近日，浙大二院教授童璐莎、高峰团队，联合浙江大学生物仪器与工程学院教授赵立团队，成功开发出一种用于区别急性自发性脑出血的可解释性人工智能（AI）模型。

该模型针对急性脑叶出血发病凶险、病因鉴别困难等问题，仅利用常规头颅CT（非增强），即可从急诊脑出血患者中精准识别出脑静脉系统血栓继发出血，灵敏度达96%。

相关成果发表于顶级医学期刊《柳叶刀》子刊《电子临床医学》。

脑静脉系统血栓继发出血是由于脑部静脉堵塞-静脉压力增高-静脉破坏出血，具有发病罕见、病情重、死亡率高的特点，一个月内死亡率高达50%。

值得注意的是，这种类型的出血的治疗方案与其他类型的脑出血截然相反，需要尽快抗凝或者手术消除静脉内血栓。若误诊或漏诊将会导致不合理的治疗，会危及患者生命。

特别是，目前在我国尤其是基层医院，脑静脉系统血栓正确诊断率低。运用常规的诊断方式，比如CT颅内静脉造影、磁共振静脉成像等，在基层医院较难实行，或者因检查复杂而耗时较长，大大增加病情延误的风险。

在此背景下，研究团队提出一种仅基于急诊的平扫CT进行判别的AI辅助工具。旨在通过在所有医院都能实现的急诊首要检查，辅助医师快速、准确地识别脑静脉及静脉窦血栓形成继发出血，早期实施精准治疗，提高患者生存率。

研究团队整合国内多家三甲医院的头颅CT数据，依托多学科技术力量，构建了针对CVST-ICH的人工智能诊断模型。该模型基于非增强CT影像，训练可解释性深度学习算法，能够快速、准确地识别CVST-ICH，其诊断灵敏度高达96%。

该模型还经过三甲医院医生的实战测试，并与来自放射科、神经内科、急诊科的9位不同年资的医生进行了诊断性能比较。结果显示，AI模型的表现显著优于医生的平均水平，在AI模型的辅助下，医生再次诊断的正确率提升约20%。

为进一步增强模型可解释性，研究团队采用4种视觉化的AI可解释性方法，揭示了血肿边缘特征在模型决策中的关键作用。这有助于消除医生对于AI辅助决策中“黑箱”性质的疑虑，增强了实际临床应用中的信任度。

童璐莎教授表示，开发这一模型的初衷是为响应浙江省医疗“共同富裕”的号召，落实医疗资源均衡化战略，使基层医疗机构能通过最基本的检查实现准确的诊断。

为了让该模型能够更便捷地应用于临床，研究团队决定放弃专利申请，将模型完全开源。

信息来源：中国医院院长