Deep learning-based non-contrast CT imaging markers enhance post-transfer DWI core volume prediction [NEUROVASCULAR/STROKE IMAGING]

傳統以為精準的 CTP 預測轉院後梗塞核心，解釋變異度僅有 0.56，加上 AI 判讀無顯影 CT 的重度低密度體積後，預測準確度竟飆升至 R2: 0.65。在急診常見的打針轉院（drip-and-ship）模式中，我們常把非顯影 CT 當作單純的出血排除工具，卻忽略了它蘊含的梗塞擴展密碼。史丹佛大學團隊透過深度學習，將這項老工具的潛力徹底榨出，證明單憑非顯影 CT 萃取的特徵，就能在病患抵達醫學中心前，精準預判最終的腦死區大小。

轉院前 420 例病患的梗塞擴展預測難題

回視目前急性缺血性中風的處置流程，當病患在初級中風中心（PSC）接受初步評估後，若懷疑大血管阻塞，往往需要轉送至可執行 EVT（動脈內取栓術）的醫學中心（CSC）。這段轉院過程可能耗時一至數小時，期間缺血半影區（penumbra）持續向壞死核心（core）轉化。如何精準預測病患抵達 CSC 時的真實核心體積，直接關係到取栓手術是否還有意義，這正是第一線放射科與神經內科醫師每天面對的壓力。

過往臨床多依賴初級中心拍攝的 CTP（打顯影劑看腦灌注的電腦斷層）來推估，但 CTP 受限於血流動力學的延遲效應，常會高估或低估真實的組織壞死情況。史丹佛大學團隊因此將目光轉回最普及、最不易受血流干擾的非顯影 CT。他們企圖驗證，若利用 DLNCCT（AI 自動化圈選非顯影 CT 缺血病灶）技術，是否能從肉眼難以定量的低密度變化中，找出比傳統血流灌注更穩定的預測指標。

為了回答這個問題，研究團隊進行了一項前瞻性收案的事後分析。從 Methods 來看，他們總共納入 420 位 經歷初級中心轉院至醫學中心的急性缺血性中風病患。這個 cohort 的組成相當具代表性，包含 239 位男性（佔比 57%），年齡中位數落在 72 歲，四分位距（IQR）為 61 至 80 歲。所有病患皆具備初級中心的基線影像，以及抵達醫學中心後拍攝的 DWI（用磁振擴散權重影像確認最終壞死核心），以此作為最終的黃金標準。

研究設計的精妙之處在於，他們不只單看一種參數，而是利用經過驗證的深度學習模型，從基線非顯影 CT 中一口氣萃取出三個維度的量化特徵。這包含了總體病灶體積（每增加 10mL 為單位）、mNWU（用 CT 密度衰減計算腦水腫百分比），以及最關鍵的重度低密度體積（定義為 CT 值 ≤26 HU，同樣以每 10mL 為單位計算）。這些 AI 萃取的客觀數據，將與核心實驗室專家嚴格評分的 ASPECTS（亞伯達中風計畫早期 CT 評分），以及標準的 CTP 灌注參數進行正面對決。

Figure 2 揭露 ≤26 HU 區域的 20.0mL 擴展威力

若細看模型跑出的實際影響係數，單純影像表徵與最終轉院後核心體積的線性關係相當驚人。在臨床醫師最熟悉的 ASPECTS 方面，基準影像上的評分每下降 1 分，病患抵達醫學中心時的最終核心體積就會顯著增加 11.2 mL（95% CI: 8.3-14.1）。這印證了傳統 ASPECTS 的臨床價值，但也凸顯了肉眼評分 1 分的差異，背後代表的是超過 10 毫升的腦組織存亡，容錯率極低。

把焦點轉向 AI 自動萃取的 DLNCCT 體積特徵，總低密度病灶體積每增加 10 mL，轉院後的最終核心體積會相應增加 10.0 mL（95% CI: 6.8-13.3）。這個 1:1 的轉換率符合直覺，代表初級中心 CT 上能被 AI 辨識出的輕微水腫區域，在轉院後幾乎都會無情地轉變為不可逆的壞死核心。這也暗示了，若只看總體積，其預測力度大致與病灶現有大小持平，尚未展現出區分組織活力的細緻度。

然而，整篇研究最具衝擊力的數據落在「重度低密度體積」這個參數上。當 AI 特別針對 CT 值 ≤26 HU 的區域進行圈選時，這個極度缺血的體積每增加 10 mL，轉院後的最終核心體積竟會爆增 20.0 mL（95% CI: 12.7-27.2）。這意味著 ≤26 HU 的區域不僅代表該處細胞已經實質性死亡，它更是周邊缺血半影區將快速崩塌的強烈預測因子。在統計權重上，重度低密度的擴展破壞力是總低密度體積的整整兩倍。

相對於上述體積參數的強勢表現，另一個近年在學界備受討論的指標 mNWU（改良淨水分攝取率）卻意外中箭落馬。研究數據明確指出，mNWU 百分比與轉院後的最終核心體積之間完全沒有統計學上的關聯（p = 0.63）。這個顛覆性的次群組發現提醒我們，單純計算組織含水量的相對變化率，在面對轉院這段充滿變數的時間差時，其預測穩定度遠不如直接測量 ≤26 HU 的絕對體積來得可靠。

Table 3 預測模型 R2 表現與 CTP 的疊加效應

探討完單一變數的影響力，我們必須進入多變數迴歸模型的檢驗，這也是 Table 3 展現臨床實戰價值的核心。在僅包含臨床基線變數與 CTA（電腦斷層血管攝影）條件的基礎模型上，若加入專家人工判讀的 ASPECTS，其預測轉院後核心體積的解釋變異度（R2）為 0.49 ± 0.02。若我們不依賴人工，改為加入 AI 萃取的 DLNCCT 體積參數，其 R2 達到 0.50 ± 0.02。兩者在統計學上並無顯著差異（p = 0.58）。

這個 p=0.58 的背後意義重大：它證明了全自動化的深度學習非顯影 CT 判讀，在預測病患轉院後腦死區大小的能力上，已經完全可以匹敵，甚至微幅超越核心實驗室等級的神經放射專家。對於夜間缺乏次專科醫師值班的初級中風中心而言，這套 DLNCCT 系統能提供立竿見影的決策支援，確保轉院評估的品質一致性。

更精彩的對比在於將這些解剖學指標與 CTP 血流動力學指標進行疊加。如果單純使用 CTP 的影像標記來預測轉院後的核心體積，模型的 R2 為 0.56 ± 0.02。不可否認，CTP 的表現確實優於單純的非顯影 CT（0.56 vs 0.50）。但 CTP 往往會受到造影劑延遲到達、心輸出量不足或側支循環代償的干擾，導致其預測存在天花板。

當研究團隊將解剖學與血流動力學結合時，突破性的進展出現了。在 CTP 的基礎上加入 ASPECTS，模型 R2 顯著提升至 0.63 ± 0.02（p < 0.01）。而若在 CTP 基礎上加入客觀定量的 DLNCCT 特徵，模型的預測能力將達到本次研究的巔峰：R2 飆升至 0.65 ± 0.01（p < 0.01）。這證實了非顯影 CT 上的低密度特徵與 CTP 上的灌注缺損，兩者提供的病理資訊是互補的，疊加使用能最大化轉院前預測的準確度。

影像標記的臨床應用限制與實務建議

儘管 DLNCCT 展現了極高的臨床價值，我們在解讀這些數據時仍需注意作者在 Discussion 中坦承的實務限制。首先，這是一項基於前瞻性收案的「事後分析」（post-hoc analysis）。雖然 420 人的樣本量在轉院中風研究中已屬中大型規模，但病患從 PSC 到 CSC 實際耗費的轉院時間差異，並未在摘要提及的模型中作為獨立的分層變數，而時間恰恰是影響梗塞核心擴展的最不確定因素。

其次，深度學習模型對於 CT 值的絕對閾值（如本篇極為關鍵的 ≤26 HU）高度敏感。不同的 CT 廠牌、不同的切面厚度（slice thickness）以及不同的影像重建演算法（kernel），都可能導致組織的 HU 值產生微幅偏移。因此，若要將這套 DLNCCT 模型廣泛部署至各個不同硬體條件的初級中風中心，勢必需要進行多中心的影像標準化校正，否則 26 HU 的界線可能會在某些機台上引發偽陽性或偽陰性。

對於第一線放射科與神經科醫師而言，這篇論文提供了極具操作性的實務啟示。如果你所在的醫院缺乏 CTP 設備，或者病患因腎功能不佳無法注射造影劑，請不要氣餒。只要運用 AI 工具精準量化非顯影 CT 上的總低密度與 ≤26 HU 重度低密度體積，你就能掌握與專家評分相當，甚至逼近 CTP 的預測能力，勇敢做出是否轉院取栓的建議。

反之，如果你所在的醫院常規執行 CTP，請務必打破「只看彩色血流灌注圖」的習慣。在判定最終的 core volume 前，務必切回非顯影 CT 視窗，特別針對那些在 CTP 上顯示為缺血，但在 NCCT 上已經出現 ≤26 HU 的區域進行雙重確認。因為這篇研究已用 R2: 0.65 的數據告訴我們，將組織實質的密度衰減與血流灌注狀態合併考量，才是預防高估或低估轉院後病況的最佳解。

下次在轉院前看到 CTP 亮起大片缺血，請務必切回非顯影 CT 尋找 ≤26 HU 的黑洞；因為那裡每多 10mL 的死寂，抵達醫學中心時就會引爆 20mL 的不可逆壞死。