作者：陈地友，
创伤性脑水肿(traumatic cerebral edema，TCE)多因创伤性
人工智能(artificial intelligence，AI)模型的发展使得利用CT 等影像准确识别和定量TCE 成为可能，为客观评估提供帮助。以往的研究报告了一些具有良好性能的定量和预测模型。其中包括TCE 的直接分割、定量以及与其进展密切相关的颅内血肿(intracranial hematoma， ICH)、脑中线偏移( midline shift，MLS)和高颅内压(intracranial pressure，ICP)的识别和测量。尽管目前对临床实践具有指导作用的有效产出较少，但极富应用前景。本综述总结了TCE 评估现状，并重点阐述了基于CT 等影像学的AI 技术在TCE 以及与之密切相关的ICH、MLS、高ICP 的识别、量化和预测等方面的研究进展与未来展望。
1. TCE 的影像学常规评估
TBI 患者通常意识较差，导致MRI 的检查成功率较低。目前TCE 的影像学常规定量方法主要基于CT，包括公式法和半自动阈值法。前者主要基于几何特征，但对不规则病灶的准确率不高，同时脑水肿(cerebral edema，CE)兴趣区的确定易受观察者诊断水平的影响，病灶勾画耗时长。后者需要借助Image J、3D-Slicer、ITK-SNAP 等软件，定量结果较公式法更加精确。然而，对CE 的CT 值预定义的值存在差异，这可能无法真实反映CE 的损伤范围。
Kim 等将11~20 HU 的像素定义为CE。Zhu等的研究中CE 的CT 值为7 ~ 26 HU。Mangel等则认为CE 的CT 值为10~28 HU。由于缺乏规范准确的定量方法，目前TCE 的影像学常规评估方法相对主观。Marmarou 等报道马歇尔CT 评分Ⅰ级和Ⅱ级患者的脑含水量接近正常。研究者据此建立了TCE 评估方法。
Kim 等将受试者分为重度(马歇尔CT 评分Ⅲ级或更高)和轻度CE 组(马歇尔CT 评分Ⅰ级或Ⅱ级)，发现两组脑组织中位CT 值分别为14. 31 HU 和22. 48 HU，17~24 HU 像素比例≥16. 03%与重度CE 高度相关。Nujaimin 等的研究也证实马歇尔CT 评分Ⅲ、Ⅳ级的患者CE 发生率较Ⅰ、Ⅱ级高，且预后更差。Lietke等根据CE 所在脑叶位置提出了A5(+1)CT分级法，与ICP 及预后显著相关。Zhu 等采用A5(+1)CT 分级法对脑挫伤患者的TCE 程度进行评估，发现A5(+1)CT 分级法是预后不良的独立危险因素。
2. TCE 的AI 评估
2. 1 TCE 的分割、定量评估
AI 在TCE 评估中的直接应用处于起步阶段。Monteiro 等采用Deep Medic 对不同大小的TCE 进行分割和定量。随着病灶体积的增大，中位Dice 相似系数和曲线下面积(AUC)逐渐增加，与真实体积之间的中位差逐渐增大。然而，该算法对于区分CE 和混合密度病变的能力较差。Mistral 等使用健康志愿者颅脑平均弥散率与一定系数相乘来模拟TCE，并结合重度TBI 的MRI 图像开发了一种基于图谱的自动量化程序，其图像分割采用贝叶斯马尔可夫链蒙特卡洛方法，并根据Watts 等的方法来检测TCE。结果显示，与手动测量结果一致性良好，Dice 系数与精确性无统计学差异，而豪斯多夫距离更远，能够发现更多损伤病灶。
Hudak 等使用MATLAB 上开发的半自动量化工具在液体衰减反转恢复与弥散加权成像序列上进行TCE 病变识别和量化，并根据两种序列上TCE 体积的比值来定义CE 类型。此外，Kn 等使用端到端全局注意力的UNet 框架在SD大鼠TBI 模型的多对比度MRI 图像分割和量化中取得了良好的效果。与UNet 相比，中位Dice 相似系数更高，变异性更低，并且欠分割现象更少。
尽管目前已有部分TCE 临床研究应用了AI 算法，但准确率一般，并且多局限于单一类型损伤。Zeiler 等使用改良的Deep Medic 算法对挫伤周围的CE 进行识别和定量，并探究其与脑血管反应性损伤的关系。他们利用64 个之前手动标注的扫描数据对该三维卷积神经网络进行训练，并在另外34 个扫描数据上进行验证。
通过Logistics 回归分析显示，挫伤周围深度CE 与平均压力反应指数(pressure reactivity index，PRI) 高于阈值(0. 25) 相关，揭示了弥漫性损伤与脑血管反应性受损之间的关系。Mathieu 等也使用改进的Deep Medic 算法对挫伤周围的CE 进行半自动分割，并通过临床专家对假阳性和假阴性患者进行校正。他们发现脑血管反应性损伤与周围TCE 的进展显著相关，而在预后不良的患者中，TCE 的体积更大。
2. 2 与TCE 发生和进展密切相关损伤的AI 评估
2. 2. 1 ICH：TBI 后，ICH 和CE 相互影响。ICH 后脑组织渗透压等改变常诱发CE，而CE 导致的脑血管收缩、
由于AI 主要通过识别相对于周围正常脑实质具有更高衰减或HU值的ICH 病灶，其他同样具有高HU 值影像学特点的组织，如基底节钙化、线束硬化伪影、致密皮质静脉和硬脑膜静脉窦等， 可能会被错误分类为ICH。此外，TBI 型ICH 呈小病灶和弥漫性分布，可位于颅底附近，异质性较高，增加了检测和分类的难度，相应AI 算法有待持续改进。体积定量是AI 在ICH 的另一个重要应用。早期通常通过叠加2D 切片进行估计，后来发展为端到端3D 预测，目前大多依赖于卷积神经网络。
Chang 等开发了一种基于混合兴趣区的卷积神经网络，用于测量不同亚型ICH 的体积；Arab 等提出的深度监督卷积神经网络模型可以快速、高效地对全脑ICH 进行量化；Jain 等开发了一种基于UNet 的卷积神经网络模型来计算急性期ICH 体积，与专家勾画结果的平均差异仅为0. 07 mL；Jiang等采用与Jain 等相同的模型，与主治医师勾画的结果相比，平均体积差异更大，达到了6. 0 mL，可能与纳入对象异质性较大有关。此外，Sharrock等使用改进的VNet 模型，与手动测量相比，显示出高达0. 979 的体积相关性。Duan 等将开发的复数卷积神经网络用于加速K 空间数据重建，生成高质量的磁敏感加权成像影像，并成功应用于TBI型ICH 的评估，为基于MRI 的AI 定量方法构建提供了新思路。
2. 2. 2 MLS：CE 是MLS 进展的重要因素。研究显示MLS 与TBI 临床结局相关，MLS>5 mm 可能是手术干预的指征。测量MLS 一般利用大脑的对称性或参考特定的解剖标志，如大脑镰、侧脑室额角和第三脑室。Yuh 等纳入多中心的250 名受试者，结果表明，通过评估侧脑室脑脊液相对于颅骨的对称性来监测MLS，准确率达到0. 98。遗憾地是，该研究未与临床专家的测量进行比较。
Liao等利用多分辨率二进制水平集方法和专家建议来识别侧脑室额角和透明隔，并根据透明隔最后方位置与理想中线之间的距离来估计MLS。这类方法一般能够得到较为准确的结果。然而，由于TBI患者的影像通常无法按标准
目前为止，用于估计MLS 程度的深度学习方法有限。主要采用基于UNet 的卷积神经网络，准确率较高。Jain 等使用基于UNet 的三维卷积神经网络测量MLS，与金标准(人工测量)相比，一致性高，绝对移位中位数为0. 86 mm。以MLS>5 mm 为诊断截点，准确率达到0. 89。Chilamkurthy 等采用改进的ResNet18 网络和随机森林分类器来预测MLS，特异度高，平均敏感度达到89%。
Ledig 等提出了基于期望最大化改进的多图谱标签传播算法，能够以0. 76 的准确率识别存在MLS 的受试者。Nag等构建UNet 模型来预测变形的左右大脑半球，并通过计算理想中线与变形后中线间的距离来评估MLS，其平均距离误差为(1. 29±0. 40)mm。另一项旨在测量MLS 的研究由Wei 等开展，该研究中，采用骨架提取和回归方法获得最终的脑中线。最近的一项研究利用基于卷积神经网络的模型来预测MLS 范围。与临床医师测量相比，自动检测的平均绝对误差为0. 936 mm，相关系数达到0. 990。
2.2.3 ICP：TCE 常引起ICP 升高，持续ICP>20 mmHg或22 mmHg 被定义为颅内高压(intracranial hypertension，IH)，是TBI 后急性期的常见损伤，与不良预后相关。ICP 的预测，目前主要以机器学习为主。Pappu 等使用MATLAB 编程语言开发脑实质分割算法，并成功获得脑脊液与脑实质体积，发现二者比值>0. 034 与ICP<20 mmHg 相关。
Schweingruber等采用递归神经网络来预测神经重症监护患者入院后长时间(>2 h)内出现的IH，该模型对缺失特征和各种临床来源的数据集均具有鲁棒性，预测准度高。Carra 等纳入多中心290 名成年重度TBI 患者，采用最小绝对收缩和选择算子回归结合随机森林预测伤后30 min 内的大范围有害ICP阈值。
Chen 等结合纹理特征，根据15 mmHg 的阈值将ICP 分为高水平和正常水平，并使用支持向量机获得了0. 80 的分类精确性。Aghazadeh 等应用Morlet 小波变换来提取纹理特征，并使用K 近邻法作为优化特征选择器来标记轻、重度ICP。在最近的另一项研究中，Chen 等报道了一种自动估计定量MLS 以执行ICP 分类的混合方法。
部分研究者已开始利用AI 算法探究ICP 在TBI 预后中的作用。Raj 等开发了一种基于ICP、平均动脉压和脑灌注压数值的全自动动态深度学习模型，用于预测TBI 后30 d 的病死率。该模型的假阳性率较低，AUC 从第1 天的0. 67 提高到第5 天的0. 81。Uryga 等采用脉冲形状指数评估ICP 脉冲波形形状变化，并应用卷积神经网络模型自动将ICP 脉冲分类。结果显示脉冲形状指数随着平均ICP 呈线性增加，脉冲形状指数的升高与低ICP 后TBI 的不良预后有关。
Ye 等根据某时段前20 min的ICP 信息，采用人工循环神经网络连续预测该时段后每间隔10 min 的ICP 数值。模型的平均准确率、敏感度和特异度分别达到0. 946、74. 91% 和94. 83%。Lee 等计算每个IH 事件的压力-时间剂量和PRI。PRI>0 和压力-时间剂量>5 被定义为危及生命IH。然后使用分类增强模型预测从IH 开始到危及生命IH 的发生状况。结果显示，危及生命IH 能够被用作患者死亡的预测指标(AUC>0. 7)。
3. 总结与展望
综上所述，AI 技术虽然能对TCE 进行定量，但仍处于起步阶段。AI 算法的效能取决于训练数据集的性质，而不同扫描仪和采集参数可能影响输出图像的稳定性。虽然有学者探究了从图像中提取一致性指标的可能性，但从减少图像可变性的角度出发的研究较少。
当前，已有深度学习模型能够学习位点间的变异，并在异质队列中进行训练，下一步的关键是开展大型多中心队列研究。未来，需要改进算法，减少机器和协议方面的可变性，形成精准标注的影像数据集，构建可行性、准确率高的AI 定量模型，建立TCE 客观分级方法。结合临床参数，预测TCE 发生和预后，多维度追踪其进展，以期指导临床实践，更好地帮助TBI 患者。
来源：陈地友，吴鹏飞，朱细燕，等.创伤性脑水肿影像学诊断的人工智能评估方法[J].创伤外科杂志，2025，27(06)：465-471.
我要投稿
