基于双注意力机制和多任务学习的急性缺血性卒中发病时间评估
《Biomedical Signal Processing and Control》:Dual-attention and multi-task learning for onset time assessment in acute ischemic stroke
【字体:
大
中
小
】
时间:2026年10月14日
来源:Biomedical Signal Processing and Control 5.7
编辑推荐:
摘要
背景:准确确定急性缺血性卒中(AIS)的发病时间是指导再灌注治疗的关键。传统方法如弥散加权成像(DWI)-液体衰减反转恢复(FLAIR)不匹配法受限于主观性强和一致性差。
方法:本研究收集了发病时间已确认在24小时内的AIS患者的DWI和FLAIR序列。我们提出了一
摘要
背景:准确确定急性缺血性卒中(AIS)的发病时间是指导再灌注治疗的关键。传统方法如弥散加权成像(DWI)-液体衰减反转恢复(FLAIR)不匹配法受限于主观性强和一致性差。
方法:本研究收集了发病时间已确认在24小时内的AIS患者的DWI和FLAIR序列。我们提出了一种轻量级双注意力增强多任务网络(DAMN),集成了多序列融合和多任务学习。评估了该模型在三个关键时间窗(4.5小时、6小时、9小时)内分类发病时间的性能,并与基线模型和单序列输入进行了对比。消融实验验证了双注意力机制的贡献。
结果:从纳入的218例患者中获得8744张配准后的轴位切片。在病灶识别方面,多序列DAMN的ROC曲线下面积(AUC)达到0.972。在发病时间分类方面,该模型在所有时间窗内均一致优于单序列模型,AUC分别为0.827(4.5小时)、0.820(6小时)和0.810(9小时)。在4.5小时任务中,双注意力机制相比基线主干网络带来了AUC 0.118的显著提升。
结论:所提出的DAMN模型利用多序列MRI融合和双注意力机制,有效聚焦于病灶区域,在关键的4.5小时发病时间分类中展现出优越性能,为溶栓治疗提供了有价值的决策支持。源代码公开地址为:https://github.com/813Ender/Wus-code.git。
引言
急性缺血性卒中(AIS)具有高发病率、高死亡率、高致残率和高复发率的特点。据统计,每年约有1200万人罹患卒中,其中AIS占65%以上[1]。醒后卒中(WUS)占新发缺血性卒中的14%–28%[2],指的是患者在睡眠前无新的卒中症状,但醒来时由自己或他人发现存在卒中症状的AIS病例。AIS超急性期治疗的重点是再灌注治疗,该治疗具有高度时间依赖性。由于症状发生在睡眠期间,发病时间不明确,通常采用"最后正常时间"作为替代,这往往导致患者到达医院时已超过再灌注治疗时间窗[3]。然而,临床研究显示,在明确时间窗内接受静脉溶栓治疗的患者,尤其是4.5小时内的患者,预后显著改善,致残率降低[4],[5]。因此,准确确定卒中发病时间对临床治疗至关重要。
目前各国现行指南[6],[7],[8]推荐使用多模态影像评估(如DWI-FLAIR不匹配、梗死核心/灌注不匹配)来指导WUS患者是否适合再灌注治疗。然而,其临床应用仍受到限制。FLAIR状态的评估依赖主观人工判断,主要挑战在于观察者间一致性低[9],[10],[11],[12],[13],[14]。此外,该方法受医生经验差异、评估标准差异以及不同中心MRI扫描参数差异的影响,导致显著的主观变异和不一致性[13]。梗死核心/灌注不匹配法并不适用于所有患者;例如,在小血管病患者中,即使发病时间较短,多模态影像也可能无法显示缺血半暗带。相反,在某些大血管疾病患者中,即使实际发病时间较长,多模态影像仍可能显示缺血半暗带,增加再灌注治疗的出血风险。
因此,在WUS患者再灌注治疗决策中平衡安全性是一个关键的临床挑战,对改善患者预后具有重要意义。我们提出以下概念:缺血半暗带评估通过确定是否存在可挽救的脑组织来评估有效性,而发病时间评估通过衡量出血风险(随发病时间延长而增加)来评估安全性。对于小血管病的WUS患者,缺血半暗带评估的局限性表明,直接评估发病时间可能更为合适。对于大血管病的WUS患者,结合缺血半暗带评估与发病时间评估,能更全面地判断是否适合再灌注治疗。近年来,越来越多的研究探索基于深度学习的多模态自动卒中时间窗分类方法,以提高判断的客观性和可靠性。例如,Wouters等人利用PRE-FLAIR和AXIS 2的多中心临床数据开发了基于DWI的自动化模型,以确定卒中发病是否在4.5小时内,在独立验证集上取得了AUC 0.72[15]。在此基础上,Lu等人提出了一种机器学习方法,将病灶区域的放射组学特征与全脑多序列成像(DWI、表观弥散系数(ADC)、FLAIR)相结合。其方法在IWS策略下10折交叉验证中取得了AUC 0.904,显著优于单区域特征模型,能够更准确地预测卒中发病时间[16]。此外,几种多模态方法在时间分类任务中展现出优越性能。然而,大多数方法依赖于像素级病灶分割掩膜作为监督信号,获取成本高,从而限制了临床的可扩展性和采用[17],[18],[19],[20]。
在临床实践中,DWI-FLAIR不匹配常用于评估缺血性病灶的时间特征。图1展示了三名不同发病时间的急性缺血性卒中患者的DWI和FLAIR模式对比。随着发病时间延长,病灶内FLAIR高信号逐渐明显,从细微变化到清晰可见,而DWI始终表现为高信号。基于这些观察,我们提出了双注意力多任务网络(DAMN),这是一个利用多序列颅脑MRI进行AIS患者发病时间估计的智能分析框架。通过双注意力机制联合建模互补的多模态信息,并将切片级病灶检测作为辅助任务,DAMN增强了时间分类性能,旨在为WUS患者的再灌注治疗决策提供支持。本研究的主要贡献如下:
1. 我们通过双注意力机制融合DWI和FLAIR序列,捕捉跨模态的互补信息,从而提高发病时间预测的准确性。
2. 模型不依赖病灶掩膜进行监督,而是在切片级别进行病灶分类,有效降低了对像素级标注的依赖。
3. 在多任务学习框架内,模型在统一架构中同时执行病灶检测和发病时间窗的二分类,从而增强整体判别能力和临床适用性。
急性缺血性卒中发病时间窗分类的相关工作片段
近年来,深度学习在医学影像分析中的应用日益广泛,特别是在卒中诊断任务中展现出巨大潜力。急性缺血性卒中发病时间窗分类是本文关注的重点,因其与再灌注治疗决策直接相关而受到广泛关注。Zhu等人提出了一种基于DWI-FLAIR影像的跨模态CNN网络,实现了病灶的同步识别……
材料与方法
本研究使用的数据集由暨南大学附属第一医院提供。如图2所示,在2009年1月至2024年3月期间,最初筛选了11,614例AIS患者。在应用临床和影像纳入标准后,包括发病时间、24小时内MRI可用性、排除醒后卒中等,共纳入528例患者。其中494例为DWI阳性,进一步排除图像质量较差的病例后……
概览
基于临床经验,急性缺血性卒中的时间窗鉴别通常依赖DWI-FLAIR多模态影像,通过学习不同模态之间的互补性和不匹配信息来实现更准确的分类。如图3所示,我们对DWI和FLAIR配对的切片进行通道级拼接,并设计了病灶切片分类任务来捕捉包含病灶的关键切片。为充分利用互补信息……
实验
本部分旨在系统验证所提出的DAMN模型的有效性。我们设计了多组对比实验,从模型架构、多模态融合策略、时间划分设置和注意力机制等维度进行评估和对比,全面评估其在病灶检测和时间窗分类任务中的性能。
讨论
近期研究探索了在有限标注条件下的AIS影像分析。例如,Sun等人[46]提出了一种多粒度对比表示学习框架,结合自监督预训练和对比目标,支持标签高效的病灶分割和发病时间分类。在另一项工作中,Sun等人[47]引入了一种病理不对称引导的渐进学习策略,用于非对比CT上的梗死分割……
局限性与未来工作
应注意若干局限性。首先,本研究基于单中心218例患者队列,与大规模多中心研究相比样本量较小,可能限制了研究结果的普适性。尽管结果展现出令人鼓舞的性能,但仍需在独立多中心队列上进行外部验证,以确认模型在不同临床环境、患者群体和影像方案下的稳健性和可重复性。
结论
本文提出了一种针对急性卒中MRI影像分析的多任务深度学习模型DAMN,旨在同时执行切片级病灶识别和发病时间窗分类。该模型通过输入级通道拼接融合DWI和FLAIR两种模态的结构信息,以实现模态互补。基于EfficientNet-B0主干网络,集成了多级特征融合机制……
CRediT作者贡献声明
赵颖:调查研究、资金获取。陆骏宇:论文撰写—初稿、软件。苗越钦:方法学、概念化。温倩茹:论文撰写—审阅与编辑、资金获取。赵炯宁:验证、数据管理。许晏武:论文撰写—审阅与编辑、资金获取。孟衡:资源、项目管理。
利益冲突声明
作者声明不存在已知的可能影响本文所报告工作的竞争性经济利益或个人关系。
致谢
本研究受国家自然科学基金(编号:62571192)、广州市科学技术局(编号:2024D03J0013)、广东省医学科学技术研究基金(编号:A2023136)和广州市科技计划项目(编号:2024A03J0816和2025A03J4094)资助。在准备工作期间,作者使用了Grok、ChatGPT和Cursor辅助临床知识澄清、代码修改……
赵颖|陆骏宇|苗越钦|温倩茹|赵炯宁|许晏武|孟衡
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号