基于深度学习的B模式超声和增强超声技术在检测颈动脉斑块方面的优势，有助于更准确地预测与急性缺血性中风相关的易损斑块

AI模型结合超声（US）和增强超声（CEUS）显著优于传统回归模型，AUC值达0.917，外部验证AUC为0.866，证明其在颈动脉斑块评估中预测急性缺血性卒中（AIS）风险的有效性和泛化能力。

摘要

目标

利用颈动脉斑块的超声特征开发一种人工智能（AI）模型，以预测急性缺血性中风（AIS）的风险，并评估其与传统回归预测模型相比的有效性。

材料与方法

本研究回顾性地纳入了923名在我们机构接受颈动脉斑块超声（US）和颈动脉超声增强（CEUS）检查的患者。这些患者被随机分为训练集、验证集和测试集，比例为8:2。此外，还从其他三个中心前瞻性收集了143名患者作为外部测试集。两名专家放射科医生对超声图像进行了描述和记录。通过逻辑回归分析斑块的超声特征，建立了基于单独使用超声（US）以及结合超声增强（CEUS）的AIS风险统计预测模型。使用在超声图像上训练的ResNet34架构开发了AI模型。生成了ROC曲线，并计算了AUC值，以比较统计模型和AI模型的性能。

结果

在中位随访时间为5.3年的期间，有523名患者发生了AIS，而543名患者没有中风史。仅使用超声的模型的AUC为0.719，结合超声和超声增强的模型的AUC为0.819，整合了AI的模型的AUC为0.917，所有成对比较都具有统计学意义（p < 0.05）。此外，AI模型在外部测试集中的AUC为0.866，表明其具有良好的泛化能力和稳定性。

结论

颈动脉斑块的超声和超声增强特征与AIS有很强的相关性。深度学习提高了使用超声进行颈动脉斑块评估时对AIS的预测能力。

要点

问题 与传统的统计模型相比，AI能否通过分析颈动脉斑块的超声和超声增强特征来提高AIS风险的预测能力？

发现 整合了超声和超声增强斑块特征的AI模型在AIS风险预测方面显著优于传统方法，超声增强提供了超出单独使用超声的显著价值。

临床意义 这种基于AI的方法提供了一种自动化和标准化的方法，可以直接从颈动脉斑块的超声图像中分层识别中风风险。这一进展有助于早期识别高风险个体，无需额外的检测或劳动密集型的手动分析。

图形摘要