DV-Net：通过医生逻辑为急性缺血性脑卒中（AIS）患者的出血预测提供可解释的模型

兰小龙|崔少国|徐浩东|黄旭祥|王燕|任环环|李永梅|蒋静峰

中国重庆师范大学计算机与信息科学学院

摘要

在急性缺血性中风的治疗中，静脉溶栓（IVT）存在出血转化（HT）的风险，因此需要准确的风险评估来指导临床决策。然而，现有的深度学习方法通常会同时处理整个非对比增强CT（NCCT）切片序列，这使得区分有用切片和冗余信息变得困难，可能会降低计算效率。本研究提出了DV-Net，这是一个结合NCCT图像和临床数据的多模态框架。它引入了一种“关键切片聚焦”机制，模仿放射科医生的诊断推理过程，以实现精确的HT预测。CNN-DVSS混合架构在强调有用切片的同时，抑制了切片序列中的冗余信息，从而提高了效率和准确性。我们在来自多个中心的518名患者上评估了DV-Net。该模型在五折交叉验证中的平均AUC值为0.9523，整体训练集和测试集的AUC值分别为0.9517和0.9041，优于主流架构。我们的定性、定量和基于可视化的可解释性分析结果与医生注释高度一致，支持了模型的可解释性。标准化的预处理和基于BYOL的自监督预训练减轻了不同中心之间的小样本差异，提高了泛化能力。DV-Net为AIS患者在接受IVT治疗前的HT风险评估提供了一个具有临床可行性和可解释性的决策支持工具，有助于及时干预和精准治疗。

引言

急性缺血性中风（AIS）是一个重大的公共卫生问题，具有高发病率、残疾率和死亡率[1]、[2]。仅在中国，每年就有超过200万新病例，中风已成为全国范围内的主要死因[3]。尽管静脉溶栓（IVT）因其已被证明的有效性而成为AIS治疗的基石[4]、[5]，但出血转化（HT）的风险仍然是一个关键限制因素，可能导致不良预后[6]、[7]、[8]。因此，准确预测接受IVT治疗的AIS患者的HT风险对于指导预防策略和改善临床结果至关重要。

非对比增强CT（NCCT）是最常用的影像学检查方法，用于中风患者的初步评估以及在溶栓治疗前排除颅内出血，因为它能够快速获取连续的轴向切片[9]。然而，连续成像产生的大量切片给高效解读带来了挑战。如图1所示，经验丰富的放射科医生通常采用一种集中阅读策略：他们首先快速扫描整个CT序列以识别可疑切片，然后专注于最具诊断信息量的切片，以评估细微的缺血变化、组织密度变化和可能表明HT风险增加的结构异常及其与周围组织的关系。这种以关键切片为中心的“全局到局部”的阅读方式，避免了逐片详尽检查大量正常切片的过程，从而提高了阅读效率，并通过关注富含病理信息的区域增强了诊断准确性。

然而，这种依赖专家经验的模型难以标准化和广泛应用，并且在高压紧急环境中容易漏诊或误判。近年来，人工智能技术的快速发展为这一问题提供了新的解决方案。机器学习（ML）和深度学习（DL）在医学成像领域不断取得突破[10]、[11]，循环神经网络（RNN）、长短期记忆网络（LSTM）、Transformer和Mamba等架构已被广泛用于探索切片之间的关系，并取得了一定的成果[12]、[13]、[14]、[15]。然而，现有的自动化辅助研究在处理切片序列时仍存在局限性，这限制了其在临床任务（如预测溶栓后的HT）中的应用。

受放射科医生阅读模式的启发，本研究提出了一个基于关键切片策略的多模态深度学习框架DV-Net，用于预测AIS患者接受IVT后的HT风险。该框架对NCCT图像和临床指标进行深度建模，模拟经验丰富的放射科医生的诊断逻辑，提供了一个个性化的风险预测工具。整个实验过程如图3所示。

我们研究的主要贡献可以总结如下：

• •
  我们提出了一个以CNN-DVSS为中心的混合架构，对NCCT图像进行深度建模，并模拟放射科医生在解读扫描时的推理逻辑。该模型自动关注与HT密切相关的关键切片，同时抑制切片序列中的冗余信息，从而将计算资源集中在信息更丰富、区分度更高的切片上。
• •
  我们的模型具有出色的可解释性。重要切片不是手动标记的，而是由模型本身量化的。此外，热图进一步显示，模型关注的出血区域与经验丰富的放射科医生识别出的区域高度一致，其诊断水平可与临床专家相媲美。
• •
  对于样本量不同的多中心数据，我们设计了一种系统的预处理和预训练策略，显著提高了模型在HT预测任务中的泛化性能。同时，该框架提供了端到端的解决方案，自动化了从数据处理到HT风险预测的整个过程，无需放射科医生手动勾画病变以提取特征，大大简化了操作流程，并增强了其在临床场景中的应用。

本文的其余部分组织如下。第2节提供了相关工作和问题描述。第3节详细介绍了数据收集和提出的方法。第4节报告了实验结果。第5节讨论了技术和临床意义、局限性以及未来工作。最后，第6节总结了研究内容。

章节片段

相关工作

在医学图像智能分析领域，基于ML和DL的临床决策支持系统（CDSS）已逐渐在临床环境中得到应用[16]、[17]、[18]，在医学图像分类、分割和目标检测等任务中显示出显著的应用价值。本文从技术发展的角度，系统回顾了深度学习在3D CT切片关系建模方面的研究进展

患者队列

这项回顾性多中心研究包括了来自六个医疗中心的518名AIS患者：重庆医科大学附属医院、湖南第二人民医院、乐东县第二人民医院、长沙市中心医院、海口医科大学第一附属医院和海南医科大学第一附属医院。

纳入标准如下：（1）根据既定的AIS管理指南进行IVT；（2）非对比增强CT

基线特征和临床预测因子选择

数据集1（训练队列）和数据集2（测试队列）的基线人口统计和临床特征总结在补充表S1和S2中。两个队列之间主要的人口统计和临床变量分布大致相当，表明各机构的患者群体相似，支持后续跨机构评估的可行性。

为了识别与IVT后HT独立相关的临床因素，我们进行了多变量二元

讨论

本研究旨在开发并验证一个多模态深度学习模型DV-Net，通过整合NCCT的影像特征和临床指标，实现AIS患者IVT后HT风险的自动化和个性化精确预测。DV-Net的核心设计目标是模拟放射科医生在阅读图像时的认知推理。这使得HT风险评估工具既准确又在临床上实用。

回顾这项研究，8个关键

结论

总之，我们的研究结合了NCCT图像和传统临床数据，能够有效分析图像切片之间的相关性，并准确预测AIS患者IVT治疗后的HT风险。DVSS机制自动识别关键切片，我们的定性、定量和基于可视化的可解释性分析结果与医生注释高度一致，显著提高了可解释性。这一工具有望

CRediT作者贡献声明

兰小龙：写作 – 审稿与编辑，撰写原始草案，可视化，验证，监督，软件，资源，项目管理，方法论，调查，正式分析，数据管理，概念化。崔少国：监督，资金获取，正式分析，概念化。徐浩东：监督，正式分析，数据管理。黄旭祥：可视化，验证，监督，软件，数据管理。王燕：监督。任环环：数据

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。

致谢

本工作得到了国家自然科学基金（62306054、12501631）、重庆市自然科学基金创新发展联合基金（CSTB2025NSCQ-LZX0073、CSTB2025NSCQ-LZX0057）、重庆师范大学研究生研究创新项目（YKC25022）和重庆市教委重点科学技术研究计划（KJZD-K202200510）的支持。

伦理批准声明

我们确保所描述的工作是按照