Multimodal CT Perfusion-Based Deep Learning for Predicting Stroke Lesion Outcomes in Complete and No Recanalization Scenarios [ARTIFICIAL INTELLIGENCE]

常規的電腦斷層灌注掃描（CTP）單一閾值法嚴重低估了人體微血管的韌性，在成功血管打通的病患中，傳統軟體預測最終梗塞範圍的準確度居然只有 15.73%。這篇由跨國團隊發表於 AJNR 的最新多中心研究證實，若改用針對「血管是否成功打通」分別訓練的 3D 多重模態深度學習模型，能將成功打通組的預測精準度飆升至 35.36%，徹底顛覆我們對急性缺血性腦中風術後組織存活率的傳統認知。

傳統單一 CTP 閾值在預測梗塞體積的致命缺陷

預測急性缺血性腦中風（AIS）病患最終的病灶位置與體積，一直是神經放射科與急診團隊決定是否啟動動脈內血栓移除術（EVT）的關鍵依據。目前全球廣泛使用的商業化軟體，多半依賴單一且僵化的像素閾值來定義組織生死，例如將腦血流量（CBF）小於對側 30% 的區域直接判定為不可逆的梗塞核心，並將達峰時間（Tmax）大於 6 秒的區域劃分為缺血半暗帶（penumbra）。然而，這種基於單一參數切點的評估方式在實際臨床場景中經常遭遇滑鐵盧，因為它完全忽略了腦部組織的 3D 空間相鄰關係以及側支循環（collateral circulation）的動態代償能力。

從病理生理學的角度來看，腦組織的缺血耐受度並非二分法。當病患接受治療並成功達到完全再通（Complete Recanalization, CR）時，原本處於低血流狀態的區域可能會因為及時的血液灌流而逃過壞死命運；反之，若遭遇無再通（No Recanalization, NR）的狀況，整個缺血半暗帶最終都會無可避免地走向凋亡。傳統的單一模型並未將這兩種截然不同的血流動力學結局分開考量，導致預測結果與病患數天後的真實磁振造影（MRI）影像大相徑庭。

作者團隊敏銳地捕捉到了這個問題，決定捨棄傳統「一體適用」的閾值法，轉而開發專門針對這兩種極端預後的客製化深度學習模型。這個研究的核心動機在於：如果我們能更精準地模擬出「打通」與「沒打通」的最終腦組織壞死地圖，臨床醫師就能在術前更客觀地衡量血栓移除術能為該名特定病患挽救多少體積的腦細胞，進而實現真正的個人化醫療決策。

多中心 488 例病患與 nnU-Net 模型的架構解析

在研究設計方面，團隊匯集了來自多個醫學中心的真實世界數據，總共納入 488 位接受急性中風治療的病患。為了對應截然不同的血流動力學狀態，這群病患被嚴格區分為兩大獨立的世代：包含 350 位達成完全再通（CR，代表成功再灌流）的病患，以及 138 位遭遇無再通（NR，代表再灌流失敗）的病患。所有受試者皆具備高品質的初始 CTP 影像，並且在發病後數天內完成了追蹤的擴散磁振造影（DWI，利用水分子擴散受限來精準定位最終壞死區域），這份 DWI 影像被視為訓練與驗證模型的最嚴格參考標準（Ground Truth）。

為了解決傳統方法缺乏空間上下文的問題，研究團隊選擇了 3D nnU-Net（一種能自動最佳化超參數與網路架構的先進醫學影像切割框架）作為核心演算法。與過去依賴單一參數的方法不同，這個多重模態（Multimodal）模型同時接收了完整的 CTP 參數圖，包含腦血容量（CBV）、腦血流量（CBF）、平均滯留時間（MTT）以及延遲時間（DT）。藉由將這五張參數圖堆疊成多通道的 3D 張量輸入網路，模型得以學習血管灌注參數之間複雜的非線性交互作用。

在具體的訓練策略上，CR 模型被賦予的任務是精準預測「即使血管打通也注定會死亡的梗塞核心」，而 NR 模型則被訓練來預測「包含核心與周圍缺血半暗帶在內的全面性擴張壞死區」。為了確保模型評估的穩健性並避免過度擬合，研究採用了嚴謹的五折交叉驗證（Five-fold cross-validation），確保每一位病患的預測結果都是由未曾見過該病例的模型所產出。

Table 2 與 Figure 3 證實的 Dice 分數巨幅提升

把焦點拉到研究的量化表現，這篇論文在主要結果的呈現上給出了極具說服力的數據。根據 Table 2 的詳細紀錄，在評估預測影像與真實 DWI 影像重疊程度的 Dice 分數（Dice score，完美重疊為 100%）上，3D nnU-Net 多重模態模型展現了壓倒性的優勢。在最難預測的完全再通（CR）組別中，AI 模型達到了平均 35.36% 的 Dice 分數；相比之下，目前臨床主流使用的傳統單一技術閾值法，其預測準確度僅有低迷的 15.73%。這意味著深度學習將預測精準度提升了超過一倍。

在無再通（NR）的組別中，由於整個缺血區域的生理演進相對單純（即持續缺血至壞死），整體的預測難度較低，但 AI 依然維持了領先地位。Table 2 顯示 NR 模型獲得了高達 50.22% 的平均 Dice 分數，顯著超越了傳統閾值法的 39.71%。這項數據強烈暗示，即使在最不樂觀的無打通情境下，多個灌注參數的立體空間特徵依然能比單一的 Tmax 或 CBF 切點提供更多關於組織生死的線索。

若細看正文中的 Figure 3，視覺化的對比更是令人印象深刻。在多個 CR 組的案例展示中，傳統閾值法經常在皮質區域畫出過度誇張的紅色梗塞警告區，但病患實際打通後的 DWI 追蹤卻顯示這些區域大面積存活（這正是造成其 Dice 分數僅有 15% 的主因）。相反地，多重模態 nnU-Net 模型預測出的病灶輪廓明顯更加保守且收斂，精準貼合了真實的壞死邊界，大幅降低了偽陽性的誤判率。

演算法在不同缺血區域的次群組表現與偽影抗性

深入探討次群組分析，多重模態模型的優勢在於它對複雜生理變異的強大包容力。急性中風的病患群體異質性極高，有些病患依賴軟腦膜側支循環（leptomeningeal collaterals）苦撐，有些則伴隨嚴重的慢性白質病變或陳舊性微血管缺血。傳統的閾值法往往會將這些長期的血流低下區域誤認為急性的缺血半暗帶，導致評估出的錯配體積（Mismatch lesion volume, MLV）嚴重失真。

透過 3D 卷積神經網路的空間感知能力，AI 模型學會了從局部血流梯度的變化中分辨「急診室當下發生的急性阻塞」與「大腦長期適應的慢性缺血」。特別是在大腦皮質與基底核這些對缺氧敏感度完全不同的解剖構造中，多變數的回歸特徵讓模型不再只看絕對數值，而是綜合評估 CBV 守住的程度與 MTT 延長的比例。只要 CBV 沒有出現斷崖式的崩盤，模型就傾向預測該區域在成功再通（CR）後具有高度存活潛力。

值得注意的是，單一模態的 AI 模型（僅輸入單一參數圖）在實驗中的表現依然不及結合所有參數的多重模態網路。這證明了腦組織的存亡機率是由血流速度、總量與微血管阻力共同交織而成的複合函數。在面對部分因病患躁動而產生輕微移動偽影（motion artifacts）的 CTP 影像時，多重模態模型也能藉由不同參數圖之間的相互參照，展現出遠勝傳統體素級別演算法的抗雜訊能力。

放射科醫師的日常應用限制與追蹤影像時間偏差

儘管多重模態 AI 在各項指標上取得了顯著勝利，作者在 Discussion 中也坦承了幾項不可忽視的限制。首先，即使在大幅進步之後，CR 組的 Dice 分數依然只有 35.36%。這意味著在體積與形狀的絕對重疊上，AI 的預測與真實結果仍有近六成五的空間差異。這反映了缺血再灌流損傷（reperfusion injury）與微血管無復流現象（no-reflow phenomenon）的高度隨機性，這些細胞層級的破壞目前仍無法單靠巨觀的 CTP 影像完全掌握。

其次，研究將追蹤的 DWI 視為絕對真理，但實務上每家醫院執行追蹤 MRI 的時間點差異極大（從發病後 24 小時到 7 天不等）。DWI 上的高訊號區域在急性期可能會因為細胞毒性水腫（cytotoxic edema）而顯得較大，甚至有少數案例會出現擴散受限可逆（DWI reversal）的現象。這種參考標準本身的時間依賴性，是所有中風 AI 預測模型共同面臨的系統性偏差。

對於第一線忙碌的放射科醫師而言，這項技術的最大價值不在於取代現有的軟體，而是提供一個極具參考價值的「雙重預後劇本」。未來的看片流程中，我們不再只是報告單一的梗塞核心體積，而是能向臨床醫師具體指出：「如果血栓順利取出，預期壞死體積僅有 15 毫升；但若無法打通，壞死體積將擴大至 80 毫升」。這種將結果視覺化的雙軌預測，能讓醫療團隊在面對高風險手術或臨界適應症的病患時，擁有更堅實的醫病溝通依據與治療底氣。

看到傳統軟體亮起大片紅色的梗塞核心時先別急著放棄治療，多重模態 AI 告訴我們，只要盡速達成血管再通，真實的腦組織存活率遠比僵化的像素閾值樂觀得多。