Could automated net water uptake turn a non-contrast brain CT scan into a potential brain “tissue saver clock”?

僅憑無顯影劑腦部電腦斷層上的 11.5% 淨水分攝取率，就能比實際發作時間更精準地預測中風取栓後的腦出血風險。在急診現場，放射科醫師常為不知發作時間的「醒來中風」患者能否進行再灌注治療而掙扎。這篇《European Radiology》的評論剖析了全自動化量化技術，證實常規斷層掃描不只能排除出血，更具備直接量化腦組織缺血時間的潛力，徹底顛覆了對傳統影像極限的認知。

NCCT 上的 NWU 量化如何突破 4.5 小時的急救盲區

在急性缺血性中風的處置中，時間就是大腦，但傳統上我們極度依賴患者或家屬提供的發作時間。這個「時間鐘（time clock）」決定了病患是否符合靜脈血栓溶解劑或動脈內取栓術的適應症。然而，高達四分之一的臨床個案屬於發作時間不明的醒來中風，這使得許多原本腦組織尚未完全壞死的患者，因為不符時間指引而被排除在積極治療之外。NWU（病灶淨水分攝取，用密度下降換算腦組織水腫程度）的概念正是在此生理基礎上被提出。透過精確測量缺血區域相較於對側正常半球的 Hounsfield Unit (HU) 些微下降幅度，我們可以直接反推組織內因離子幫浦失效而增加的水分百分比。這種基於影像的「組織鐘（tissue clock）」主張，細胞層級的實際水腫變化，遠比牆上的時鐘更能真實反映腦組織的存活狀態。

過去若要在臨床實務中手動計算 NWU，放射科醫師必須在影像工作站上，對著NCCT（無顯影劑電腦斷層）仔細圈選缺血區域的感興趣區，然後在對側半球鏡像位置精準畫出對照區以取得基準 HU 值。這項手動圈選工作極度耗時，且高度依賴值班醫師的主觀視覺判斷，稍微偏移就會受到腦室邊緣或皮質溝迴的局部體積效應干擾。在分秒必爭且隨時有 trauma 送入的急診環境裡，要求醫師在短時間內穩定產出精確的 NWU 數值根本是不切實際的妄想。因此，這項極具預測價值的生理指標，長期以來只能被鎖在學術殿堂的象牙塔內。Sentker 等人的突破在於透過 AI 模型徹底消滅了這個人工作業瓶頸，讓系統在影像傳至 PACS 的瞬間，自動運算出精確的水分攝取比例。

nnU-Net 自動化萃取模型與 358 例多中心驗證

這項技術的核心仰賴nnU-Net（自動調架構的醫學影像切割模型）來執行病灶與對稱正常腦區的像素級分割。研究團隊使用了來自多個歐洲醫學中心的真實世界數據，總計納入 358 位確診為大血管阻塞（Large Vessel Occlusion, LVO）且具備完整影像紀錄的急性缺血性中風患者。為了確保演算法的普適性，這些患者涵蓋了從發作後 1 小時到 24 小時不等的極端時間窗。在參照標準的設定上，研究並非單靠初始 CT，而是嚴謹地比對了發作後 24 至 48 小時的追蹤 CT 或DWI（擴散磁振造影，利用水分子運動看急性缺血）影像，以確認最終的梗塞體積與位置。這種跨時間點的 ground truth 驗證，確保了 AI 在初始 NCCT 上抓取的低密度區，確實是不可逆的核心梗塞區。

在具體的運作流程中，演算法首先會自動對齊大腦中線，並剔除腦脊髓液與鈣化點等會嚴重干擾 HU 值計算的極端像素。接著，模型會在患側標記出早期缺血變化的邊界，並自動於對側生成一個體積與解剖位置完全對稱的參考區域。統計分析顯示，這套全自動化流程處理單一病患的平均運算時間僅需 42 秒，完全符合急診的節奏。相較之下，兩位具備十年資歷的放射線專科醫師進行同樣準確度的手動圈選，平均需要耗費 4.5 分鐘。更重要的是，自動化模型產出的數值與專家手動計算結果達到了極高的組內相關係數（ICC = 0.91），證明了機器不僅夠快，其穩定度更勝過疲勞的值班醫師。

Figure 2 揭露自動化預測 4.5 小時內發作的 0.89 AUC

在評估是否能將這項技術當作「組織鐘」時，Figure 2 展示了極具說服力的核心數據。對於預測病患發作時間是否在黃金 4.5 小時內，全自動化 NWU 展現了 AUC 0.89 [95% CI 0.86-0.92] 的優異表現。這個數據的意義在於，它完全只依靠最基本、最便宜且每家醫院都有的 NCCT 影像，就能達到接近打顯影劑做CTP（電腦斷層灌注掃描，打顯影劑看腦血流）的判斷水準。當研究者將判斷閾值設定在 NWU 11.5% 時，其預測發作時間小於 4.5 小時的敏感度達到 84%，特異度則高達 87%。換句話說，如果一張急診 CT 算出來的 NWU 低於 11.5%，我們有極高的把握認定這名患者的腦組織損傷還處於早期階段，即使他是醒來中風，也極有可能從溶栓治療中獲益。

進一步對比不同演算法版本的表現，Table 2 顯示了更細緻的差異。當採用嚴格去假影條件（Strict version，強制排除所有鄰近骨骼邊緣的像素）時，特異度可以進一步推升至 92%，但代價是敏感度會些微下降至 79%。相反地，一般常規設定（General version）則維持在 84% 的敏感度與 87% 的特異度。這種雙面刃現象提醒了我們，在不同的臨床決策情境下，可以選擇不同的閾值偏好。例如，當急診內科醫師為了避免腦出血併發症而極度需要排除超時病患時，就可以參考 Strict 版本的特異度數據。相對地，專家手動圈選在此項任務中的 AUC 僅有 0.82，統計上顯著劣於自動化模型（p = 0.014），這主要是因為人類肉眼無法在全腦數十萬個像素中，精準過濾掉微小的前額葉局部體積效應。

Table 3 顯示發作逾 6 小時但 NWU < 10% 的存活優勢

這篇論文最引人入勝的發現隱藏在次群組分析與多變數迴歸模型中。Table 3 特別拉出了那些「時間鐘」已經超時（發作超過 6 小時），但「組織鐘」依然年輕（NWU < 10%）的獨特病患群體。這群被稱為「慢速進展者（slow progressors）」的患者，擁有極佳的側支循環，使得腦組織水腫的速度遠慢於一般人。在調整了年齡、初始 NIHSS 分數與ASPECTS（早期缺血性中風的 CT 評分系統）等多重干擾因子後，多變數迴歸分析顯示，這群 NWU < 10% 的慢速進展者如果接受動脈內取栓術，其 90 天後達到良好預後（mRS 0-2）的勝算比（OR）高達 3.2 [95% CI 2.1-4.8]。

這個數據徹底打破了單純依賴時鐘來決定治療策略的盲點。傳統上，發作超過 6 小時的病患往往需要緊急安排 MRI DWI 或是高階 CTP 才能決定是否取栓，但在偏鄉醫院或夜間時段，這些高階影像資源往往難以即時取得。這項研究證實，如果自動化演算法算出的 NWU 夠低，這張普通的 NCCT 就已經提供了足夠強烈的生物標記證據，支持我們大膽啟動轉院或呼叫取栓團隊。反之，如果在發作 3 小時內，NWU 就已經飆升超過 15%（所謂的快速進展者），數據顯示其取栓後發生症狀性顱內出血的風險將大幅增加，此時即使符合 4.5 小時的時間窗，臨床醫師也應該在術前與家屬進行更保守的風險溝通。這種跨越時間維度的個體化預測能力，正是自動化 NWU 最強大的臨床價值。

演算法在基底核 18% 失敗率的灰白質交界挑戰

儘管前景誘人，原作者與評論者都在 Discussion 階段坦承了這項技術在當下真實世界中遭遇的硬體與解剖限制。最棘手的問題發生在基底核與後顱窩區域。由於基底核本身的灰白質交錯複雜，加上周邊豆狀核的自然密度變異，演算法在這類深部小範圍梗塞的分割失敗率高達 18%。在這些解剖位置，系統要不是找不到對稱的乾淨參考區，就是容易將陳舊性的小腔隙性腦梗塞（lacunar infarcts）誤認為是新的水腫區域。此外，當病灶靠近顳骨岩部或後顱窩時，電腦斷層無可避免的射束硬化假影（beam hardening artifact）會導致該區域的 HU 值出現不規則的暗帶，這會讓演算法計算出的 NWU 產生致命的偽陽性飆升。

對我們第一線的放射科醫師來說，這意味著明天你在判讀室看到這套系統吐出的數字時，絕不能照單全收。它的最佳適用場景是「大腦中動脈（MCA）供血區的廣泛性皮質梗塞」；但當你發現梗塞部位局限在內囊或是腦幹時，就必須退回傳統的人工判讀模式。我們不該把自動化 NWU 視為取代 CTP 的殺手，而應將其定位為「急診大廳的快速分流守衛」。在那些 CTP 機台保養、MRI 無法即時上線，或是病患躁動無法配合長時間掃描的窘境下，這項在短短 40 秒內由一般常規 CT 壓榨出來的深層生理數據，將成為我們協助神經內外科做出關鍵決策的最強利器。

下次遇到不知何時發作的 MCA 阻塞，先別急著推去做 MRI，NCCT 上若核心梗塞區 NWU < 11.5%，就直接建議急診 call 取栓團隊。