《Scientific Reports》：Classification of dysphagia severity after lateral medullary infarction with deep learning
编辑推荐：
针对延髓背外侧梗死（LMI）患者普遍存在且严重影响生活质量的吞咽障碍，本研究旨在开发并验证一种利用急性期DWI-MRI对其严重程度进行分类的深度学习算法。采用基于Transformer的分层视觉架构，模型在163例患者队列中实现了0.85的准确率，为LMI患者的早期风险分层和个体化康复提供了潜在的客观工具。
当大脑底部关键的脑干区域——延髓背外侧发生梗死时，一个几乎必然出现的“不速之客”就是吞咽障碍。对于延髓背外侧梗死（Lateral Medullary Infarction, LMI）患者而言，这并非简单的进食不便，而是一种发生率高达100%的致残性并发症，它直接威胁营养摄入、导致误吸性肺炎风险剧增，并严重侵蚀患者的生活质量。临床上，准确判断吞咽障碍的严重程度，是决定治疗窗口、制定个体化康复方案的关键第一步。然而，传统的评估方法，如视频荧光吞咽研究（Videofluoroscopic Swallowing Study, VFSS），虽为“金标准”，却存在操作复杂、有辐射暴露、难以在急性期频繁实施等局限。那么，能否借助急性期常规进行的脑部影像，更早、更客观地预测吞咽功能的受损程度呢？
发表在《Scientific Reports》上的这项研究，正是为了解决这一临床痛点。研究团队将目光投向了急性卒中患者几乎必行的头部磁共振成像（MRI），特别是弥散加权成像（Diffusion-Weighted Imaging, DWI）序列，它能够清晰显示急性期梗死病灶。他们的核心科学问题是：能否利用深度学习技术，自动分析LMI患者的急性期DWI影像，从而准确分类其吞咽障碍的严重程度？为此，他们开展了一项回顾性队列研究，旨在开发并验证一个基于深度学习的分类模型。
研究主要运用了几项关键技术方法。首先，研究纳入了163例经确诊的急性LMI患者，构成了回顾性分析队列。所有患者均接受了急性期头部DWI-MRI检查，并通过VFSS评估确定了吞咽障碍的严重程度，据此分为“重度”与“非重度”两组。其次，研究人员对DWI图像上的梗死病灶区域进行了手动勾画与标注，为模型训练准备了高质量的标签数据。最后，也是本研究的算法核心，是采用了基于Transformer架构的深度学习模型——分层视觉Transformer。该模型因其擅长建模图像的空间层级结构和全局上下文信息而被选用，以期从复杂的脑干病灶影像中提取与吞咽功能相关的有效特征。
模型开发与训练
研究人员将预处理后的患者DWI图像及对应的病灶标注数据输入Hier-ViT模型进行训练。通过特定的训练策略，让模型学习从急性期脑干梗死影像中识别出与严重吞咽障碍相关的模式特征。
模型性能验证
在独立的测试集上，训练好的模型展现出了分类能力。其整体准确率达到0.85，意味着在区分重度与非重度吞咽障碍患者方面，模型有85%的判断是正确的。进一步分析显示，模型的精确率为0.70，召回率为0.75，综合衡量精确率与召回率的F1分数为0.72。此外，模型分类性能的受试者工作特征曲线下面积（Area Under the ROC Curve, AUC）为0.69。
模型判别能力分析
尽管模型取得了较高的整体准确率，但0.69的AUC值表明其在区分两类患者时的判别能力处于中等水平。这提示，在临床常见的类别不平衡数据集中，模型仍需进一步优化以提升其稳健性和区分度。
研究的结论与讨论部分凝练了本项工作的价值与未来方向。本研究成功开发并初步验证了一个基于Hier-ViT深度学习架构的模型，该模型能够利用LMI患者的急性期DWI-MRI影像，对其吞咽障碍的严重程度进行分类，且达到了较高的准确率。这为临床提供了一种潜在的、无创的早期辅助工具。在患者入院早期，仅凭常规的MRI检查，就可能实现对吞咽功能预后的快速风险评估，从而有助于优先安排VFSS检查、及时启动针对性康复或制定更谨慎的喂养策略，实现医疗资源的优化配置和患者的个性化管理。
然而，作者也坦诚指出了研究的局限性。目前模型的AUC值尚不理想，表明其判别力有待加强，这可能与单中心回顾性研究的数据量、类别不平衡以及仅使用单一模态影像有关。未来的改进方向明确指向了模型的进一步优化，例如集成更多的临床特征进行多模态学习，或利用更大的多中心数据集进行训练与外部验证。尽管如此，这项研究无疑迈出了重要的一步，它展示了人工智能，特别是具有强大特征提取能力的Transformer模型，在解读复杂神经影像并链接到特定神经功能缺损方面的巨大潜力，为卒中后并发症的智能评估开辟了一条新路径。
