《Journal of Radiation Research and Applied Sciences》：Leveraging refined hybrid neural networks for multimodal brain stroke detection at early stage based on MRI ADC and DWI scans
编辑推荐：
背景：急性缺血性脑卒中(AIS)的早期诊断对及时干预和改善预后至关重要。扩散加权成像(DWI)与表观扩散系数(ADC)磁共振成像(MRI)因早期病灶表现隐匿及观察者间差异，临床判读仍具挑战性。目的：开发并评估一种基于DWI与ADC MRI的自动化诊断框架，用于
背景：急性缺血性脑卒中(AIS)的早期诊断对及时干预和改善预后至关重要。扩散加权成像(DWI)与表观扩散系数(ADC)磁共振成像(MRI)因早期病灶表现隐匿及观察者间差异，临床判读仍具挑战性。目的：开发并评估一种基于DWI与ADC MRI的自动化诊断框架，用于精准检测AIS，并比较深度学习、混合模型及微调分类方法的性能。方法：研究人员采用三种策略：(i) 直接使用预训练卷积神经网络(CNN)（AlexNet、ResNet50、GoogleNet、VGG16、InceptionV3）进行二分类；(ii) 结合CNN特征提取与支持向量机(SVM)的混合建模；(iii) 通过修改网络最终层实现CNN微调。框架在包含200例早期缺血性脑卒中患者及200例神经功能正常者的共1182张MRI切片数据集上进行训练与验证。结果：所提模型性能采用标准诊断指标评估。混合AlexNet–SVM模型取得最优诊断效能，准确率达97.18%，灵敏度97.71%，特异度96.65%，精确率96.61%，F1分数97.16%，马修斯相关系数(MCC) 94.36%，受试者工作特征曲线下面积(AUC) 0.996。结论：深度学习与传统机器学习(ML)结合的混合架构能够基于DWI与ADC MRI实现AIS的准确可靠检测。该框架展现出作为临床适用、无创决策支持系统的巨大潜力，可提升急诊环境下早期脑卒中诊断水平并辅助放射学评估。
研究背景与意义
急性缺血性脑卒中(AIS)是全球致残第二大死因，早期精准诊断直接决定治疗窗口与预后。扩散加权成像(DWI)与表观扩散系数(ADC)序列对早期缺血高度敏感，但临床判读面临病灶异质性、边界模糊、医师负荷重及主观差异等挑战。现有人工智能(AI)研究多局限于单一模态或端到端深度学习，对混合架构在DWI/ADC多模态环境中的应用探索不足，且缺乏统一实验条件下的系统性对比。为此，研究人员在《Journal of Radiation Research and Applied Sciences》发表该研究，旨在构建优化的混合神经网络框架，填补上述空白。
关键技术方法
研究采用回顾性病例对照设计，纳入400例受试者（200例发病6小时内AIS患者与200例健康对照），采集DWI（b值1000 s/mm2）与ADC图像。预处理阶段将DICOM转为JPG，降采样至兼容尺寸并转换为三通道输入。核心方法包含三个独立系统：系统1为五类预训练CNN（AlexNet、ResNet50、GoogleNet、VGG16、InceptionV3）端到端分类；系统2为混合模型，提取CNN全连接层前特征输入线性核支持向量机(SVM)；系统3为迁移学习模型，替换各CNN末三层并微调。数据集按70%训练、30%测试分层，采用准确率(ACC)、灵敏度(SN)、特异度(SP)、F1分数、马修斯相关系数(MCC)、受试者工作特征曲线下面积(AUC)等指标评估。
研究结果
4.1 性能指标
研究人员定义了真阳性(TP)、假阳性(FP)、真阴性(TN)、假阴性(FN)及衍生指标计算公式，涵盖ACC、SN、SP、精确率(PPV)、阴性预测值(NPV)、F1分数、MCC、Cohen’s Kappa及AUC，为模型评估提供标准化依据。
4.2 预训练CNN模型结果
五类端到端CNN中，AlexNet表现最优，ACC达92.66%，但假阳性较高（FP=23）；ResNet50特异度最高（94.08%）但灵敏度最低（FN=34）。结果表明单一CNN在微小病灶检测中存在局限性。
4.3 混合CNN模型结果
混合模型全面优于预训练版本。AlexNet-SVM以最低误分类数（FP=6, FN=4）取得最佳性能：ACC 97.18%、SN 97.71%、SP 96.65%、PPV 96.61%、NPV 97.74%、F1 97.16%、MCC 94.36%、Kappa 0.9435、AUC 0.9959。所有混合模型假阴性率均降低，显著提升临床安全性。
4.4 迁移学习CNN模型结果
微调后模型性能介于前两者之间，AlexNet微调版ACC为93.79%，但未超越混合模型，表明单纯层替换增益有限。
4.5 ROC曲线分析
AlexNet-SVM的AUC（0.9959）显著高于预训练AlexNet（0.9848）及微调AlexNet（0.968），验证了混合架构的判别优势。
4.6 多模型性能对比
15个模型中，混合架构AUC均值最高（0.9713–0.9959），预训练模型次之（0.9596–0.9848），迁移模型最低（0.9466–0.968）。AlexNet系列在所有系统中均表现最优。
讨论与结论
讨论部分指出，混合模型成功归因于CNN的分层特征提取能力与SVM的边际优化决策优势互补。与既往研究相比，该框架在同等数据规模下实现了更高精度（如Cui et al. 2021 ACC 85%），且避免了纯深度学习对超大数据的依赖。研究人员强调，结果符合扩散MRI的物理信号特性，兼具计算模式识别与物理可解释性。局限性包括单中心中等样本量、切片级分析未考虑三维空间连续性、缺乏可解释性AI模块。未来将通过多中心大样本、三维容积分析、融合FLAIR/灌注成像及引入注意力机制进一步提升泛化性。
结论部分确认，所提混合CNN-SVM框架在早期AIS检测中显著优于传统方法，AlexNet-SVM以97.18% ACC与0.9959 AUC成为最具潜力的临床辅助工具，为急诊卒中影像诊断提供了高效、可靠的解决方案。
