摘要
背景与目的： 脑出血是一种破坏性的中风形式。血肿扩大（HE）指在间隔扫描中血肿体积的增长，预示着患者死亡和残疾风险。准确预测HE对于实施针对性干预以改善患者预后至关重要。非增强CT扫描上的黑洞征（BHS）是预测HE的重要影像标志物。开发一种能自动识别BHS并预测HE的方法，可加速精准患者筛选以进行及时治疗。
材料与方法： 本研究提出了一种创新框架，利用自监督学习（SSL）技术识别头部CT图像中的BHS。研究团队首先在超过170万张未标记的头部CT图像上对ResNet-50编码器模型进行预训练，随后在其顶部添加二元分类层。最终模型使用训练数据进行微调，并在独立测试集上评估曲线下面积（AUC）和F1分数。评估在扫描级别和切片级别分别进行。研究设置了不同实验组：一组使用2个多中心数据集进行外部验证，另一组将部分外部数据纳入预训练过程。
结果： 与基线模型相比，本研究模型在BHS识别方面表现出卓越性能。具体而言，模型在扫描级别实现了0.75至0.89的AUC得分和0.60至0.70的F1分数。此外，该模型在外部数据集上展现出良好的鲁棒性和泛化能力，在一个数据集上达到扫描级别AUC得分0.85和F1分数0.60的优异表现；而在样本异质性较高的另一数据集上表现稍弱。研究发现，在微调过程中纳入部分外部数据集可有效减轻这些负面影响。
结论： 本研究创新性地将SSL技术整合到医学图像分类中，特别是在头部CT扫描的BHS识别方面。由此开发的预训练头部CT编码器模型展现出显著减少人工标注需求的潜力，可大幅降低医疗工作量、时间和成本。经微调后，该框架在特定下游任务（即通过识别BHS预测HE）上表现优异，并在多样化数据集上通过了全面评估。这一方法为增强医学图像分析能力提供了新途径，尤其适用于医疗数据有限的临床场景，具有广阔的应用前景。
缩写列表
AUC - 曲线下面积
BHS - 黑洞征
GPU - 图形处理器
HE - 血肿扩大
ICH - 脑出血
SSL - 自监督学习
【全文结束】
