综述：急性缺血性中风分割的机器学习模型：系统评价与荟萃分析

《BioMedical Engineering OnLine》：Machine learning models of segmentation in acute ischemic stroke: a systematic review and meta-analysis

　　

摘要

背景

在神经影像学上准确分割急性缺血性中风（AIS）病变对于诊断、治疗决策和预后评估至关重要。手动方法受到时间和变异性的限制。机器学习（ML），尤其是深度学习，已成为自动病变分割的强大工具，但迄今为止仍缺乏对模型性能、方法学严谨性和临床适用性的系统综合评估。

目的

采用元分析方法系统地回顾和定量评估基于ML的AIS分割模型的性能，并确定影响模型准确性和鲁棒性的因素，这些因素涉及成像模式、架构和数据集。

方法

我们根据PRISMA 2020指南进行了系统回顾和元分析。在2025年3月之前，我们在PubMed、Scopus和Web of Science数据库中进行了全面搜索。符合条件的研究包括那些报告使用CT或MRI对急性缺血性中风（AIS）病变进行机器学习（ML）分割的研究，并提供了定量性能指标（如Dice值、敏感性、特异性、AUC）。系统地提取了研究设计、ML架构、成像模式、数据集大小和组成以及分割性能的数据。使用逆方差加权进行了随机效应元分析，并对有限范围的指标应用了对数转换以稳定方差。通过I2统计量和Cochran的Q检验评估了研究间的异质性。元回归分析探讨了病变体积、样本量和中风严重程度（mRS）等协变量的影响，而亚组分析则考察了不同成像模式和模型类型下的性能差异。可视化结果包括森林图、漏斗图、气泡图和相关矩阵，这些图是用Python和标准化元分析及统计库生成的。

结果

在筛选的4755条记录中，有101项研究符合纳入标准。深度学习方法，尤其是U-Net变体，在该领域占据主导地位（78%）。合并后的Dice系数为0.84（I2 = 0%），表明分割准确率高且一致。其他合并估计值包括AUC为0.91、准确率为0.89、敏感性为0.85和特异性为0.93。使用多模态MRI输入的模型优于单模态CT模型。元回归分析未发现病变体积或样本量与Dice分数之间存在显著关联，但分割性能随着临床严重程度（mRS）的增加而提高。特异性与召回率和Dice值之间存在弱相关性，这表明在模型优化过程中可能存在权衡。

结论

基于ML的AIS分割模型表现出高准确性，尤其是在使用多模态MRI和深度学习架构时。性能在不同数据集大小和病变特征下都具有鲁棒性。然而，研究设计和报告标准的差异性凸显了方法学协调和外部验证的必要性。这些发现为未来的模型开发及其整合到临床AIS工作流程中提供了依据。

图形摘要

此图像的替代文本可能是由AI生成的。