Automated CTA-Derived Collateral Grading and Morphologic Metrics for Enhanced Prediction of Post-Stroke Outcomes [NEUROVASCULAR/STROKE IMAGING]

純單相血管攝影在預測中風病患 90 天預後上，竟然擊敗了常規的腦部灌注掃描，取得高達 0.730 的 AUROC 值。這項反直覺的結果直接挑戰了我們對缺血半影區影像的絕對依賴，證明精細的血管形態學本身，就已經蘊含了足夠決定臨床生死的預後資訊。

單相血管攝影超越常規灌注掃描的 0.730 預測力

急性缺血性中風（AIS）的影像評估中，側支循環（collateral circulation）的良窳一直是決定神經元存活與取栓治療成效的關鍵指標。在日常值班的實務場景裡，CTP（CT perfusion，電腦斷層腦部灌注掃描）雖然能提供直觀的核心梗塞區與缺血半影區（penumbra）體積，但其普及率受限於高昂的軟體授權與硬體要求，且極度容易受到躁動病患的假影干擾而導致全盤失效。這讓許多中小型醫院的放射科與神經內科醫師在深更半夜面臨巨大的決策壓力。

這篇發表於 AJNR 的最新研究，正是為了解決這個每日都會發生的臨床困境。作者團隊提出了一個大膽的假設：既然 CTP 的血流灌注數據本質上是由上游的側支血管網所決定，我們是否能透過深度挖掘常規、普及且快速的 CTA（單相電腦斷層血管攝影），來完全取代 CTP 的預測功能？

研究團隊開發出了一套自動化量化側支循環指數（qCI，quantitative collateral index）。這套系統不依賴人眼的主觀判斷，而是將焦點轉向血管的形態學特徵。結果證明，這套基於 CTA 的自動化評分系統，在預測病患三個月後的神經功能恢復狀態上，表現出了比傳統 CTP 更加穩健且精確的能力。這不僅為缺乏 CTP 設備的醫療院所提供了解套方案，也為大型醫學中心的急性中風影像流程指出了潛在的簡化方向。

U-Net 分割架構與 230 位取栓病患的取樣特徵

從 Methods 的研究設計來看，這是一項回溯性分析前瞻性收集數據的研究。團隊收案了 2019 至 2023 年間，共 230 位接受 EVT（endovascular thrombectomy，動脈內導管血栓移除術）的急性缺血性中風患者。這個收案條件的設定非常精準，因為 EVT 族群正是側支循環評估最具決定性影響力的病患群體。若側支循環太差，取栓後極易發生出血性轉化；若側支循環良好，則具有較寬裕的治療時間窗。

為了精準萃取 CTA 影像中的資訊，作者採用了 U-Net（一種專精於生醫影像自動分割的深度學習框架）來進行三維血管網的重建。這並非單純的血管管徑測量，系統進一步計算了深度的形態學指標，包括血管總長度（vessel length）、分支數量（branching）、碎形維度（fractal dimension，代表血管網的空間複雜度與分支密度）以及血管曲折度（tortuosity，反映慢性血流動力學的代償適應）。

在完成空間對位（spatial registration）後，系統透過比較大腦左右半球的這些血管形態學特徵差異，自動演算出 qCI 指數。隨後，研究團隊利用梯度提升決策樹（gradient-boosted decision tree，一種特別擅長處理表格型特徵數據並防止過度擬合的機器學習演算法），將病患分為三組預測模型：單獨 CTP 參數（包含核心、半影區、不匹配體積）、單獨 CTA 參數（qCI 加上血管形態學指標），以及兩者結合的綜合模型，藉此對比它們在預測臨床終點上的真實表現。

Table 2 展示單獨 CTA 預測 90 天 mRS 的壓倒性數據

把焦點拉到 Results 的核心比較，這也是整篇論文最震撼放射科醫師的部分。在預測病患 90 天的 mRS（modified Rankin Scale，評估中風後失能程度的改良式量表）這項黃金標準上，Table 2 清楚列出了三組模型的對決結果。

數據顯示，僅使用常規血管形態特徵的「單獨 CTA 模型」，其預測準確度 AUROC（接收者操作特徵曲線下面積）達到了 0.730；相較之下，我們長期依賴的「單獨 CTP 模型」AUROC 僅有 0.645。這意味著，在預測病患最終是否能自己走路出院或終身臥床這件事上，靜態的血管網形態比動態的腦血流灌注圖譜提供了更可靠的資訊。

更值得注意的是 Table 2 中的 Brier score（衡量預測機率與真實發生率之間誤差的校準指標，數值越低代表模型越穩定）。單獨 CTA 模型的 Brier score 為 0.178，大幅優於 CTP 模型的 0.295。這代表 CTP 的預測極端值較多，容易出現過度自信的誤判，而 CTA 的預測與真實世界發生的機率更加吻合。當團隊將兩者結合（CTA+CTP 模型）時，預測力進一步推升至最佳的 AUROC 0.781。同樣的趨勢也反映在 END（early neurological deterioration，早期神經功能惡化）的預測上，CTA 衍生特徵為現有的灌注模型帶來了顯著的重新分類增益（reclassification gains）。

Figure 3 的側支循環自動評分與專家視覺判讀的一致性

當然，任何 AI 系統若要真正在臨床落地，必須先證明它能穩定重現資深醫師的判讀水準。若細看 Figure 3 所畫出的系統評分與專家視覺判讀的對比圖表，我們可以看到令人安心的數據支持。人類專家在評估側支循環時，常受到螢幕窗寬窗位（window/level）的設定、當日疲勞度以及主觀經驗的影響，導致不同醫師間的評分差異甚大。

在這項研究中，自動化的 qCI 被設定為與傳統臨床常用的 0 到 3 分量表相對應。Figure 3 顯示，這套完全自動化的系統與資深神經放射科專家的評估達到了極高的一致性：整體準確度（accuracy）高達 0.863，Pearson 相關係數 R 為 0.880，而代表實質一致性的 Cohen’s κ 值則來到了穩健的 0.786。這表示 AI 的評估結果並非黑盒子隨機亂猜，而是高度貼合人類專家的病理生理學直覺。

當研究團隊將這個 0 到 3 分的等級二元化（dichotomized，即單純區分側支循環為「良好」或「不良」），系統的表現更為驚人。二元化分類的準確度躍升至 0.938，其 AUROC 更高達 0.945。這對於急診第一線的決策具有決定性的意義，因為在取栓前的黃金時刻，醫師最需要知道的往往就是這個二元化的答案：這顆腦袋的側支代償是否還撐得住手術的風險？

結合血管形態學與多變數迴歸的次群組生理學洞見

雖然 Abstract 著重於總體預測力，但從這些精細的形態學參數中，我們可以推導出更深層的病理生理學意義。傳統的視覺側支循環評分，多半只是看大腦皮質表面的顯影血管「數量」或「對比劑濃淡」。然而，這套系統引入了「碎形維度」與「血管曲折度」。

在多變數迴歸的分析思維中，一根筆直但粗大的血管，與一叢細小、極度彎曲且分支繁雜的微血管網，對應著截然不同的代償機制。高度曲折且分支密集的血管網（高碎形維度），通常暗示著病患大腦為了應對慢性的大血管狹窄，已經長時間進行了血流動力學的自我重塑。這種病患在面臨急性大血管阻塞時，其組織耐受缺血的時間往往遠超乎常規預期。

相反地，若單獨 CTP 顯示出龐大的缺血半影區，但 AI 卻在該區域測出極低的血管碎形維度與長度，這通常預示著微循環床的全面崩潰。此時即便成功打通大血管，血液也無法有效灌注進微血管，這也解釋了為何僅憑 CTP 的不匹配體積（mismatch volume）在預測 90 天 mRS 時會遭遇瓶頸。CTA 的形態學數據實質上補足了 CTP 無法看到的「微觀血管品質」資訊。

取代傳統灌注掃描的實務限制與模型推廣考量

在 Discussion 段落中，作者也坦承了這項研究目前在實務推廣上的限制與適用範圍。首先，這是一項基於單一醫療系統內 230 位病患的回溯性分析，雖然數據收集是前瞻性的，但仍需要更具規模的多中心外部驗證，來確保這套 U-Net 框架在面對不同廠牌 CT 掃描儀、不同對比劑注射速率以及不同切厚設定時，依然能保持穩健的分割品質。

其次，研究對象全部都是接受了動脈取栓（EVT）的患者。這帶來了一定的選擇偏差（selection bias）。對於那些因為梗塞範圍過大或就醫過晚而未接受 EVT 的純內科保守治療病患，這套 CTA 形態學模型的預測準確度是否依然能壓倒 CTP，仍屬未知。此外，這套 qCI 是基於大腦左右半球的對稱性比較而來，若病患本身存在嚴重的雙側慢性大血管阻塞或過去曾有對側大面積中風的舊痕跡，這套依賴半球對比的自動化機制可能就會給出偏差的分數。

然而，從資深放射科同行的角度來看，這項技術的潛在價值依然難以估量。特別是在值大夜班或是身處沒有 RAPID 等高級 CTP 軟體的區域醫院時，我們經常只能依靠一張單相 CTA 配合單純的 NCCT 來決定是否將病患外轉。這套系統證明了，只要演算法夠聰明，單相 CTA 所蘊藏的含金量絕對足以支撐重大的預後判斷。未來，若這類軟體能整合進 PACS 系統，在影像上傳的兩分鐘內自動彈出 qCI 分數與預測機率，將會極大地減輕放射科醫師在急性中風判讀上的精神負擔。

下次當急診因為躁動假影把 CTP 掃壞時別慌，仔細觀察 CTA 缺血側的血管曲折度與分支密度，它們預測三個月後病患能不能走路的準確率，其實比灌注圖譜更高。