近日，浙江大学医学院附属第二医院童璐莎、高峰教授团队，联合浙江大学生物仪器与工程学院赵立教授团队，成功开发出一种用于区别急性自发性脑出血的可解释性的人工智能模型，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），从急诊脑出血患者中精准识别出脑静脉系统血栓形成相关脑出血，其灵敏度达96%，相关成果发表于《柳叶刀》子刊《电子临床医学》。

基于3D U-Net的深度学习模型框架与流程。（浙大供图）

  ?

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，这类一发病就能看到明显出血病灶的脑静脉系统血栓患者，一个月内死亡率高达50%，是一种特殊类型的自发性脑出血，具有发病罕见、病情重、死亡率高的特点，目前在我国尤其是基层医院，正确诊断率低。关键是，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，从而危及患者生命。

脑静脉系统血栓的诊断方式常规包括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因检查复杂而耗时长，大大增加了延误病情的风险。在此背景下，研究团队提出了一种仅基于急诊的平扫CT进行判别的人工智能（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。

为此，研究团队联合浙江省其他地区医院构建数据集，采用迁移学习策略，利用患者入院头颅CT平扫图像，成功开发出一种融合血肿分割和分类的深度学习模型。该模型在内部测试及外部验证中均展示出优异且稳定的性能，诊断灵敏度达到96%。

此外，模型还经过了与三甲医院医生的实战测试，与包括放射科、神经内科、急诊科在内的9位不同年资的医生进行了诊断性能比较。结果显示，模型的表现显著优于医生的平均水平，而在该AI模型的辅助下，医生的再次诊断的正确率得到了约20%的显著提升。

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，这有助于缓解医生对于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。

“我们的模型仅需要输入CT平扫图像，便能生成脑静脉及静脉窦血栓形成继发出血和其他类型脑出血的诊断概率，我们开发这一模型的初衷就是为了响应浙江省“医疗共同富裕”的号召，让暂时缺乏充足医疗检查工具、医疗人员的地区医院也能通过最基本的检查实现准确的诊断，造福一方居民。” 童璐莎表示。

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。赵立教授表示，把模型开源的决定，将更加有助于来自更多中心的数据检验，也将进一步提高该模型的准确性。

相关论文信息：https://doi.org/10.1016/j.eclinm.2025.103128