进行图像分割及定位检测，定位的平均准确度为0.81，能较为全面地检测并确定头部骨折部位，但难以精确分割较小的骨骼（例如泪骨等）。由此可见，AI可以辅助TBI病人颅骨骨折检测，但目前的AI研发大多局限于单一骨折检测任务，有待开发更为智能的算法以提升AI对头部骨折的检测效能。
1.2颅内出血
颅内出血是TBI最常见的表现，包括硬膜外血肿（epidural hematoma,EDH）、硬膜下血肿（subdural hemorrhage,SDH）、脑挫伤、
在CT影像中，传统采用ABC/2方法计算血肿体积，其中A为血肿最大面积层面上测得的血肿最长径，B为与A垂直的最长径，C为最大血肿涵盖层面的总层数×CT扫描的层厚，但该方法准确性欠佳，且不适用于形状不规则的血肿。
将AI应用于TBI颅内出血的自动化快速检测和分析，可以省去复杂的手动测量流程，且测量结果较准确。Monteiro等开发了一个能够进行体素级分割的CNN分类模型，该模型在专家手动分割的数据集中完成训练和验证，能够检测、分类和量化各型颅内出血以及周围
Inkeaw等利用CT骨窗及软组织窗影像检测颅内出血，通过三维CNN模型对创伤性SDH、EDH和脑实质内出血进行分割，并采用区域生长算法改进图像分割效果，获得了较高的分割效能（验证集中AUC为0.85）。尽管AI可精准检测颅内出血，但对于血肿所伴随的复杂占位效应，目前能实现可靠诊断的AI研究仍然较少。
1.3弥漫性轴索伤（diffuse axonal injury,DAI)
DAI由快速运动剪切伤所致，可发生轴索中断、微出血（cerebral microbleed,CMB）、水肿等病理改变，属于重型TBI，预后不良。DAI的影像诊断主要依赖MRI检查，其中CMB的检出尤为重要。T2WI和磁敏感加权成像（SWI）是检测DAI中CMB的常用MRI序列。CMB是DAI的生物标志物，其数量和位置为TBI病人的预后提供参考，当存在多个CMB（在T2WI上≥2个，在SWI上≥3个）时，病人发生认知障碍的风险增加。
Koschmieder等构建了3种基于MRI影像的CNN模型用于检测CMB，即1种分类（PatchCNN）模型和2种分割（Segmentation-CNN、U-Net）模型，结果发现在检测创伤性CMB方面，其效能均优于传统的机器学习分类模型，在保证较低假阳性的基础上实现了更高的检测敏感性，提高了DAI的诊断效能，尤其是U-Net的检出率高达90%。
Mohamed等纳入38例DAI病人的SWI影像数据，开发了基于Alex Net架构的CNN模型用于诊断DAI，根据检出的脑实质损伤（尤其是脑干损伤）和格拉斯哥预后评分对病人进行病情评估，结果显示该模型具有较高的诊断效能（AUC为0.92）和阴性预测值（99.5%），但该研究的样本量过小，需要在更大的数据集中进行验证。
1.4功能性脑损伤
功能性脑损伤的TBI病人常规影像学检查常显示大脑结构没有受损，但脑组织微结构发生损伤并伴功能障碍，病人临床表现为不同程度的情感、认知障碍，伴随脑震荡综合征等慢性神经功能症状。此类病人常需行功能MRI检查，如采用扩散张量成像（DTI）和SWI来观察脑白质纤维束的损伤情况以及脑功能的变化。
Fleck等使用遗传模糊树（genetic fuzzy trees,GFT）机器学习模型，结合脑震荡后病人的DTI影像及症状评估量表的信息，对脑震荡病人的临床症状恢复情况进行评估；在验证集中，GFT模型对症状恢复评估的敏感度和特异度分别为59%和65%，表明AI可以对功能性脑损伤病人的评估提供一定的帮助。但该研究的样本量较小，且缺乏独立的验证集来证明其可靠性。目前AI对功能性脑损伤的辅助诊断研究尚处于初步探索阶段，仍需要将AI与更多MRI序列结合以深入探索。
1.5多种疾病综合诊断
当TBI病人病情严重时，病人往往面临颅骨骨折、颅内出血乃至继发性的中线结构移位等多种疾病并发的情况，因此早期全面识别、综合诊断及治疗对于病人的生存与预后意义重大。基于影像的多任务检测AI模型能完成多种TBI疾病的快速检测，不仅缩短了诊断时间，还有助于医师明确TBI病人的疾病类型，进而制定个性化的治疗方案。基于头部CT影像的综合诊断AI模型可动态检测TBI病人多种疾病的发展阶段，从而在诊疗全流程中发挥指导作用。
Chilamkurthy等基于多中心数据研发了一种深度学习自然语言算法，用于同步检测颅内出血、颅骨骨折、中线移位和占位效应，该算法还能将颅内出血按部位进行分类，在Qure25k数据集中进行内部验证的诊断效能均较高（检测上述征象的AUC分别为0.92、0.92、0.93和0.86），且与放射科医师的诊断敏感性相似。
这项基于大数据开发的AI模型对TBI病人的重要CT征象实现了一体化全自动检测，为后续多任务模型的研究提供了实践基础。Prevedello等发现基于CT影像的深度学习模型能够可靠检测出颅内出血、大面积占位效应及脑积水等需要紧急干预的影像学表现（上述征象的综合诊断AUC为0.91）。因此，AI的使用能够提升急诊医师的诊断效率及准确度，从而对病人进行有效的分诊。
2. AI预测TBI病情进展及预后
中重度TBI病人的预后往往不佳，当病人出现颅内出血、脑水肿等相关的影像征象时可提示预后不良，但仅依赖影像学方法评估具有局限性，对TBI病人的预后预测还需结合临床资料。早期对TBI病人进行预后预测有利于采取积极治疗措施，改善病人临床结局。Yao等采用一种扩张卷积多视图CNN（Multi-view CNN）架构的模型对病人受伤后24 h内的CT影像进行分析，通过分割急性脑血肿并自动测量血肿总体积，观察血肿的体积和形状，并结合相关临床特征（如年龄、瞳孔反应性等），对预测病人6个月的死亡率的效能较高（AUC为0.85），据此可以对急性期颅内出血的高危病人采取针对性治疗。
Matsuo等基于病人急诊入院时的数据构建了2种机器学习模型（XGBoost和密集神经网络）和逻辑回归模型实现了对TBI病人结局的精准预测，能够预测TBI病人的3种结局（康复、残疾、死亡），最佳模型XGBoost的AUC达到0.90。Pease等将TBI病人的入院CT影像和临床信息相结合构建了融合模型，用于预测病人6个月的死亡率和不良事件，结果表明融合模型对死亡率预测的效能（AUC为0.92）优于常用的IMPACT模型（AUC为0.80）及临床医生的判断。
重度TBI病人病情发展变化快，需要动态结合影像和临床数据对病程进行综合预测，以便及时采取有效的治疗措施，降低病人不良预后的发生率。Wu等纳入包括人口统计学特征、影像学发现及临床干预措施等54个相关预测因素，通过构建逻辑回归、支持向量机和XGBoost等模型对重症病人进行预后预测，结果发现XGBoost模型对死亡率预测的效能较高（外部验证集中AUC为0.87）。由此可见，依据影像学特征及临床特征构建的预测模型可区分TBI病人是否容易发生不良结局，并以此辅助医师判断病情的危重程度。
3.小结
目前，AI在TBI的筛查、诊断、预后评估等多个环节展现出了广泛的应用前景，并持续推动着该领域研究的新突破。AI技术的应用不仅提高医生诊断的效率及准确率，还优化了TBI病人的诊疗流程，但临床应用中仍存在很多不足与挑战。首先，缺乏大型统一的标准化数据集，难以将2种使用不同训练集但实现相同任务的算法进行直接比较。其次，还需要解决数据量不足的问题，目前对于颅骨骨折、继发性TBI损伤的相关AI研究较少，鉴于其分类繁多，临床表现各异，为解决这一问题，亟需开发高效、精准的半监督学习算法，提升AI模型对此类复杂病例的影像识别与处理能力。
再者，功能性脑损伤诊断复杂、技术标准高，且临床应用相对局限，相关的AI研究仍处于起步阶段。未来需提升诊断技术水平并加快AI技术在临床中的广泛普及，以推动对功能性脑损伤的进一步诊疗。最后，研发的AI模型能否实现临床转化还需开展多维度的评估工作，能否改善病人的结局需要进行长期随访验证研究，以确保AI在TBI预后的准确性及可靠性。
总之，AI目前已经可以实现精确化识别和分割TBI病人影像中的异常，并为今后研发可靠的预后模型奠定了基础。未来可以研发基于多中心、大样本的综合多任务新算法，应用于TBI病人的全流程管理中，并结合多组学数据实时检测病人的病情发展，并通过多维度验证来提供全面可靠的临床诊断及决策的依据。
来源：孙瑾玮,陈子健,孔令彦,等.影像人工智能评估创伤性脑损伤的研究进展[J].国际医学放射学杂志,2024,47（05):559-562.
(本网站所有内容，凡注明来源为“医脉通”，版权均归医脉通所有，未经授权，任何媒体、网站或个人不得转载，否则将追究法律责任，授权转载时须注明“来源：医脉通”。本网注明来源为其他媒体的内容为转载，转载仅作观点分享，版权归原作者所有，如有侵犯版权，请及时联系我们。)
