近日，浙江大学医学院第二附属医院童璐莎、高峰教授团队与浙江大学生物仪器与工程学院赵立教授团队合作，成功开发了一款可解释的人工智能模型，区分急性自发性脑出血。该模型仅利用常规头部CT(非增强)从急诊脑出血患者中准确识别出脑静脉系统血栓形成的相关脑出血，灵敏度达96%。相关结果发表在《柳叶刀》子刊《电子临床医学》上。

基于3D U-Net的深度学习模型框架和流程。(浙江大学供图)

脑静脉系统血栓继发性出血是由于脑静脉阻塞-静脉压力升高-静脉破坏性出血引起的。这类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、病情严重、死亡率高的特点。目前，我国正确诊断率较低，尤其是基层医院。关键是这种类型的出血治疗方案与其他类型的脑出血完全相反，需要尽快抗凝或手术消除静脉血栓。如果误诊或漏诊，会导致不合理的治疗，危及患者的生命。

脑静脉系统血栓的常规诊断方法包括CT颅内静脉造影、磁共振静脉成像等。在基层医院难以实施或因检查复杂而耗时，大大增加了延误疾病的风险。在这种背景下，研究团队提出了一种人工智能，它只基于急诊科的清洁CT来判断。(AI)辅助工具旨在帮助医生快速准确地识别脑静脉和静脉窦血栓形成的继发出血，通过在所有医院都可以实现的首次急诊检查，早期实施精确治疗，提高患者的生存率。

为此，研究小组联合浙江省其他地区医院建立了数据集，采用迁移学习策略，成功开发了一种融合血肿分割和分类的深度学习模式，利用患者入院头部的CT扫描图像。该模型在内部测试和外部验证方面表现出优异稳定的性能，诊断灵敏度达到96%。

此外，该模型还与三甲医院的医生进行了实战测试，并与9名不同年龄的医生进行了诊断性能比较，包括放射科、神经内科和急诊科。结果表明，该模型的性能明显优于医生的平均水平，在AI模型的帮助下，医生再诊断的正确率明显提高了20%左右。

为了进一步增强模型的可解释性，研究小组采用了4种可视化的AI可解释方法，揭示了模型决策中血肿边缘特征的关键作用，有助于缓解医生对AI辅助决策中“黑箱”性质的怀疑，增强实际临床应用中的信任。

“我们的模型只需要输入CT扫描图像，就可以生成继发出血和其他类型脑出血的脑静脉和静脉窦血栓的诊断概率。我们开发这种模式的初衷是响应浙江省“医疗共同富裕”的号召，让暂时缺乏足够医疗检查工具和医务人员的地区医院也能通过最基础的检查做出准确的诊断，造福一方居民。”童璐莎说。

研究小组决定放弃专利申请，将模型完全开源，以便更方便地应用于临床实践。赵立教授说，开源模型的决定将更有利于更多中心的数据检验，进一步提高模型的准确性。