医疗科研新突破 | 菁易科研解读：术前术后CT影像结合临床数据预测动脉瘤预后

Prediction of functional outcomes in aneurysmal subarachnoid hemorrhage using pre-/postoperative noncontrast CT within 3 days of admission.

研究背景

动脉瘤性蛛网膜下腔出血（aSAH）危及生命，准确预测其功能预后对患者管理至关重要。现有临床评分和影像评估未能完全捕捉预后临床变异性。本研究开发深度学习模型，结合术前和术后非对比CT（NCCT）影像与临床数据，预测aSAH患者3个月的改良Rankin量表（mRS）评分。

方法速览

1. 数据收集：从四个医院收集1850名患者的术前和术后NCCT影像及临床数据。
2. 模型构建：构建术前、术后、堆叠影像、临床和融合五种模型，融合模型结合堆叠影像预测和临床特征。
3. 模型训练和验证：用WN数据集训练，AH、FY、TL数据集独立测试，采用支持向量回归进行多模态数据融合。

主要发现

1. 融合模型表现优：在各验证站点AUC值超0.90，特异性超90%，敏感性最高84.1%，平均绝对误差低。
2. 连续mRS评分预测：回归任务中，融合模型在Test - combined集MAE最低，显著优于其他模型。
3. 二分类功能预后预测：分类任务里，融合模型在Test - combined集AUC值最高，显著优于其他模型。
4. 亚组分析：在延迟性脑缺血（DCI）和慢性脑积水（CH）亚组中，融合模型均实现最低MAE，分类任务性能稳定。
5. 模型解释：展示术前和术后模型预测性能及Grad - CAM激活图，显示模型关注区域，有临床意义。

总结展望

本研究创新性在于多模态数据融合、增强模型可解释性和有实时应用潜力。但存在回顾性设计偏差、样本多样性不足和模型复杂影响临床应用等局限，需更大规模队列验证。