全世界有近5500万人因TBI而致残，仅在美国就有500万人。严重创伤性疾病(sTBI)定义为复苏后格拉斯哥昏迷量表评分为8分或以下，其死亡率接近40%。

最近随着影像学技术的发展，深度学习已经改变了医学影像的诊断和预后评估。深度卷积神经网络(CNN)模型可以识别放射学图像中的异常，以协助计算机辅助诊断各种疾病，但这些技术还没有被广泛应用于神经外科疾病的预后评估。

近日，发表在Radiology杂志的一项研究开发和评估了一结合头部CT和临床信息的深度学习预测模型来预测sTBI后的长期预后，为临床早期评估及预测该类患者的疾病进程及治疗效果提供技术支持。

本项研究为两个前瞻性收集的数据库的回顾性分析。模型建立集包括2002年11月至2018年12月一家机构的537名患者(平均年龄，40岁±17[SD];422名男性)。转移学习和课程学习被应用于卷积神经网络，并使用入院头部CT预测6个月后的死亡率和不利预后(格拉斯哥结果量表评分1-3)。与临床输入相结合，形成一个整体的融合模型。使用独立的内部测试集和2014年2月至2018年4月 "创伤性脑损伤研究与临床知识转化"(TRACK-TBI)研究中18家机构的220名sTBI患者(平均年龄，39岁±17岁;166名男性)的外部队列来评估这些模型。这些模型与TBI临床试验的预后和分析国际任务(IMPACT)模型和三位神经外科医生的预测进行了比较。受试者工作特性曲线下的面积(AUC)被作为主要的模型性能指标。

在内部数据集上，融合模型在预测死亡率(AUC，0.92 [95% CI: 0.86, 0.97] vs 0.80 [95% CI: 0.71, 0.88]; P < .001)和不利预后(AUC，0.88 [95% CI: 0.82, 0.94] vs 0.82 [95% CI: 0.75, 0.90]; P = .04)方面比IMPACT模型的AUC更高。对于外部TRACK-TBI测试，没有证据表明任何模型与IMPACT模型(AUC，0.83;95%CI：0.77，0.90)在预测死亡率方面的性能有明显差异。成像模型(AUC，0.73;95%CI：0.66-0.81;P=0.02)和融合模型(AUC，0.68;95%CI：0.60，0.76;P=0.02)在预测不利结果方面与IMPACT模型(AUC，0.83;95%CI：0.77，0.89)相比表现不佳。融合模型的表现优于神经外科医生的预测。

图影像学、融合和创伤性脑损伤临床试验预后和分析国际任务(IMPACT)-融合模型与IMPACT对生存和不利预后的性能比较。ROC曲线比较了匹兹堡大学医学中心数据集的(A)死亡率和(B)不利预后，以及(C)创伤性脑损伤研究和临床知识转化(TRACK-TBI)验证的死亡率和(D)不利预后

本研究开发并评估了一个结合头部CT和临床信息的深度学习模型，该模型可用于预测严重脑外伤(sTBI)后早期6个月的临床预后。本研究提出的模型可以作为一个快速、自动化预测工具以帮助医生对严重创伤性脑损伤患者的长期预后进行准确预测。

原文出处：

Matthew Pease,Dooman Arefan,Jason Barber,et al.Outcome Prediction in Patients with Severe Traumatic Brain Injury Using Deep Learning from Head CT Scans.DOI:10.1148/radiol.212181