一种基于头部CT影像的可解释性人工智能模型能够准确预测头部枪伤患者的院内死亡率，凸显了基于影像的工具在支持早期分诊方面的潜力。
根据发表在《神经创伤杂志》上的研究结果，一种基于人工智能(AI)的模型利用头部计算机断层扫描(CT)影像，在预测头部枪伤患者院内死亡率方面表现出高辨别性能。
研究人员开发并验证了一种可解释的、基于注意力机制的深度学习模型，旨在从头部枪伤成年患者的初始头部CT扫描中生成客观的死亡风险评估。
在这项回顾性队列研究中，研究人员评估了2018年5月至2023年10月期间在一家一级创伤中心就诊的连续成年患者（年龄16岁及以上）。到达时已死亡或未接受头部CT影像检查的患者被排除在外。共有222名患者纳入分析，数据分为开发集(n=168)和独立测试集(n=54)。
这些发现表明，一种可解释的、基于[头部CT]的[多实例学习]模型可以提供客观、可重复的风险评估和透明的病例级解释。
在研究人群中，47.8%的患者存活至出院，而52.2%死亡。中位年龄为29岁(IQR, 22-35)，16%的患者为女性，85%为黑人。就诊时的格拉斯哥昏迷评分中位数为5(IQR, 3-11)，反映了这是一组严重受伤的患者队列。
该人工智能模型基于多实例学习框架，分析头部CT扫描以生成预后严重程度评分。在独立测试集中，该模型对死亡率表现出强大的辨别性能（曲线下面积[AUC]，0.92；95%置信区间[CI]，0.87-0.94）。在最佳阈值下，敏感性为0.88（95% CI，0.78-0.97），特异性为0.87（95% CI，0.74-0.96）。
模型可解释性分析显示，预测结果由具有临床意义的损伤区域驱动。较高的死亡风险始终与脑干、深部中线结构和脑室系统的受累相关。这些发现与穿透性脑损伤中已确立的预后指标一致。
与传统的放射学评分方法相比，该人工智能模型提供了自动、可重复的评估，无需依赖人工解释，这可能减少急性情况下的观察者间变异性和时间负担。该模型对头部枪伤中常见的影像伪影（如子弹碎片造成的金属条纹）也表现出较强的适应性。
研究局限性包括单中心回顾性设计、仅依赖影像输入而无临床变量、关注短期死亡率而非长期结果，以及缺乏外部验证，这些可能影响结果的普适性。
研究作者总结道："这些发现表明，一种可解释的、基于[头部CT]的[多实例学习]模型可以提供客观、可重复的风险评估和透明的病例级解释，支持穿透性脑损伤的早期预后判断和影像优先的分诊决策。"
披露声明：部分研究作者声明与生物技术、制药和/或设备公司存在关联。请参阅原始参考文献获取完整披露列表。
参考文献：
Mansour A, Fuhrman J, Alvarado-Dyer R, 等. 人工智能辅助头部枪伤分诊：验证基于可解释HCT的死亡率模型. 神经创伤杂志. 2026年3月10日在线发表. doi:10.1177/08977151261429994
【全文结束】