Bringing medical advances from the lab to the clinic
关键词：急性脑梗；MRI；深度学习；弥散加权成像；Scientific Reports▼ 有人出现口角歪斜（F）、肢体无力（A）、言语含糊或失语（S），第一时间（T）拨打急救电话。这就是美国通用的卒中FAST判断。时间就是大脑！部分急性缺血性脑卒中可以通过溶栓治疗恢复健康，但有明显的时间窗，也就是需要尽快完成确诊。![]()
在临床神经影像学中，弥散加权成像（DWI）是诊断急性缺血性中风的关键技术，因为它能提供关于组织细胞结构和完整性的信息。然而，传统的DWI扫描时间较长，且对患者运动敏感，可能导致图像质量下降。近年来，深度学习（DL）技术被引入以加速图像重建过程，减少伪影，并提高信噪比【1】。
2024年10月21日，Younghee Yim 等研究人员在国际顶尖学术期刊 Scientific Reports 上发表题为 Deep learning reconstruction of diffusion-weighted brain MRI for evaluation of patients with acute neurologic symptoms 的文章【2】。本研究旨在评估DL加速的DWI（DL-DWI）在评估急性神经系统症状患者中的临床可行性，特别是在缩短检查时间和可接受的图像质量方面。
研究结果表明，
与传统DWI相比，深度学习加速的DWI（DL-DWI）在显著缩短扫描时间的同时（165秒降低到49秒）；
DL-DWI实现了同样高质量的图像质量和更优的脑病变可视化。
这对于提高急性神经系统症状患者的诊断效率和患者舒适度具有重要意义。
![]()
（如需原文，请加微信healsana获取，备注20241021SR）🔷 扫描时间的显著缩短：
DL-DWI的平均采集时间为49秒，显著短于传统DWI的165秒（P < 0.001），实现了扫描时间的大幅减少。
🔷 诊断性能的相似性：DL-DWI与传统DWI在诊断脑病变方面表现出相似的性能，尤其是在敏感性（均为98.8%）和特异性（均为99.5%）方面。总体图像质量、灰白质和深部灰质的区分度在两种序列中相似。然而，DL-DWI在小于5毫米的病变的可视化方面优于传统DWI（p = 0.03）。DL-DWI报告的伪影多于传统DWI（21.5% vs 5.9%，P < 0.0001），但大多数伪影是由于易感性而非运动引起的。DL-DWI的ADC值在白质、深部灰质和桥脑中低于传统DWI，且在所有脑区的ADC值的标准差（SD）均显著低于传统DWI，表明DL-DWI的ADC值更为可靠。在急性梗塞和肿瘤的亚组分析中，DL-DWI测量的ADC值显著低于传统DWI（P < 0.001, P = 0.0041）。上述结果表明，DL-DWI技术能够在显著缩短扫描时间的同时，提供与传统DWI相当的图像质量和病变检测能力，对于提高急性神经系统症状患者的诊断效率和患者舒适度具有重要意义。
![]()
图1. 传统DWI与DL-DWI的小型急性梗塞比较
![]()
图2. 传统DWI与DL-DWI的栓塞性梗塞比较
![]()
图3. 传统DWI与DL-DWI的肿瘤比较
![]()
图4. 传统DWI与DL-DWI的缺氧性脑病比较
![]()
图5. 传统DWI与DL-DWI的脑脓肿比较
本研究通过深度学习（DL）技术加速的弥散加权成像（DWI）在急性神经系统症状的评估中展现了显著的临床潜力。DL-DWI不仅大幅缩短了扫描时间，提高了患者的舒适度和检查效率，而且在保持高诊断准确性的同时，增强了对小型脑病变的可视化能力，这对于急诊环境中快速诊断和治疗决策至关重要。此外，DL-DWI在图像质量上的表现与传统DWI相当，甚至在某些方面更优，如对小于5毫米病变的检测。这些发现为未来在更广泛的临床应用中采用DL技术提供了科学依据，尤其是在提高MRI检查的可及性和效率方面。这项研究启示了深度学习在医学影像重建中的应用前景，为后续研究提供了新的方向，包括进一步优化算法以减少伪影、提高图像分辨率，以及探索DL技术在其他MRI序列和临床场景中的应用。【1】Bae, S. H. et al. Clinical feasibility of accelerated diffusion weighted imaging of the abdomen with deep learning reconstruction: comparison with conventional diffusion weighted imaging. Eur. J. Radiol. 154, 110428 (2022).【2】https://doi.org/10.1038/s41598-024-75011-1本文只是分享和解读公开的研究论文及其发现，以作科学文献记录和科研启发用；并不代表作者或本公众号的观点，更不代表本公众号认可研究结果或文章。为了给大家提供一个完整而客观的信息视角，我们有时会分享有冲突或不同的研究结果。请大家理解，随着对疾病的研究不断深入，新的证据有可能修改或推翻之前的结论。作者：Amber Wang；助理：ChatGPT；编辑：Jessica，微信号：Healsanq，加好友请注明理由。美国Healsan Consulting(恒祥咨询)，专长于Healsan医学大数据分析（Healsan™）、及基于大数据的Hanson临床科研培训（HansonCR™）和医学编辑服务（MedEditing™）。主要为医生科学家、生物制药公司和医院科研处等提供分析和报告，成为诸多机构的“临床科研外挂”。点击👆；From Bench to Bedside, Healsan Paves the Path.（点击👆图片，进入自己感兴趣的专辑。或点击“资源”，浏览本公众号所有资源。）▼ Heasan™医学大数据分析赋能临床科研，能优化选题和课题设计；高质量分析可以发表在SCI期刊。![]()
（扫码👆，获得帮助）
