Искусственный интеллект и компьютерное зрение в диагностике инсульта: принципы и клинические доказательства

5
views

Основные моменты

В данном обзоре критически рассматривается клиническая ценность искусственного интеллекта в основных областях его применения при визуализации инсульта. В нем освещаются текущие возможности, сохраняющиеся диагностические пробелы и доказательства, необходимые для того, чтобы технические достижения привели к существенным улучшениям в оказании медицинской помощи пациентам.

Каковы основные выводы?

  • Искусственный интеллект помогает в оценке кровоизлияний, выявлении ранних ишемических изменений и обнаружении окклюзии проксимальных сосудов, в то время как дистальные окклюзии и небольшие острые инфаркты остаются сложной задачей.
  • Высокая точность диагностики не всегда приводит к улучшению решений о лечении или результатов лечения пациентов.

Каковы последствия основных выводов?

  • Для внедрения в клиническую практику необходима независимая внешняя проверка и оценка дополнительной ценности в рамках местных программ лечения инсульта.
  • В исследованиях следует отдавать приоритет неудовлетворенным диагностическим потребностям и демонстрировать пользу для пациентов, выходящую за рамки улучшения технических характеристик.

Аннотация

Искусственный интеллект (ИИ) все чаще интегрируется в методы визуализации острого инсульта, открывая новые возможности для автоматизированной интерпретации изображений, диагностической поддержки и оптимизации рабочих процессов. Однако для понимания его клинической ценности необходимо различать лежащие в его основе вычислительные методы от их диагностических применений и доказанного влияния на лечение пациентов. Этот обзорный образовательный материал знакомит с фундаментальными принципами машинного обучения, глубокого обучения и компьютерного зрения, с особым акцентом на сверточные нейронные сети и их применение в цереброваскулярной визуализации. Рассматриваются современные данные по обнаружению внутричерепных кровоизлияний и волюметрии, распознаванию ранних ишемических изменений, автоматизированной оценке по шкале ASPECTS (Alberta Stroke Program Early CT Score), обнаружению артериальных окклюзий, анализу церебральной перфузии и сегментации ишемических поражений. Также обсуждаются новые приложения в оценке этиологии инсульта. Особое внимание уделяется сохраняющимся диагностическим проблемам, связанным с острыми лакунарными инфарктами и заболеваниями мелких сосудов головного мозга, где ограничения традиционных методов визуализации и недостаточная внешняя валидация ограничивают существующие подходы к ИИ. В обзоре также рассматриваются вопросы обобщаемости, интеграции в рабочие процессы и нормативные аспекты. Искусственный интеллект может помочь в решении отдельных диагностических задач, но его клиническая полезность зависит от внешней проверки, надлежащего внедрения и доказательств пользы для пациентов.

1. Введение

Острый ишемический инсульт является основной причиной смерти и длительной инвалидности, при этом задержка в диагностике и лечении может привести к необратимому повреждению головного мозга. Эффективность реперфузионной терапии зависит от времени и жизнеспособности тканей, поэтому быстрая нейровизуализационная оценка имеет важное значение для выбора соответствующего лечения. Компьютерная томография (КТ), включая бесконтрастную КТ (БКТ), КТ-ангиографию (КТА) и КТ-перфузию (КТП), вместе с магнитно-резонансной томографией (МРТ) предоставляют дополнительную информацию о внутричерепном кровоизлиянии, ранних ишемических изменениях, артериальных окклюзиях и нарушениях церебральной перфузии [1, 2].

Эти требования стимулировали применение искусственного интеллекта (ИИ), который помогает радиологам анализировать множество изображений, полученных в ходе мультимодального исследования, в условиях значительного дефицита времени [3, 4]. ИИ может выявлять соответствующие отклонения, определять приоритетность срочных результатов и облегчать коммуникацию в сетях по лечению инсульта, особенно когда немедленный доступ к специализированной нейрорадиологической экспертизе ограничен [3].

Современные приложения также включают объемную оценку внутричерепного кровоизлияния, количественную оценку ранних ишемических изменений с использованием шкалы ASPECTS (Alberta Stroke Program Early CT Score), сегментацию поражений и поддержку анализа церебральной перфузии [3, 5]. Улучшение точности диагностики или эффективности рабочего процесса не обязательно приводит к принятию более эффективных решений о лечении или улучшению результатов лечения пациентов [5, 6].

Развитие ИИ с неравной интенсивностью решало задачи визуализации цереброваскулярных структур. Обнаружению окклюзии крупных сосудов и сегментации ишемических поражений уделялось значительное внимание [4], в то время как раннее распознавание небольших субкортикальных и лакунарных инфарктов остается сложной задачей, особенно когда незначительные острые аномалии сосуществуют с хроническим поражением мелких сосудов головного мозга. Ограниченный размер поражения, низкий контраст изображения и ограничения при получении или обработке данных могут снизить их обнаруживаемость [7].

Для врачей понимание этих ограничений требует определенных знаний о том, как ИИ обрабатывает медицинские изображения. Такие термины, как машинное обучение, глубокое обучение, сверточные нейронные сети и сегментация изображений, все чаще встречаются в научных публикациях и описаниях коммерческого программного обеспечения, зачастую без объяснения их практического значения. Понимание того, как алгоритмы обучаются на основе данных изображений, распознают релевантные признаки и выдают диагностические результаты, может помочь врачам критически интерпретировать их результаты, не требуя при этом специальных математических или вычислительных знаний.

Цель и область применения обзора. Данный обзор, носящий образовательный характер, рассматривает применение искусственного интеллекта в визуализации инсульта с клинической точки зрения. Основные технические принципы объясняются доступным языком и соотносятся с конкретными задачами цереброваскулярной диагностики. Особое внимание уделяется текущим приложениям, клиническому внедрению, диагностическим ограничениям, плотной взаимосвязи между производительностью алгоритмов и результатами лечения пациентов, а также неудовлетворенным диагностическим потребностям. Подробное обсуждение вычислительных методов выходит за рамки данного обзора.

2. Материалы и методы

Стратегия поиска и отбора литературы. Данный обзор литературы, посвященный образовательным темам, использует отобранные публикации для объяснения вычислительных принципов и критического анализа клинических применений. Целенаправленный поиск в базах данных PubMed/MEDLINE, Scopus и Web of Science был завершен 30 сентября 2026 года и охватывал преимущественно публикации с января 2015 года по эту дату. Более ранние основополагающие публикации рассматривались, если они имели отношение к фундаментальным концепциям и архитектурам. Статьи, доступные только на китайском или арабском языках, были исключены, поскольку авторы не могли достоверно оценить их полные тексты на этих языках. Страна проведения исследования не являлась критерием исключения. Публикации отбирались качественно в соответствии с их релевантностью визуализации инсульта, дизайном исследования, клинической применимостью и методологическими ограничениями. Рассматривались оригинальные клинические исследования, исследования внешней валидации, систематические обзоры, руководства и методологические публикации. Отбор не ставил целью обеспечить исчерпывающий систематический охват. Формальная оценка риска предвзятости или количественный метаанализ не проводились.

Стратегия поиска в PubMed . ((“Инсульт”[Mesh] ИЛИ “Ишемия головного мозга”[Mesh] ИЛИ инсульт[tiab] ИЛИ “внутричерепное кровоизлияние”[tiab] ИЛИ “внутримозговое кровоизлияние”[tiab] ИЛИ “окклюзия крупных сосудов”[tiab]) И (“Искусственный интеллект”[Mesh] ИЛИ “Машинное обучение”[Mesh] ИЛИ “Глубокое обучение”[Mesh] ИЛИ “искусственный интеллект”[tiab] ИЛИ “машинное обучение”[tiab] ИЛИ “глубокое обучение”[tiab] ИЛИ “компьютерное зрение”[tiab]) И (“Рентгеновская компьютерная томография”[Mesh] ИЛИ “Магнитно-резонансная томография”[Mesh] ИЛИ визуализация[tiab] ИЛИ ASPECTS[tiab] ИЛИ перфузия[tiab] ИЛИ ангиография[tiab] ИЛИ сегментация[tiab])) И (“1 января 2015”[Дата публикации]: “30 сентября 2026”[Дата публикации]).

3. Понимание искусственного интеллекта: основные понятия и таксономия.

В этом разделе рассматриваются взаимосвязи между основными вычислительными подходами к искусственному интеллекту и объясняется, как алгоритмы обучаются на основе данных и генерируют прогнозы.

3.1. Искусственный интеллект, машинное обучение и глубокое обучение

Искусственный интеллект, машинное обучение и глубокое обучение — это взаимосвязанные понятия, но они не взаимозаменяемы. Искусственный интеллект — это самый широкий термин, включающий вычислительные системы, предназначенные для выполнения задач, которые обычно требуют человеческой интерпретации или принятия решений. Некоторые работают на основе явно запрограммированных правил, тогда как другие выявляют взаимосвязи на основе примеров. Машинное обучение (МО) относится к последнему подходу, при котором модель изучает закономерности на основе данных, а не полагается исключительно на предопределенные инструкции. Глубокое обучение (ГО) — это подмножество МО, использующее нейронные сети с несколькими слоями обработки для изучения все более сложных представлений [8, 9].

В визуализации инсульта автоматизирована программа, которая вычисляет объем ишемического ядра путем применения фиксированного порогового значения к карте перфузии, но ее вычисление не обязательно основано на ИИ. В отличие от этого, модель машинного обучения может комбинировать измеренное ослабление, региональную асимметрию или текстуру для классификации ранних ишемических изменений. Модель глубокого обучения может изучать признаки изображения непосредственно из данных КТ или МРТ, хотя ее производительность все еще зависит от качества изображения, предварительной обработки и примеров, используемых для обучения. Компьютерное зрение — это область ИИ, занимающаяся анализом и интерпретацией визуальной информации; она может использовать традиционные методы обработки изображений, машинного обучения или глубокого обучения. На рисунке 1 обобщены эти взаимосвязи, а в разделе 5 более подробно рассматриваются задачи визуализации [8, 9].

Рисунок 1. Концептуальные взаимосвязи между искусственным интеллектом, машинным обучением, глубоким обучением и компьютерным зрением. ( A ) Искусственный интеллект (ИИ) включает в себя машинное обучение (МО), которое изучает закономерности в данных, и глубокое обучение (ГО), подмножество МО, основанное на многослойных нейронных сетях. Компьютерное зрение (КТ) занимается анализом визуальной информации с использованием традиционных методов обработки изображений, МО или ГО. На панели ( B ) показаны четыре задачи, решаемые анализом изображений, а именно: идентификация, локализация, выделение и количественная оценка.

3.2. От обучения к клиническому применению

Обучение на примерах . Большинство систем ИИ, используемых в диагностической визуализации, обучаются с помощью контролируемого обучения, при котором изображения сопоставляются с эталонными метками, такими как артериальная окклюзия на КТ-ангиографии или ишемическое поражение, обозначенное на МРТ. Алгоритм учится распознавать закономерности, связанные с этими примерами. Другие подходы включают неконтролируемое обучение, которое выявляет закономерности без предопределенных меток, и полуконтролируемое обучение, которое объединяет размеченные и неразмеченные данные. Во всех случаях качество и репрезентативность обучающих данных имеют важное значение [9].

Обучение, валидация и клинические выводы. Модели ИИ обучаются и тестируются на отдельных наборах данных, при этом внешняя валидация оценивает их надежность в различных клинических условиях [10, 11]. В рутинной практике большинство коммерческих систем работают как заблокированные модели, используя параметры, зафиксированные до развертывания, без непрерывного обучения на основе новых обследований. Улучшения, как правило, требуют проверенных обновлений программного обеспечения [11].

Аналитические задачи определяют, что необходимо сделать, вычислительные методы описывают, как эти задачи выполняются, а клинические приложения определяют их медицинское назначение. Один и тот же метод может поддерживать различные задачи, и несколько методов могут быть объединены в рамках одного клинического приложения. На рисунке 2 представлен обзор этих концепций, а также избранные методы и приложения, обсуждаемые в следующих разделах.

Рисунок 2. Образовательный обзор методов, архитектур и приложений искусственного интеллекта. Вложенные блоки показывают машинное обучение как подмножество ИИ, при этом традиционное машинное обучение и глубокое обучение являются отдельными ветвями внутри машинного обучения.

На рис. 2. классическая и продвинутая группы глубокого обучения используются для обучения и могут частично совпадать. U-Net и ResNet — это варианты сверточных нейронных сетей (CNN), а Faster R-CNN и YOLO — детекторы объектов на основе CNN. На отдельной правой панели представлены выбранные задачи компьютерного зрения и другие приложения и возможности, которые могут сочетать различные методы. Жирным шрифтом выделены названия моделей, обозначающие методы, обсуждаемые в тексте. Faster R-CNN и YOLO иллюстрируют обнаружение объектов в два и один этапы соответственно. SegFormer — это модель Transformer для семантической сегментации. GenAI генерирует текст или изображения, а CAD помогает в обнаружении аномалий и диагностической оценке. Сокращения : ИИ, искусственный интеллект; ML, машинное обучение; DL, глубокое обучение; CV, компьютерное зрение; SVM, машина опорных векторов; MLP, многослойный перцептрон; RNN, рекуррентная нейронная сеть; AE, автокодировщик; CNN, сверточная нейронная сеть; ResNet, остаточная сеть; ViT, графический трансформер; GAN, генеративно-состязательная сеть; VAE, вариационный автокодировщик; R-CNN, региональная сверточная нейронная сеть; YOLO, You Only Look Once; NLP, обработка естественного языка; GenAI, генеративный искусственный интеллект; CAD, автоматизированное обнаружение/диагностика.

4. От машинного обучения к глубоким нейронным сетям

Машинное обучение (МО) и глубокое обучение (ГО) поддерживают аналитические задачи, включая классификацию, регрессию, кластеризацию, снижение размерности, извлечение признаков и сегментацию. Традиционное МО часто опирается на количественные признаки, извлекаемые из изображений, тогда как ГО может изучать представления изображений с помощью нескольких слоев обработки. В таблице 1 представлен иллюстративный обзор [8, 9]. Деревья решений, случайные леса и сверточные нейронные сети (СНС), включая варианты U-Net, были выбраны из-за их методологической значимости, образовательной ценности и документированных применений в визуализации инсульта.

Таблица 1. Избранные методы машинного обучения и архитектуры глубокого обучения, имеющие отношение к визуализации инсульта.

4.1. Деревья решений и случайные леса

Деревья решений. Дерево решений классифицирует данные посредством последовательности решений, основанных на выбранных характеристиках. Каждое решение делит наблюдения на более мелкие группы в соответствии с определенным условием. Количественные характеристики изображения, такие как интенсивность, текстура или региональная асимметрия, могут использоваться для различения предопределенных категорий. Окончательная классификация следует по ветвям, напоминающим блок-схему. Хотя отдельные деревья относительно легко интерпретировать, они могут быть чувствительны к вариациям в обучающих данных [14].

Случайные леса . Случайный лес объединяет несколько деревьев решений, обученных на разных выборках данных и подмножествах признаков. Каждое дерево генерирует предсказание, а конечный результат объединяет их выходные данные, обычно путем голосования по большинству для классификации или усреднения для регрессии. Это, как правило, повышает стабильность и уменьшает переобучение по сравнению с одним деревом решений [15].

4.2. Искусственные нейронные сети: основные принципы работы

Искусственные нейроны и взвешенные связи . Искусственные нейронные сети состоят из взаимосвязанных вычислительных единиц, называемых нейронами, организованных в слои. Каждый нейрон получает числовые входные данные, присваивает им веса, комбинирует их значения и применяет функцию активации, прежде чем передать информацию дальше. Веса корректируются во время обучения. Нейронные сети с несколькими скрытыми слоями обычно называют глубокими нейронными сетями, составляющими основу глубокого обучения [8, 9].

Как обучаются нейронные сети . Во время обучения сеть сравнивает предсказания с эталонными результатами. Функция потерь измеряет разницу, а обратное распространение ошибки помогает определить, как следует изменять веса для уменьшения ошибки. Многократные корректировки позволяют сети учиться на примерах [8, 9]. Деревья решений, случайные леса и базовая структура искусственного нейрона показаны на рисунке 3 .

Рисунок 3. Деревья решений, случайные леса и искусственные нейроны. (A) Дерево решений классифицирует наблюдения посредством последовательных разбиений на основе выбранных признаков. (B) Случайный лес объединяет прогнозы из нескольких деревьев решений для повышения стабильности. (C) Искусственный нейрон объединяет взвешенные входные данные, добавляет член смещения b, применяет функцию активации и выдает выходной результат. Член смещения b — это обучаемый аддитивный параметр, который сдвигает входной сигнал в функцию активации; он отличается от статистического или клинического смещения. Диаграммы схематичны и не представляют конкретные обученные модели.

4.3. Сверточные нейронные сети и связанные с ними архитектуры

Сверточные нейронные сети обрабатывают изображения посредством последовательных слоев, которые извлекают и интегрируют пространственные признаки. Эти механизмы лежат в основе классификации и сегментации изображений и обеспечивают основу для специализированных архитектур, таких как ResNet и U-Net [8, 9, 16, 17].

Свертка — это основная операция сверточной нейронной сети (CNN). Небольшая матрица числовых весов, называемая ядром или фильтром , перемещается по изображению по одной области за раз. В каждой позиции фильтр объединяет значения пикселей и выдает числовой отклик. Вместе эти отклики формируют новое пространственное представление, называемое картой признаков , показывающее, где изученные характеристики вызывают отклик. Различные фильтры создают разные карты признаков, которые обрабатываются последующими слоями. В отличие от фильтров с фиксированными коэффициентами в традиционной обработке изображений, фильтры CNN обучаются своим весам во время тренировки [8, 9].

По мере прохождения карт признаков через последовательные слои CNN информация изображения преобразуется во все более сложные представления. Ранние слои могут реагировать на края, переходы интенсивности и текстуры; более глубокие слои объединяют эти реакции в более абстрактные паттерны. Операции пулинга или шага могут уменьшить пространственное разрешение и вычислительную сложность, в то время как последующая обработка интегрирует информацию из более широких областей изображения. Переход от локальной фильтрации к более широкому пространственному контексту показан на рисунке 4 [8, 9].

Рисунок 4. Обработка с помощью сверточной нейронной сети для распознавания образов на КТ-изображениях головного мозга . Сверточная нейронная сеть (CNN) анализирует входное КТ-изображение с помощью обученных сверточных фильтров (ядер), генерируя карты признаков, которые выделяют различные характеристики изображения.

Пулинг уменьшает пространственные размеры этих карт, в то время как последующие слои обработки интегрируют все более сложные представления. Сглаживание преобразует извлеченные признаки в числовой вектор, который может быть обработан полносвязанными слоями для классификации. ReLU (Rectified Linear Unit) — это нелинейная функция активации, тогда как softmax преобразует оценки классификации в нормализованные значения, сумма которых равна единице. Отображаемые оценки являются иллюстративными и не обязательно представляют собой калиброванные клинические вероятности. Сокращения: КТ — компьютерная томография; НККТ — бесконтрастная компьютерная томография. Изображения головного мозга — синтетические схематические значки.

В обычной сверточной нейронной сети для классификации сглаживание преобразует итоговые карты признаков в числовой вектор, позволяя полносвязным слоям комбинировать извлеченные признаки и генерировать оценки классификации. Математические функции, такие как сигмоидная функция и функция softmax, преобразуют исходные оценки модели в значения от 0 до 1, указывающие на оцененную моделью вероятность того, что изображение принадлежит к заданному классу [8, 9].

U-Net и остаточные соединения. U-Net — это архитектура CNN, характеризующаяся структурой кодировщик-декодер с конфигурацией, напоминающей букву U. На нисходящем пути (кодировщик) ранние слои извлекают локальные признаки изображения, такие как края и текстуры, с относительно высоким пространственным разрешением. По мере того, как сеть проходит через последовательные этапы понижения разрешения, пространственное разрешение уменьшается, а рецептивное поле расширяется, позволяя более глубоким слоям интегрировать более широкий анатомический контекст. Восходящий путь (декодер) постепенно восстанавливает пространственное разрешение. Пропускные соединения напрямую передают признаки с соответствующих этапов кодировщика в декодер, где они объединяются с контекстными представлениями. Эта интеграция помогает восстановить пространственные детали и поддерживает точную сегментацию на уровне пикселей или вокселей [16]. Остаточные сети (ResNet), обычно используемые для классификации изображений , используют короткие соединения, которые добавляют исходный вход к обработанным признакам, облегчая поток информации и обучение более глубоких сетей [17]. Эти два подхода не являются взаимоисключающими, поскольку остаточные связи также могут быть включены в архитектуры U-Net. Оба принципа проиллюстрированы на рисунке 5.

Рисунок 5. Архитектура U-Net и остаточные связи в глубоком обучении.

На рис. 5 (A) U-Net объединяет кодировщик, который постепенно уменьшает пространственное разрешение, извлекая при этом признаки изображения, с декодером, который восстанавливает разрешение для сегментации. Пропускные связи передают признаки с соответствующих этапов кодировщика на декодер, помогая сохранить пространственную информацию. (B) Остаточные сети (ResNet), также используемые для классификации изображений, используют тождественные ярлыки, которые обходят сверточные слои и добавляют исходный вход к обработанным признакам, выраженным как y = F(x) + x. Этот механизм облегчает поток информации через сеть и распространение градиента во время обучения. Обе диаграммы являются схематичными и не представляют конкретные обученные модели. Сокращения: CT, компьютерная томография; Conv, свертка; Act, активация; ReLU, выпрямленный линейный блок. Изображения мозга представляют собой синтетические схематические значки.

5. Компьютерное зрение: от медицинских изображений к диагностической информации.

Компьютерное зрение включает в себя различные задачи анализа изображений, в том числе классификацию, обнаружение объектов и сегментацию, которые могут быть выполнены с использованием традиционных методов обработки изображений, машинного обучения или методов глубокого обучения [9].

В клинической радиологии этот процесс начинается с получения изображений пациента, которые передаются в систему анализа и подготавливаются к обработке. В зависимости от алгоритма подготовка может включать изменение размера изображения, нормализацию интенсивности, анатомическое выравнивание или выбор соответствующей серии изображений. Клинический вопрос определяет, какая задача анализа выполняется на подготовленных изображениях [9].

5.1. Классификация изображений и обнаружение объектов

Классификация и обнаружение объектов различаются по предоставляемой ими пространственной информации [9].

Классификация изображений. Классификация определяет, относится ли изображение или исследование к предопределенной категории. Алгоритм анализирует изображение и выдает числовой балл, указывающий на предполагаемую вероятность принадлежности к каждой категории. В простейшей форме результат может быть положительным или отрицательным для конкретного признака. Таким образом, классификация всего изображения или исследования отвечает на вопрос «Что присутствует?» без обязательного указания места расположения отклонения [9]. Обычный классификатор, применяемый отдельно к анатомически определенным областям, может вместо этого создавать региональные метки, обеспечивая анатомическую локализацию без обязательного определения границ поражения [18].

Обнаружение объектов. Обнаружение объектов отвечает на вопрос «Что присутствует и где это находится?», обычно помечая каждое обнаруженное место прямоугольной ограничивающей рамкой [9]. В детекторах на основе CNN сверточная сеть создает карты признаков, как показано на рисунке 4. Этот экстрактор признаков, называемый базовой сетью, предоставляет карты компонентам, которые определяют местоположение и классифицируют объекты. ResNet — один из примеров базовой сети, используемой в Faster R-CNN [17]. Faster R-CNN — это двухэтапный детектор объектов, который сначала использует сеть предложения регионов для предложения кандидатских рамок из этих карт. Затем он использует признаки из каждого предложенного региона для присвоения класса и уточнения его рамки [19]. YOLO (You Only Look Once) — это одноэтапный детектор объектов, который также использует сверточную базовую сеть, но предсказывает местоположение и классы объектов напрямую, без отдельной сети предложения регионов [20].

5.2. Сегментация изображения: определение степени обнаружения дефекта.

Сегментация изображений обеспечивает более детальное пространственное представление путем выявления аномалий на уровне пикселей или вокселей. В зависимости от задачи сегментация может идентифицировать области, принадлежащие к одной и той же категории, или различать отдельные объекты внутри этой категории [21].

Семантическая сегментация. Семантическая сегментация присваивает отдельным пикселям или вокселям предопределенные категории, определяя их пространственное распределение. Полученная маска сегментации может быть наложена на исходные изображения, что позволяет визуализировать затронутые области и проводить количественные измерения, включая объем. Отдельные области, принадлежащие к одной и той же категории, не обязательно различаются как отдельные объекты [21].

Сегментация экземпляров. Сегментация экземпляров идет еще дальше, идентифицируя отдельные объекты, принадлежащие к одной и той же категории. Когда присутствует несколько отдельных аномалий, алгоритм может присвоить каждой из них свою маску, что позволяет подсчитывать или измерять их отдельно [21].

На рисунке 6 показаны четыре задачи компьютерного зрения на примере двух схематических изображений, демонстрирующих ранние ишемические изменения для классификации на уровне изображения (A) и три очага кровоизлияния для обнаружения и сегментации (B–D).

Рисунок 6. Иллюстративные задачи компьютерного зрения при визуализации инсульта с использованием двух различных схематических примеров. (A) Классификация на уровне изображения присваивает глобальную метку, указывающую на ранние ишемические изменения, без определения их границ. Панели (B – D) показывают те же три схематических очага кровоизлияния в отдельном примере. В (B) обнаружение объектов указывает их приблизительное местоположение с помощью ограничивающих рамок; (C) семантическая сегментация помечает все очаги как один класс поражений, что позволяет проводить комбинированное измерение объема; и (D) сегментация экземпляров различает отдельные очаги, что позволяет проводить отдельные подсчеты и измерения объема. Эти примеры иллюстрируют различные результаты и не подразумевают, что задача ограничивается одним типом поражений. Все изображения и наложения являются схематическими иллюстрациями. мл обозначает миллилитры.
5.3. От алгоритмического вывода к клинической интерпретации

В клинической практике результаты компьютерного зрения могут представляться в виде оценок классификации, предупреждений, выделенных областей, масок сегментации или количественных измерений наряду с исходным обследованием. Выявление или обозначение отклонения само по себе не устанавливает его клиническую значимость, поэтому рентгенолог должен интерпретировать эти результаты в контексте всего обследования и клинической картины пациента. Их применение для принятия диагностических и терапевтических решений при лечении инсульта рассматривается в следующих разделах.

6. Клиническое применение ИИ в визуализации инсульта

Приложения диагностического ИИ обычно анализируют реконструированные серии изображений, а не исходные данные, полученные в ходе исследования. Сообщаемые показатели следует интерпретировать в рамках популяции каждого исследования, эталонного стандарта и предполагаемого использования, а не как прямое сравнение алгоритмов [4, 9].

6.1. Выявление внутричерепного кровоизлияния и оценка его объема.

Быстрое выявление внутричерепного кровоизлияния имеет важное значение при рассмотрении вопроса о реперфузионном лечении. Системы на основе сверточных нейронных сетей анализируют КТ головного мозга для выявления геморрагических паттернов, иногда дифференцируя кровоизлияния по отделам. Чиламкурти и др. оценили обнаружение критических изменений на КТ головы с помощью глубокого обучения, тогда как Куо и др. описали полностью сверточную сеть на основе патчей (PatchFCN), вариант сверточной нейронной сети для обнаружения и локализации кровоизлияний [22, 23].

Для оценки объема nnU-Net (no new net), метод, основанный на U-Net, который автоматически настраивается, может создавать воксельные маски внутрипаренхимального кровоизлияния, внутрижелудочковой крови и перигематомального отека. Кок и др. оценили 1732 аннотированных КТ-исследования и сообщили о медианном коэффициенте Дайса 0,92 для сегментации внутримозгового кровоизлияния в тестовой когорте [24]. Однако высокая метрика перекрытия не обеспечивает эквивалентной точности для небольших или нерегулярных поражений.

Для обнаружения кровоизлияний ретроспективная оценка 101 944 КТ-исследований показала чувствительность 82,2% и специфичность 97,6% для коммерческого детектора кровоизлияний; эталонные метки были извлечены из отчетов и вручную проверены в подгруппе [25]. Влияние отображения результатов ИИ было изучено Сэвиджем и др., которые проспективно сравнили две нерандомизированные фазы, включающие 9954 исследования. Установленная система ИИ обрабатывала обе фазы, но результаты были скрыты в первой фазе и отображались рентгенологам во второй. Чувствительность рентгенологов составила 98,6% без отображения результатов ИИ и 98,9% с отображением результатов ИИ (p = 0,59), тогда как специфичность снизилась с 99,8% до 99,3% (p = 0,004). Среднее время обработки отчетов для исследований, положительных на кровоизлияние, не улучшилось (147,1 против 149,9 мин; p = 0,11). Система предоставляла виджетные уведомления без изменения приоритета списка задач; эти выводы относятся к данной реализации, а не ко всем конфигурациям сортировки [26].

Для опытного читателя обнаружение явного кровоизлияния может предоставить лишь ограниченную дополнительную информацию. Практические вопросы заключаются в том, улучшает ли сортировка пациентов определение приоритетов и способствует ли точная волюметрия воспроизводимой оценке и последующему наблюдению [24, 25, 26].

Автоматизированная сегментация гематомы на КТ может обеспечить оценку объема для нейрохирургической оценки. При мозжечковом кровоизлиянии Американская кардиологическая ассоциация/Американская ассоциация по борьбе с инсультом (AHA/ASA) рекомендует срочную эвакуацию при объеме ≥15 мл или при неврологическом ухудшении, компрессии ствола головного мозга или обструктивной гидроцефалии. Европейская организация по борьбе с инсультом/Европейская ассоциация нейрохирургических обществ (ESO/EANS) предлагает эвакуацию при объеме более 15 мл для улучшения выживаемости. При супратенториальном кровоизлиянии объем интерпретируется наряду с лобарной или глубокой локализацией, масс-эффектом, неврологическим статусом и преморбидной функцией [27, 28]. Потенциальное предоперационное использование ИИ также обсуждалось в нейрохирургии в более широком смысле [29]. Остается неясным, улучшает ли автоматизированная волюметрия выбор хирургического вмешательства или результаты лечения пациентов.

6.2. Ранние ишемические изменения и автоматизированные аспекты

На КТ без контраста ранняя ишемия может проявляться как снижение плотности ткани (гипоаттенуация), потеря нормального контраста между серым и белым веществом или очаговый отек. ASPECTS — это оценка от 0 до 10 для ранних ишемических изменений в десяти областях бассейна средней мозговой артерии (СМА); более низкие баллы указывают на более обширные изменения. Автоматизированная оценка сочетает анатомическое определение с обнаружением аномальных областей. Это не прямое объемное измерение необратимо поврежденной ткани [30, 31].

Перед оценкой числовые данные КТ проходят предварительную обработку, которая может включать снижение шума, нормализацию интенсивности и анатомическое выравнивание, в зависимости от системы [9]. В методах, основанных на анатомическом атласе, регистрация устанавливает соответствие с предопределенными областями ASPECTS. Региональные признаки, такие как ослабление, измеренное в единицах Хаунсфилда (HU), межполушарные различия или текстура, явно извлекаются и оцениваются предварительно обученным классификатором [18, 32].

Куанг и др. извлекли региональные текстурные признаки и обучили отдельный случайный лес для каждой области ASPECTS [18]. Полученные метки локализуют предполагаемые аномалии в анатомических областях без обязательного определения точных границ поражения. В то время как этот подход использует явно извлеченные признаки, CNN обучаются представлениям изображений в процессе разработки; оба метода могут давать пространственно локализованные результаты. Методы также могут быть объединены. Например, Чен и др. описали гибридный подход ASPECTS, использующий признаки, полученные из CNN, с взвешенным случайным лесом [32].

Другие методы НККТ выявляют поражения напрямую, а не присваивают региональные баллы ASPECTS. В отдельном многоцентровом исследовании модифицированная трехмерная (3D) U-Net была обучена с использованием парных изображений НККТ и диффузионно-взвешенной визуализации (ДВВ) от 2214 пациентов; внешнее тестирование на 458 пациентах показало чувствительность 75,3% и специфичность 79,1% [33]. Чувствительность обнаружения увеличивалась с объемом поражения, от 53,3% для поражений 0,5–1 мл до 94,7% для поражений более 30 мл [33].

В исследовании внешней валидации с участием 4100 пациентов e-ASPECTS показал результаты, отличающиеся от оценок экспертов всего на один балл в 2084 из 3035 оцениваемых обследований (69%). Переоценка ишемии в более широкой популяции пациентов неотложной помощи происходила при анализе вне предполагаемого использования программного обеспечения, включая ишемию за пределами территории средней мозговой артерии, кровоизлияние и имитации [30]. Метаанализ выявил коэффициент внутриклассовой корреляции (ICC) 0,54 (95% доверительный интервал (ДИ) 0,40–0,67) между автоматизированными и экспертными оценками; ICC по отношению к эталонному стандарту составили 0,72 для программного обеспечения и 0,62 для экспертов. Эти различные сравнения не устанавливают взаимозаменяемость или превосходство [31].

Возможность помощи читателям была изучена Вэй и др. с использованием автоматизированной системы ASPECTS в независимой тестовой когорте из 220 случаев, взятых из многоцентрового набора данных. Два читателя повторили оценку с помощью ИИ как минимум через месяц. Подробные результаты показывают время оценки 64,4 ± 17,7 с с помощью ИИ, по сравнению со 125,2 ± 62,7 с для радиолога без помощи и 130,6 ± 66,3 с для читателя, работающего в экстренных случаях без помощи. Автономная модель потребовала 33,3 ± 8,3 с. Эти данные о времени оценки не подтверждают более быстрое лечение или улучшение результатов лечения пациентов [34].

Многонациональная оценка CINA-ASPECTS (версия 1.4.3; Avicenna.AI), коммерческого инструмента оценки, включала 339 пациентов и показала региональную чувствительность 72,8% (95% ДИ 70,2–75,4%) и специфичность 91,8% (91,1–92,5%) [35]. Раскрытые авторские отношения включали работу в компании-производителе, владение акциями и платные консультации; эти отношения следует учитывать при оценке независимости оценки.

Включение отдельных пациентов с низким баллом ASPECTS в текущие рекомендации по тромбэктомии меняет то, как оценка влияет на лечение; это не делает оценку неактуальной [1]. Поэтому автоматизированный ASPECTS лучше рассматривать как поддержку контекстной оценки, а не как изолированный числовой критерий для реперфузии.

6.3. Выявление артериальной окклюзии: окклюзии крупных и средних сосудов

Окклюзия крупных сосудов (LVO) обычно затрагивает основные проксимальные артерии, тогда как окклюзия средних сосудов (MeVO) затрагивает более мелкие сегменты артерий; анатомические определения различаются в разных исследованиях. M1, M2 и M3 обозначают постепенно более дистальные сегменты средней мозговой артерии. Сосудистая анатомия и локализация окклюзии влияют на диагностическую эффективность, что делает различие между проксимальными и дистальными артериальными территориями особенно важным [36].

Алгоритмы КТ-ангиографии могут сочетать выделение сосудов, классификацию и локализацию. Хан и др. использовали U-Net для сегментации сосудов на проекциях максимальной интенсивности, а затем классификатор CNN (EfficientNetV2) для идентификации окклюзий, подлежащих тромбэктомии, с валидацией на двух внешних наборах данных [37]. Оба компонента представляют собой архитектуры CNN с взаимодополняющими функциями. Юм и др. оценили систему обнаружения окклюзии крупных сосудов при КТ-ангиографии у 796 пациентов в нескольких больницах, сообщив о площади под кривой рабочей характеристики приемника (AUC) 0,944, чувствительности 89,6% и специфичности 90,4%; AUC составила 0,880 для изолированной окклюзии M2 [38].

Андерссон и др. провели проспективную оценку 3031 КТ-ангиографии в десяти больницах. Система не смогла сгенерировать результат в 227 исследованиях (7,5%), в результате чего осталось 2804 исследования с достоверными результатами. Среди исследований, подлежащих оценке, чувствительность составила 92,8% для LVO и 76,1% для MeVO с использованием сосудистых определений исследования; общая чувствительность в рамках предполагаемого использования составила 81,7%, а специфичность — 99,6%, без существенной разницы с обычной отчетностью. Модель выявила окклюзии в 42 исследованиях, не описанных как положительные в исходных отчетах, и сгенерировала 11 ложных срабатываний [39]. Поскольку ИИ оценивался вне клинического рабочего процесса, эти дополнительные обнаружения не демонстрируют улучшения производительности врачей, использующих помощь ИИ, или улучшения результатов лечения пациентов. Исследования, классифицированные как отрицательные как ИИ, так и исходным отчетом, не были независимо перечитаны, что создает риск предвзятости проверки. Необходимо учитывать технические сбои, охват сосудов и ограничения эталонного стандарта; Отрицательное предупреждение не может исключить окклюзию за пределами подтвержденного покрытия. В отдельном перекрестном исследовании оценивалась помощь читателя, и было обнаружено повышение чувствительности у четырех врачей на ранних этапах их карьеры при использовании ИИ. В нем оценивалась эффективность работы читателя, а не внедрение в клиническую практику [40].

Коммерческие системы могут отличаться по заявленному назначению и охвату сосудистых областей. Например, в показаниях Управления по санитарному надзору за качеством пищевых продуктов и медикаментов США (FDA) 2022 года для Rapid LVO (K221248) указаны предполагаемые окклюзии внутренней сонной артерии (ВСА) или MCA-M1 [41], тогда как в показаниях 2025 года для Rapid CTA 360 (K251151) указаны MCA-M1–M3 и дополнительные сосудистые области [42]. Обе системы предназначены для сортировки и оповещения. В исследованиях следует указывать продукт, модуль, версию, применимую нормативную маркировку и охватываемые сегменты артерий, а также анатомические определения LVO и MeVO. Эффективность в рамках предполагаемого использования следует отличать от оценки в дополнительных областях; нормативный статус и независимо продемонстрированная диагностическая эффективность должны быть указаны отдельно.

Дополнительная ценность оповещений о проксимальной окклюзии крупных сосудов может зависеть от доступности специалистов и существующих каналов связи, а не только от точности [11]. Необходимы прямые сравнения между экспертными центрами и менее специализированными учреждениями. Более низкая чувствительность MeVO определяет приоритет для разработки и внешнего тестирования [38, 39, 40]; однако улучшенное обнаружение дистальной окклюзии не следует приравнивать к показанию к тромбэктомии, которое по-прежнему зависит от сосудистой территории и конкретного пациента [1].

6.4. За пределами обнаружения: ИИ для оценки этиологии инсульта

После выявления окклюзии радиомика может извлекать числовые дескрипторы тромба, такие как интенсивность, форма и текстура, из КТ без контраста или КТ-ангиографии и комбинировать их в классификаторе для оценки возможного механизма. Порто-Альварес и др. проанализировали 41 пациента и сообщили о показателе AUC 0,842 для различения кардиоэмболической и атеротромботической этиологии с использованием признаков тромба на КТ без контраста [43]. Это было небольшое исследовательское исследование, а не подтвержденный этиологический диагноз.

Динг и соавторы объединили радиомику NCCT/CTA с клиническими переменными у 263 пациентов с окклюзией крупных сосудов передней циркуляции. Комбинированная модель достигла AUC 0,908 у 45 пациентов внутреннего тестирования, снизившись до 0,818 (95% ДИ 0,668–0,968) у 38 пациентов внешней валидации [44]. Такая эффективность не может быть объяснена только характеристиками изображений. Этиологические прогнозы должны дополнять стандартные исследования, а их способность улучшать этиологическую классификацию или последующее лечение требует клинической валидации [43, 44].

6.5. Анализ церебральной перфузии

CTP демонстрирует, почему автоматизация не является синонимом ИИ. Традиционные параметры перфузии выводятся из кривых концентрации контрастного вещества посредством математической обработки, включая деконволюцию, а оценки основной и гипоперфузированной ткани на основе пороговых значений не обязательно требуют машинного обучения [7, 45]. Обученные методы могут помочь на отдельных этапах, включая коррекцию движения или уменьшение артефактов, но архитектура обработки должна быть установлена ​​для каждого продукта, а не выведена из его автоматизации.

Примерами коммерческих платформ для обработки перфузии являются Viz.ai, RAPID, MIStar, OLEA и syngo.via. Их оценки ядра и гипоперфузии зависят от получения данных, программного обеспечения и пороговых значений и не являются автоматически взаимозаменяемыми [46]. Оценка ядра не доказывает необратимое повреждение; для интерпретации требуется КТ, КТ-ангиография, коллатеральное кровообращение и клинический контекст [7, 45].

В 362 случаях Viz.ai и RAPID выдавали разные объемы без существенного изменения общей пригодности в соответствии с критериями отбора для тромбэктомии DEFUSE 3, хотя одна подгруппа, определенная по типу сканера, отличалась [47]. Сравнение RAPID с MIStar, OLEA и syngo.via в 1606 исследованиях, проведенных в рамках кода инсульта, также показало различия в ядре, перфузионном поражении и несоответствии цели [48]. Дальнейшее сравнение у 151 пациента с реперфузией LVO показало средние оценки ядра 18,7 мл при использовании OLEA и 10,5 мл при использовании RAPID, несмотря на аналогичные корреляции с конечным объемом DWI [49]. Эти исследования сравнивают автоматизированную обработку перфузии, а не обязательно глубокое обучение; пороговые значения лечения не следует переносить без критического анализа между платформами.

6.6. Автоматическая сегментация ишемических очагов на КТ и МРТ

В отличие от пороговых карт КТ-перфузии, прямая сегментация идентифицирует аномальную ткань по ее характеристикам изображения. Сети глубокого обучения, особенно варианты U-Net, могут генерировать маски поражений на картах КТ без контраста, диффузионно-взвешенной МРТ или кажущегося коэффициента диффузии (ADC) и оценивать объемы [4, 16]. Камель и др. оценили автоматически сконфигурированную nnU-Net с использованием DWI, сообщив о среднем коэффициенте Дайса 0,810 ± 0,155 во внутреннем тестировании (50 случаев) по сравнению с 0,704 ± 0,199 во внешнем клиническом наборе данных из 50 МРТ-исследований [50].

Надежность этих масок зависит от размера поражения, контраста, протокола получения изображений и эталонных аннотаций. Даже правдоподобная маска может не включать небольшие поражения или включать нормальную ткань. Прямая маска поражения DWI и оценка ишемического ядра CTP представляют собой разные измерения изображений [4]. Клиническая ценность зависит от того, улучшают ли воспроизводимые измерения поражения оценку или решения о лечении [11, 50].

6.7. Неудовлетворенные диагностические потребности: острые лакунарные инфаркты и заболевания мелких сосудов головного мозга.

Трудность идентификации небольших поражений особенно очевидна при острых небольших субкортикальных инфарктах. Их ограниченный размер и контрастность создают проблемы для НККТ и КТ-перфузии, даже до любого анализа с использованием ИИ. В ретроспективном исследовании чувствительность КТ-перфузии к лакунарным инфарктам варьировалась от 18,9% до 48,7% в зависимости от перфузионных карт и была особенно ограничена в глубоком сером веществе [51]. Эти результаты зависят от способа получения изображений и изучаемой популяции.

Тем не менее, базовые карты параметров могут содержать информацию, скрытую или упущенную в автоматизированных сводках. Томас и др. ретроспективно изучили 183 лакунарных инфаркта, подтвержденных DWI и отобранных по отсутствию аномалий на автоматизированных картах ядра/полутени [52]. Очаговые аномалии были обнаружены на картах КТ-перфузии в 107 случаях (58%) при анализе без учета DWI; еще 36 случаев (20%) стали очевидными при локализации, определяемой с помощью DWI [52]. Таким образом, суммарный показатель в 78% не является проспективной чувствительностью.

В другом исследовании Томас и др. ретроспективно оценили обнаружение DL у 485 пациентов с подозрением на лакунарный инсульт, используя 436 для разработки модели и 49 в качестве отдельной тестовой группы. Заранее определенный 3D-классификатор DenseNet-121, использующий мозговой кровоток (CBF), достиг AUC 0,82 (95% ДИ 0,68–0,95) с чувствительностью 93% и специфичностью 64%. Он превзошел оценку, основанную на голосовании большинства девяти неврологов, но разница с лучшим индивидуальным читателем не была статистически значимой. Небольшая выборка, более низкий AUC внутренней перекрестной валидации (0,69 ± 0,04) и отсутствие независимой внешней валидации ограничивают обобщение. Классификатор обнаруживал закономерности на уровне случая; он не локализовал и не сегментировал инфаркт [53].

Выявление острого инфаркта следует отличать от измерения хронической болезни мелких сосудов головного мозга (БМСГ). В исследовании с участием 471 пациента Чон и др. объединили остаточную U-Net для сегментации гипертензивных изменений белого вещества (ГБВ) на МРТ с подавлением сигнала от жидкости (FLAIR) с 3D CNN для оценки по шкале Фазекаса [54]. Шкала Фазекаса отражает тяжесть ГБВ, а не общую нагрузку БМСГ. Количественная оценка хронических ГБВ не устанавливает способность алгоритма выявлять новый небольшой острый инфаркт на фоне этих аномалий. Поэтому прогресс следует оценивать по внешне подтвержденному обнаружению и локализации поражений при различных степенях хронических ГБВ, а не экстраполировать на основе успеха при более крупных поражениях [51, 52, 53, 54].

В таблице 2 представлены связи между клиническими приложениями, обсуждаемыми в этом разделе, и иллюстративными вычислительными подходами, диагностическими функциями и основными ограничениями.

Таблица 2. Вычислительные подходы и клинические применения в визуализации инсульта.

7. От точности диагностики к клиническим результатам.

Приведенные выше примеры иллюстрируют, почему надежность диагностики в разных условиях, интеграция в алгоритмы лечения инсульта и измеримая польза для пациента представляют собой разные уровни доказательств клинической полезности [6, 11]. Интерпретация диагностической эффективности начинается с задачи, целевой аномалии и последствий пропущенных или неверных результатов. Чувствительность измеряет долю правильно идентифицированных пораженных пациентов, тогда как специфичность измеряет долю правильно классифицированных здоровых пациентов. AUC суммирует дискриминацию по пороговым значениям, но не эффективность на конкретном пороговом значении, используемом в клинической практике. Положительная и отрицательная прогностическая ценность зависят от распространенности заболевания, поэтому вероятность того, что сигнал тревоги представляет собой истинную аномалию, может различаться между специализированным центром лечения инсульта и общим отделением неотложной помощи, даже если чувствительность и специфичность схожи [11].

Информация, получаемая с помощью метрики, также имеет значение. Правильная классификация исследования как положительного не гарантирует точную локализацию. Например, алгоритм может обнаружить артериальную окклюзию, но присвоить ее неправильному сегменту сосуда. Аналогично, высокий коэффициент Дайса указывает на хорошее пространственное перекрытие между масками сегментации, но не обязательно гарантирует точные измерения объема поражения [9]. Даже удовлетворительная производительность при выполнении поставленной задачи может не переноситься в другую больницу, где тип сканера, параметры реконструкции, протоколы получения данных, состав пациентов и распространенность могут отличаться. Поэтому независимое внешнее тестирование предоставляет больше информации о переносимости, чем отдельная тестовая выборка из учреждения, проводившего разработку [10, 11]. Интерпретация также зависит от эталонного стандарта, поскольку консенсус экспертов, последующая МРТ, ангиографическое подтверждение и диагнозы, извлеченные из отчетов, не являются взаимозаменяемыми. Прозрачное представление результатов отбора исследований и технических исключений помогает определить популяцию, к которой применимы результаты [55, 56].

После установления надежности диагностики клиническая полезность зависит от того, доходит ли информация до нужного врача вовремя, чтобы повлиять на лечение. Оповещения могут способствовать приоритизации и обмену информацией в сетях по лечению инсульта, но задержки в передаче, обработке или передаче, технические сбои и чрезмерное количество ложных срабатываний могут нивелировать эти преимущества [11, 26]. Время уведомления, время от поступления до начала лечения и время от поступления до пункции отражают этот промежуточный эффект на оказание медицинской помощи. В кластерном рандомизированном исследовании 243 пациентов, получавших тромбэктомию в четырех центрах, автоматическое обнаружение окклюзии крупных сосудов в сочетании с защищенным обменом сообщениями сократило время от поступления до паховой боли на скорректированные 11,2 мин (95% ДИ 4,2–18,2 мин короче) [57]. Поскольку анализ изображений и обмен информацией представляли собой комбинированное вмешательство, изолированный вклад алгоритма определить невозможно.

Более короткий интервал лечения сам по себе не доказывает пользу для пациента; этот вопрос требует оценки инвалидности, рецидивирующих сосудистых событий, смертности и осложнений лечения [6, 11]. В исследовании LVO workflow предварительная оценка функциональной независимости через 90 дней была неточной (скорректированное отношение шансов (ОШ) 1,3, 95% ДИ 0,42–4,0); статистическая незначимость не подтверждает отсутствие пользы. Более низкая смертность наблюдалась как показатель безопасности (13% против 31%; p < 0,001), но этот вывод требует осторожной интерпретации [57]. В исследовании GOLDEN BRIDGE II приняли участие 21 603 пациента из 77 больниц, и была оценена многокомпонентная интервенция, обеспечивающая поддержку принятия решений с помощью ИИ. Сосудистые события через три месяца наблюдались у 2,9% против 3,9% пациентов (скорректированное отношение рисков (ОР) 0,74, 95% ДИ 0,58–0,93), без статистически значимой скорректированной разницы в инвалидности или смертности от всех причин [6]. Полученные результаты не позволяют установить изолированный вклад визуализации в наблюдаемую пользу.

Обсервационные исследования расширяют эту оценку на рутинную медицинскую помощь. В Англии проспективная оценка в 107 больницах включала индивидуальные данные по 71 017 ишемическим инсультам в 26 центрах внедрения. Сравнение после внедрения ИИ включало 28 670 пациентов. Использование ИИ было связано с большей доступностью тромбэктомии (скорректированное ОР 1,57, 95% ДИ 1,33–1,86) и благоприятным функциональным статусом при выписке, определяемым как оценка по модифицированной шкале Рэнкина (mRS) 0–2 (скорректированное ОР 1,16, 95% ДИ 1,07–1,25) [58]. Нерандомизированное внедрение, остаточные искажающие факторы и участие производителя ограничивают причинно-следственную интерпретацию. Эти ассоциации не устанавливают устойчивую функциональную пользу, обусловленную только визуализационным ИИ.

Стандарты отчетности исследований диагностической точности — искусственный интеллект (STARD-AI) и контрольный список для искусственного интеллекта в медицинской визуализации (CLAIM) обеспечивают прозрачную и воспроизводимую отчетность; соблюдение этих стандартов само по себе не демонстрирует клиническую эффективность [55, 56]. В таблице 3 объединены области оценки, обсуждавшиеся в этом разделе, для определенной клинической задачи, группы пациентов и пути лечения.

Таблица 3. Области клинических доказательств для оценки ИИ в визуализации инсульта.

В таблице 4 приведено краткое описание выбранных исследований в соответствии с условиями оценки, дизайном, популяцией, тестовой группой, системой, эталонным стандартом, валидацией, основными результатами и ограничениями.

Таблица 4. Избранные клинические исследования применения ИИ в визуализации инсульта.

8. Клиническая реализация, интеграция программного обеспечения и рабочих процессов.

Локальная экспертиза, доступные ресурсы и эффективность существующих рабочих процессов влияют на добавленную стоимость системы ИИ [11, 59]. Диагностический ИИ обычно получает реконструированные изображения в формате DICOM (Digital Imaging and Communications in Medicine) от сканера, маршрутизатора изображений или системы архивирования и передачи изображений (PACS), выбирает соответствующие серии, применяет предварительную обработку и возвращает результаты на рабочую станцию ​​или в систему оповещения. Неполные передачи или несовместимые параметры изображений могут препятствовать анализу, что делает совместимость неотъемлемой частью операционной надежности [60]. Этот путь обработки может использовать институциональные вычислительные ресурсы или удаленную облачную инфраструктуру. Локальное развертывание может уменьшить зависимость от внешнего подключения, в то время как облачные сервисы могут облегчить централизованное обслуживание. Оба варианта зависят от кибербезопасности, надлежащего управления и надежного времени отклика [59].

Надежность выходит за рамки первоначальной установки. Изменения в моделях, предварительной обработке или пороговых значениях могут повлиять на производительность, поэтому надлежащая проверка обновлений и институциональный мониторинг сбоев и изменений протокола визуализации являются частью текущего использования [11, 55]. Оповещения могут помочь в определении приоритетов и обмене информацией, но неправильная конфигурация может привести к сбоям или задержкам. Радиологи должны сохранять доступ к исходным изображениям, распознавать несоответствия и иметь процедуры для отсутствующих или ненадежных результатов [11, 26].

Когда автоматизированные результаты становятся частью рутинных решений, качество клинического анализа также зависит от взаимодействия врача с системой. Некритическое принятие представляет собой предвзятость автоматизации, в то время как чрезмерная зависимость увеличивает зависимость от результата; снижение бдительности отражает самоуспокоенность автоматизации. Противоположная реакция, неприятие алгоритма, может привести к необоснованному отказу от полезной помощи. Длительная зависимость может ослабить независимые диагностические навыки, хотя данные долгосрочных исследований остаются ограниченными. Обучение, непосредственный анализ изображений и человеческий контроль остаются необходимыми [61, 62].

9. Клиническая ответственность и нормативно-правовые аспекты.

Регулирование обеспечивает структуру для клинического использования ИИ в цереброваскулярной визуализации, в то время как институциональное управление и профессиональный надзор связывают эту структуру с повседневной медицинской помощью. Соответствие нормативным требованиям остается отдельным от продемонстрированной клинической эффективности и не заменяет местную оценку диагностической эффективности [63, 64]. В Европейском Союзе (ЕС) в соответствии с Регламентом (ЕС) 2017/745 программное обеспечение, специально предназначенное его производителем для медицинских целей, может квалифицироваться как медицинское изделие и подлежит применимым требованиям оценки соответствия. Маркировка Conformité européenne (CE, европейское соответствие) указывает на соответствие соответствующим нормативным требованиям, но не устанавливает эквивалентную диагностическую эффективность для различных клинических групп населения и не разрешает использование за пределами указанного производителем предполагаемого назначения [64]. Для программного обеспечения, обнаруживающего окклюзии, это назначение включает в себя сосудистое покрытие и роль рабочего процесса, указанные для оцениваемого продукта и версии, как показано в разделе 6.3 [64].

Предполагаемое назначение также влияет на классификацию по риску в соответствии с Регламентом (ЕС) 2024/1689, европейским Законом об ИИ, который включает требования к квалификации медицинских устройств с ИИ высокого риска. Само по себе использование в здравоохранении не автоматически присваивает статус высокого риска; классификация зависит от предполагаемого назначения системы и применимых нормативных критериев. В соответствии со статьей 113, с поправками, внесенными Регламентом (ЕС) 2026/1744, глава III, раздел 1 , раздел 2 и раздел 3 (за исключением статьи 6(5)), применяется с 2 августа 2028 года к системам, классифицированным как системы высокого риска в соответствии со статьей 6(1) и Приложением I. Другие положения имеют другие даты применения [65, 66].

За пределами ЕС требования различаются в зависимости от юрисдикции. В Соединенных Штатах продукты для сортировки пациентов с инсультом могут получить разрешение FDA для определенных показаний [41, 42]. Классификация FDA программного обеспечения для радиологической компьютерной сортировки и оповещения отличает его роль в определении приоритетов от автономной диагностики [67]. В Соединенном Королевстве программное обеспечение, имеющее медицинское назначение, может подпадать под регулирование медицинских изделий, осуществляемое Агентством по регулированию лекарственных средств и изделий медицинского назначения (MHRA) [68]. Поэтому необходимо сообщать о регуляторном статусе для оцениваемой юрисдикции, продукта, версии и предполагаемого использования.

Врачи должны оценивать результаты, полученные с помощью ИИ, наряду с исходными изображениями и клинической картиной пациента, используя институциональные гарантии, описанные в разделе 8 , и соответствующую систему отчетности об инцидентах. Распределение юридической ответственности между производителями, медицинскими учреждениями и врачами, тем не менее, зависит от обстоятельств и применимого законодательства; его нельзя определить исключительно на основании использования системы ИИ [63, 64, 65].

10. Ограничения данного обзора

Данный обзор литературы имеет ряд ограничений. Во-первых , отбор публикаций был качественным и мог отдавать предпочтение доступным или клинически показательным исследованиям; языковые ограничения также могли исключить соответствующие данные. Во-вторых , не проводилась формальная оценка риска систематической ошибки или количественный синтез, а различия в популяциях, протоколах визуализации, эталонных стандартах, результатах и ​​дизайне исследований ограничивают возможность прямого сравнения. Наконец , представленные результаты относятся к оцениваемым версиям программного обеспечения и могут не переноситься на последующие версии. Таким образом, отобранные исследования иллюстрируют состояние доказательной базы, а не дают исчерпывающего рейтинга доступных систем.

11. Перспективы на будущее

Эффективность ИИ зависит от целевой аномалии и клинической ситуации. Выявление проксимальной артериальной окклюзии и оценка кровоизлияний продвинулись вперед, в то время как более мелкие сосудистые территории и незначительные ишемические поражения остаются сложной задачей [4, 11]. Эти различия направляют будущие исследования к независимому многоцентровому тестированию, прозрачному сообщению о неудачах и оценке в недостаточно представленных территориях и популяциях. Острые небольшие субкортикальные инфаркты, их отличие от хронического заболевания мелких сосудов и этиологическая оценка заслуживают целенаправленного изучения. Мультимодальные модели могут внести свой вклад, но их дополнительная клиническая ценность еще не установлена ​​[10, 53, 54].

12. Выводы

Рассмотренные исследования подтверждают эффективность ИИ в решении отдельных диагностических задач и, в некоторых случаях, в улучшении рабочих процессов. Для оценки того, обеспечивает ли ИИ в области визуализации устойчивую пользу для пациентов, необходимы дальнейшие проспективные исследования. Дальнейший прогресс следует оценивать по надежной работе в целевых группах населения и очевидным улучшениям в оказании медицинской помощи.

Сокращения

ббревиатура Полное название на английском языке Перевод / Значение на русском языке
3D Three-dimensional Трёхмерный
ADC Apparent diffusion coefficient Измеряемый коэффициент диффузии (ИКД)
AE Autoencoder Автокодировщик
AHA/ASA American Heart Association/American Stroke Association Американская кардиологическая ассоциация / Американская ассоциация по борьбе с инсультом
AI Artificial intelligence Искусственный интеллект (ИИ)
ASPECTS Alberta Stroke Program Early CT Score Шкала ASPECTS (ранняя оценка КТ по программе инсульта г. Альберта)
AUC Area under the receiver operating characteristic curve Площадь под характеристической кривой (AUC-ROC)
CAD Computer-aided detection/diagnosis Система автоматизированного обнаружения/диагностики (CAD)
CBF Cerebral blood flow Мозговой кровоток
CE Conformité européenne (European conformity) Европейское соответствие (маркировка CE)
CI Confidence interval Доверительный интервал (ДИ)
CLAIM Checklist for Artificial Intelligence in Medical Imaging Чек-лист для оценки искусственного интеллекта в медицинской визуализации
CNN Convolutional neural network Свёрточная нейронная сеть (СНС)
CSVD Cerebral small vessel disease Церебральная болезнь мелких сосудов (ЦБМС)
CT Computed tomography Компьютерная томография (КТ)
CTA Computed tomography angiography Компьютерно-томографическая ангиография (КТ-ангиография / КТА)
CTP Computed tomography perfusion Компьютерно-томографическая перфузия (КТ-перфузия / КТП)
CV Computer vision Компьютерное зрение
DICOM Digital Imaging and Communications in Medicine DICOM (международный стандарт для медицинских изображений)
DL Deep learning Глубокое обучение
DWI Diffusion-weighted imaging Диффузионно-взвешенная томография (ДВ-МРТ / ДВИ)
EU European Union Европейский союз (ЕС)
ESO/EANS European Stroke Organisation/European Association of Neurosurgical Societies Европейская организация по борьбе с инсультом / Европейская ассоциация нейрохирургических обществ
FDA U.S. Food and Drug Administration Управление по санитарному надзору за качеством пищевых продуктов и медикаментов США (FDA)
FLAIR Fluid-attenuated inversion recovery Режим МРТ с подавлением сигнала от свободной жидкости (FLAIR)
GAN Generative adversarial network Генеративно-состязательная сеть (ГСС)
GenAI Generative artificial intelligence Генеративный искусственный интеллект (ГенИИ)
HR Hazard ratio Отношение рисков (ОP)
HU Hounsfield units Единицы Хаунсфилда (ед. Х.)
ICC Intraclass correlation coefficient Коэффициент внутриклассовой корреляции
ICH Intracranial hemorrhage Внутричерепное кровоизлияние (ВЧК)
LVO Large vessel occlusion Окклюзия крупных сосудов
MCA Middle cerebral artery Средняя мозговая артерия (СМА)
MeVO Medium vessel occlusion Окклюзия средних сосудов
MHRA Medicines and Healthcare products Regulatory Agency Агентство по регулированию лекарственных средств и медицинских товаров Великобритании (MHRA)
ML Machine learning Машинное обучение (МО)
MLP Multilayer perceptron Многослойный перцептрон
MRI Magnetic resonance imaging Магнитно-резонансная томография (МРТ)
mRS Modified Rankin Scale Модифицированная шкала Рэнкина
NCCT Noncontrast computed tomography Нативная (бесконтрастная) компьютерная томография
NLP Natural language processing Обработка естественного языка (NLP)
nnU-Net No new net Нейросеть nnU-Net («без новой сети»)
OR Odds ratio Отношение шансов (ОШ)
PACS Picture archiving and communication system Система передачи и архивации изображений (PACS)
PatchFCN Patch-based fully convolutional network Патч-ориентированная полностью свёрточная нейросеть
PCA Principal component analysis Метод главных компонент (МГК)
R-CNN Region-based convolutional neural network Региональная свёрточная нейронная сеть (R-CNN)
ReLU Rectified linear unit Функция активации ReLU (выпрямленная линейная функция)
ResNet Residual network Остаточная нейронная сеть (ResNet)
RF Random forest Случайный лес
RNN Recurrent neural network Рекуррентная нейронная сеть (РНС)
STARD-AI Standards for Reporting Diagnostic Accuracy Studies—Artificial Intelligence Стандарты отчетности исследований диагностической точности для искусственного интеллекта
SVM Support vector machine Метод опорных векторов (МОВ)
U-Net U-shaped encoder–decoder network Архитектура нейросети U-Net (U-образная сеть энкодер-декодер)
VAE Variational autoencoder Вариационный автокодировщик (ВАК)
ViT Vision transformer Трансформер компьютерного зрения (Vision Transformer)
WMH White matter hyperintensities Гиперинтенсивность белого вещества (ГИБВ)
YOLO You Only Look Once Алгоритм YOLO (архитектура распознавания объектов «ты смотришь только один раз»)

Литература

  1. Prabhakaran, S.; Gonzalez, N.R.; Zachrison, K.S.; Adeoye, O.; Alexandrov, A.W.; Ansari, S.A.; Chapman, S.; Czap, A.L.; Dumitrascu, O.M.; Ishida, K.; et al. 2026 Guideline for the Early Management of Patients With Acute Ischemic Stroke: A Guideline From the American Heart Association/American Stroke Association. Stroke 2026, 57, e316–e436. [Google Scholar] [CrossRef] [Scilit] [PubMed]
  2. Albers, G.W.; Marks, M.P.; Kemp, S.; Christensen, S.; Tsai, J.P.; Ortega-Gutierrez, S.; McTaggart, R.A.; Torbey, M.T.; Kim-Tenser, M.; Leslie-Mazwi, T.; et al. Thrombectomy for Stroke at 6 to 16 Hours with Selection by Perfusion Imaging. N. Engl. J. Med. 2018, 378, 708–718. [Google Scholar] [CrossRef] [Scilit] [PubMed]
  3. Bivard, A.; Churilov, L.; Parsons, M. Artificial intelligence for decision support in acute stroke—Current roles and potential. Nat. Rev. Neurol. 2020, 16, 575–585. [Google Scholar] [CrossRef] [Scilit] [PubMed]
  4. Jiang, B.; Pham, N.; van Staalduinen, E.K.; Liu, Y.; Nazari-Farsani, S.; Sanaat, A.; van Voorst, H.; Fettahoglu, A.; Kim, D.; Ouyang, J.; et al. Deep Learning Applications in Imaging of Acute Ischemic Stroke: A Systematic Review and Narrative Summary. Radiology 2025, 315, e240775. [Google Scholar] [CrossRef] [Scilit] [PubMed]
  5. Shen, W.; Peng, J.; Lu, J. Artificial Intelligence for Ischemic Stroke Detection in Non-contrast CT: A Systematic Review and Meta-analysis. Acad. Radiol. 2025, 32, 7438–7458. [Google Scholar] [CrossRef] [Scilit] [PubMed]
  6. Zhang, X.; Ding, L.; Jing, J.; Wang, C.; Gu, H.; Jiang, Y.; Meng, X.; Liu, T.; Xie, X.; Xu, M.; et al. Effect of a clinical decision support system on stroke care quality and outcomes in patients with acute ischaemic stroke (GOLDEN BRIDGE II): Cluster randomised clinical trial. BMJ 2026, 392, e085810. [Google Scholar] [CrossRef] [Scilit] [PubMed]
  7. Morelli, N.; Spallazzi, M.; Rota, E.; Biondi, M.; Colombi, D. Where Does the Signal Go? Technical Challenges of CT Perfusion in Lacunar and Infratentorial Stroke. Tomography 2026, 12, 118. [Google Scholar] [CrossRef] [Scilit] [PubMed]
  8. LeCun, Y.; Bengio, Y.; Hinton, G. Deep learning. Nature 2015, 521, 436–444. [Google Scholar] [CrossRef] [Scilit] [PubMed]
  9. Litjens, G.; Kooi, T.; Bejnordi, B.E.; Setio, A.A.A.; Ciompi, F.; Ghafoorian, M.; van der Laak, J.A.W.M.; van Ginneken, B.; Sánchez, C.I. A survey on deep learning in medical image analysis. Med. Image Anal. 2017, 42, 60–88. [Google Scholar] [CrossRef] [Scilit] [PubMed]
  10. Zech, J.R.; Badgeley, M.A.; Liu, M.; Costa, A.B.; Titano, J.J.; Oermann, E.K. Variable generalization performance of a deep learning model to detect pneumonia in chest radiographs: A cross-sectional study. PLoS Med. 2018, 15, e1002683. [Google Scholar] [CrossRef] [Scilit] [PubMed]
  11. Kelly, C.J.; Karthikesalingam, A.; Suleyman, M.; Corrado, G.; King, D. Key challenges for delivering clinical impact with artificial intelligence. BMC Med. 2019, 17, 195. [Google Scholar] [CrossRef] [Scilit] [PubMed]
  12. Wang, W.-C.; Chien, S.-Y.; Tsai, S.-T.; Yang, Y.-W.; Nguyen, D.-K.; Wu, Y.-L.; Lu, M.-K.; Sun, T.-H.; Yu, J.; Lin, C.-T.; et al. Automated delineation of acute ischemic stroke lesions on non-contrast CT using 3D deep learning: A promising step towards efficient diagnosis and treatment. Biomed. Signal Process. Control 2024, 93, 106139. [Google Scholar] [CrossRef] [Scilit]
  13. Arefeen, Y.; Kumar, S.; Warach, S.; Saber, H.; Tamir, J.I. Accelerating Stroke MRI With Diffusion Probabilistic Models Through Large-Scale Pre-Training and Target-Specific Fine-Tuning. Magn. Reson. Med. 2026, 96, 2396–2411. [Google Scholar] [CrossRef] [Scilit] [PubMed]
  14. Breiman, L.; Friedman, J.H.; Olshen, R.A.; Stone, C.J. Classification and Regression Trees; Wadsworth International Group: Belmont, CA, USA, 1984. [Google Scholar]
  15. Breiman, L. Random Forests. Mach. Learn. 2001, 45, 5–32. [Google Scholar] [CrossRef] [Scilit]
  16. Ronneberger, O.; Fischer, P.; Brox, T. U-Net: Convolutional Networks for Biomedical Image Segmentation. In Medical Image Computing and Computer-Assisted Intervention—MICCAI 2015; Springer: Cham, Switzerland, 2015; pp. 234–241. [Google Scholar] [CrossRef] [Scilit]
  17. He, K.; Zhang, X.; Ren, S.; Sun, J. Deep Residual Learning for Image Recognition. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Las Vegas, NV, USA, 27–30 June 2016; pp. 770–778. [Google Scholar] [CrossRef] [Scilit]
  18. Kuang, H.; Najm, M.; Chakraborty, D.; Maraj, N.; Sohn, S.; Goyal, M.; Hill, M.D.; Demchuk, A.; Menon, B.; Qiu, W. Automated ASPECTS on Noncontrast CT Scans in Patients with Acute Ischemic Stroke Using Machine Learning. AJNR Am. J. Neuroradiol. 2019, 40, 33–38. [Google Scholar] [CrossRef] [Scilit] [PubMed]
  19. Ren, S.; He, K.; Girshick, R.; Sun, J. Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks. IEEE Trans. Pattern Anal. Mach. Intell. 2017, 39, 1137–1149. [Google Scholar] [CrossRef] [Scilit] [PubMed]
  20. Redmon, J.; Divvala, S.; Girshick, R.; Farhadi, A. You Only Look Once: Unified, Real-Time Object Detection. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Las Vegas, NV, USA, 27–30 June 2016; pp. 779–788. [Google Scholar] [CrossRef] [Scilit]
  21. Minaee, S.; Boykov, Y.; Porikli, F.; Plaza, A.; Kehtarnavaz, N.; Terzopoulos, D. Image Segmentation Using Deep Learning: A Survey. IEEE Trans. Pattern Anal. Mach. Intell. 2022, 44, 3523–3542. [Google Scholar] [CrossRef] [Scilit] [PubMed]
  22. Chilamkurthy, S.; Ghosh, R.; Tanamala, S.; Biviji, M.; Campeau, N.G.; Venugopal, V.K.; Mahajan, V.; Rao, P.; Warier, P. Deep learning algorithms for detection of critical findings in head CT scans: A retrospective study. Lancet 2018, 392, 2388–2396. [Google Scholar] [CrossRef] [Scilit] [PubMed]
  23. Kuo, W.; Häne, C.; Mukherjee, P.; Malik, J.; Yuh, E.L. Expert-level detection of acute intracranial hemorrhage on head computed tomography using deep learning. Proc. Natl. Acad. Sci. USA 2019, 116, 22737–22745. [Google Scholar] [CrossRef] [Scilit] [PubMed]
  24. Kok, Y.E.; Pszczolkowski, S.; Law, Z.K.; Ali, A.; Krishnan, K.; Bath, P.M.; Sprigg, N.; Dineen, R.A.; French, A.P. Semantic Segmentation of Spontaneous Intracerebral Hemorrhage, Intraventricular Hemorrhage, and Associated Edema on CT Images Using Deep Learning. Radiol. Artif. Intell. 2022, 4, e220096. [Google Scholar] [CrossRef] [Scilit] [PubMed]
  25. Chavoshi, M.; Mansuri, A.; Bala, W.; Brown-Mulry, B.; Dapamede, T.; Isaac, R.; Khosravi, B.; Li, H.; Li, F.; Moon, J.T.; et al. Real-world performance evaluation of a commercial deep learning model for intracranial hemorrhage detection. npj Digit. Med. 2026, 9, 66. [Google Scholar] [CrossRef] [Scilit] [PubMed]
  26. Savage, C.H.; Tanwar, M.; Abou Elkassem, A.; Sturdivant, A.; Hamki, O.; Sotoudeh, H.; Sirineni, G.; Singhal, A.; Milner, D.; Jones, J.; et al. Prospective Evaluation of Artificial Intelligence Triage of Intracranial Hemorrhage on Noncontrast Head CT Examinations. AJR Am. J. Roentgenol. 2024, 223, e2431639. [Google Scholar] [CrossRef] [Scilit] [PubMed]
  27. Greenberg, S.M.; Ziai, W.C.; Cordonnier, C.; Dowlatshahi, D.; Francis, B.; Goldstein, J.N.; Hemphill, J.C., III; Johnson, R.; Keigher, K.M.; Mack, W.J.; et al. 2022 Guideline for the Management of Patients With Spontaneous Intracerebral Hemorrhage: A Guideline From the American Heart Association/American Stroke Association. Stroke 2022, 53, e282–e361. [Google Scholar] [CrossRef] [Scilit] [PubMed]
  28. Steiner, T.; Purrucker, J.C.; Aguiar de Sousa, D.; Apostolaki-Hansson, T.; Beck, J.; Christensen, H.; Cordonnier, C.; Downer, M.B.; Eilertsen, H.; Gartly, R.; et al. European Stroke Organisation (ESO) and European Association of Neurosurgical Societies (EANS) guideline on stroke due to spontaneous intracerebral haemorrhage. Eur. Stroke J. 2025, 10, 1007–1086. [Google Scholar] [CrossRef] [Scilit] [PubMed]
  29. Mohamed, A.A.; Lucke-Wold, B. Apple Intelligence in neurosurgery. Neurosurg. Rev. 2024, 47, 327. [Google Scholar] [CrossRef] [Scilit] [PubMed]
  30. Mair, G.; White, P.; Bath, P.M.; Muir, K.W.; Salman, R.A.; Martin, C.; Dye, D.; Chappell, F.M.; Vacek, A.; von Kummer, R.; et al. External Validation of e-ASPECTS Software for Interpreting Brain CT in Stroke. Ann. Neurol. 2022, 92, 943–957. [Google Scholar] [CrossRef] [Scilit] [PubMed]
  31. Adamou, A.; Beltsios, E.T.; Bania, A.; Gkana, A.; Kastrup, A.; Chatziioannou, A.; Politi, M.; Papanagiotou, P. Artificial intelligence-driven ASPECTS for the detection of early stroke changes in non-contrast CT: A systematic review and meta-analysis. J. Neurointerv. Surg. 2023, 15, e298–e304. [Google Scholar] [CrossRef] [Scilit] [PubMed]
  32. Chen, Z.; Shi, Z.; Lu, F.; Li, L.; Li, M.; Wang, S.; Wang, W.; Li, Y.; Luo, Y.; Tong, D. Validation of two automated ASPECTS software on non-contrast computed tomography scans of patients with acute ischemic stroke. Front. Neurol. 2023, 14, 1170955. [Google Scholar] [CrossRef] [Scilit] [PubMed]
  33. Heo, J.; Ryu, W.-S.; Chung, J.-W.; Kim, C.K.; Kim, J.-T.; Lee, M.; Kim, D.; Sunwoo, L.; Ospel, J.M.; Singh, N.; et al. Automated ischemic stroke lesion detection on non-contrast brain CT: A large-scale clinical feasibility test AI stroke lesion detection on NCCT. Front. Neurosci. 2025, 19, 1643479. [Google Scholar] [CrossRef] [Scilit] [PubMed]
  34. Wei, J.; Shang, K.; Wei, X.; Zhu, Y.; Yuan, Y.; Wang, M.; Ding, C.; Dai, L.; Sun, Z.; Mao, X.; et al. Deep learning-based automatic ASPECTS calculation can improve diagnosis efficiency in patients with acute ischemic stroke: A multicenter study. Eur. Radiol. 2025, 35, 627–639. [Google Scholar] [CrossRef] [Scilit] [PubMed]
  35. O’Connor, J.G.; Ayobi, A.; Tassy, M.; Avare, C.; Quenet, S.; Davis, A.; Chang, P.D.; Chow, D.S.; Filippi, C.G.; Chaibi, Y. Deep Learning in Emergency Radiology: Evaluating a Tool for Automated ASPECT Scoring in Acute Ischemic Stroke. Clin. Neuroimaging 2025, 2, e70034. [Google Scholar] [CrossRef] [Scilit]
  36. Morelli, N.; Rota, E.; Spallazzi, M.; Biondi, M.; Immovilli, P. Artificial Intelligence-Based CTA Software for Real-World Detection of Large-Vessel Occlusion in Acute Ischemic Stroke. Eur. Neurol. 2026, 89, 175–183. [Google Scholar] [CrossRef] [Scilit] [PubMed]
  37. Han, J.H.; Ha, S.Y.; Lee, H.; Park, G.-H.; Hong, H.; Kim, D.; Kim, J.G.; Kim, J.-T.; Sunwoo, L.; Kim, C.K.; et al. Automated identification of thrombectomy amenable vessel occlusion on computed tomography angiography using deep learning. Front. Neurol. 2024, 15, 1442025. [Google Scholar] [CrossRef] [Scilit] [PubMed]
  38. Yum, K.S.; Chung, J.-W.; Ha, S.Y.; Park, K.-Y.; Shin, D.-I.; Park, H.-K.; Cho, Y.-J.; Hong, K.-S.; Kim, J.G.; Lee, S.J.; et al. A multicenter validation and calibration of automated software package for detecting anterior circulation large vessel occlusion on CT angiography. BMC Neurol. 2025, 25, 100. [Google Scholar] [CrossRef] [Scilit] [PubMed]
  39. Andersson, H.; Hansen, B.; Wassélius, J. Commercial AI Model Diagnostic Accuracy for Intracranial Large- and Medium-Vessel Occlusion at Emergency CT Angiography. Radiol. Artif. Intell. 2026, 8, e250749. [Google Scholar] [CrossRef] [Scilit] [PubMed]
  40. Kim, J.G.; Ha, S.Y.; Kang, Y.-R.; Hong, H.; Kim, D.; Lee, M.; Sunwoo, L.; Ryu, W.-S.; Kim, J.-T. Automated detection of large vessel occlusion using deep learning: A pivotal multicenter study and reader performance study. J. Neurointerv. Surg. 2025, 17, 1236–1241. [Google Scholar] [CrossRef] [Scilit] [PubMed]
  41. US Food and Drug Administration. Rapid LVO: 510(k) Summary and Indications for Use (K221248); US Food and Drug Administration: Silver Spring, MD, USA, 2022. Available online: ссылка (accessed on 24 October 2026).
  42. US Food and Drug Administration. Rapid CTA 360: 510(k) Summary and Indications for Use (K251151); US Food and Drug Administration: Silver Spring, MD, USA, 2025. Available online: ссылка (accessed on 24 October 2026).
  43. Porto-Álvarez, J.; Mosqueira Martínez, A.J.; Martínez Fernández, J.; Arcos, J.L.T.; Ulla, M.B.; Pumar, J.M.; Santamaría, M.; Castro, E.R.; Rey, R.I.; Hervella, P.; et al. Predicting Stroke Etiology with Radiomics: A Retrospective Study. Med. Sci. 2025, 13, 98. [Google Scholar] [CrossRef] [Scilit] [PubMed]
  44. Ding, R.; An, K.; Wang, F.; Cao, Z.; Zeng, Y.; Guo, L. Analysis of a clot-based combined radiomics model for predicting embolic etiology in acute ischemic stroke patients. Eur. J. Radiol. Open 2025, 15, 100709. [Google Scholar] [CrossRef] [Scilit] [PubMed]
  45. Gragnano, E.; Cocozza, S.; Rizzuti, M.; Buono, G.; Elefante, A.; Guida, A.; Marseglia, M.; Tarantino, M.; Manganelli, F.; Tortora, F.; et al. Evolution of CT perfusion software in stroke imaging: From deconvolution to artificial intelligence. Eur. Radiol. 2026, 36, 687–696. [Google Scholar] [CrossRef] [Scilit] [PubMed]
  46. Kim, N.; Ha, S.Y.; Park, G.-H.; Park, J.-H.; Kim, D.; Sunwoo, L.; Kye, M.-S.; Baik, S.H.; Jung, C.; Ryu, W.-S.; et al. Comparison of two automated CT perfusion software packages in patients with ischemic stroke presenting within 24 h of onset. Front. Neurosci. 2024, 18, 1398889. [Google Scholar] [CrossRef] [Scilit] [PubMed]
  47. Alwood, B.T.; Meyer, D.M.; Ionita, C.; Snyder, K.V.; Santos, R.; Perrotta, L.; Crooks, R.; Van Orden, K.; Torres, D.; Poynor, B.; et al. Multicenter comparison using two AI stroke CT perfusion software packages for determining thrombectomy eligibility. J. Stroke Cerebrovasc. Dis. 2024, 33, 107750. [Google Scholar] [CrossRef] [Scilit] [PubMed]
  48. Suomalainen, O.P.; Martinez-Majander, N.; Sibolt, G.; Bäcklund, K.; Järveläinen, J.; Korvenoja, A.; Tiainen, M.; Forss, N.; Curtze, S. Comparative analysis of core and perfusion lesion volumes between commercially available computed tomography perfusion software. Eur. Stroke J. 2023, 8, 259–267. [Google Scholar] [CrossRef] [Scilit] [PubMed]
  49. Yedavalli, V.; Kihira, S.; Shahrouki, P.; Hamam, O.; Tavakkol, E.; McArthur, M.; Qiao, J.; Johanna, F.; Doshi, A.; Vagal, A.; et al. CTP-based estimated ischemic core: A comparative multicenter study between Olea and RAPID software. J. Stroke Cerebrovasc. Dis. 2023, 32, 107297. [Google Scholar] [CrossRef] [Scilit] [PubMed]
  50. Kamel, P.; Kanhere, A.; Kulkarni, P.; Khalid, M.; Steger, R.; Bodanapally, U.; Gandhi, D.; Parekh, V.; Yi, P.H. Optimizing Acute Stroke Segmentation on MRI Using Deep Learning: Self-Configuring Neural Networks Provide High Performance Using Only DWI Sequences. J. Imaging Inform. Med. 2025, 38, 717–726. [Google Scholar] [CrossRef] [Scilit] [PubMed]
  51. Benson, J.C.; Payabvash, S.; Mortazavi, S.; Zhang, L.; Salazar, P.; Hoffman, B.; Oswood, M.; McKinney, A. CT Perfusion in Acute Lacunar Stroke: Detection Capabilities Based on Infarct Location. AJNR Am. J. Neuroradiol. 2016, 37, 2239–2244. [Google Scholar] [CrossRef] [Scilit] [PubMed]
  52. Thomas, J.O.; Visser, M.; Garcia-Esperon, C.; Spratt, N.J.; Cordato, D.; Cappelen-Smith, C.; Lin, L.; Parsons, M.W. CT perfusion lesions are present in most MRI confirmed lacunar strokes. NeuroImage Clin. 2025, 48, 103903. [Google Scholar] [CrossRef] [Scilit] [PubMed]
  53. Thomas, J.O.; Visser, M.; Garcia-Esperon, C.; Chew, B.-L.; Green, D.; Cordato, D.; Cappelen-Smith, C.; Tran, L.; Edwards, L.; Blair, C.; et al. Accuracy of Automated Deep Learning versus Expert Clinicians for Diagnosis of Acute Lacunar Stroke on CT Perfusion. AJNR Am. J. Neuroradiol. 2026, ajnr.A9445. [Google Scholar] [CrossRef] [Scilit] [PubMed]
  54. Jeon, E.T.; Kim, S.M.; Jung, J.M. Automated rating of Fazekas scale in fluid-attenuated inversion recovery MRI for ischemic stroke or transient ischemic attack using machine learning. Sci. Rep. 2025, 15, 32219. [Google Scholar] [CrossRef] [Scilit] [PubMed]
  55. Sounderajah, V.; Guni, A.; Liu, X.; Collins, G.S.; Karthikesalingam, A.; Markar, S.R.; Golub, R.M.; Denniston, A.K.; Shetty, S.; Moher, D.; et al. The STARD-AI reporting guideline for diagnostic accuracy studies using artificial intelligence. Nat. Med. 2025, 31, 3283–3289. [Google Scholar] [CrossRef] [Scilit] [PubMed]
  56. Tejani, A.S.; Klontzas, M.E.; Gatti, A.A.; Mongan, J.T.; Moy, L.; Park, S.H.; Kahn, C.E., Jr.; CLAIM 2024 Update Panel. Checklist for Artificial Intelligence in Medical Imaging (CLAIM): 2024 Update. Radiol. Artif. Intell. 2024, 6, e240300. [Google Scholar] [CrossRef] [Scilit] [PubMed]
  57. Martinez-Gutierrez, J.C.; Kim, Y.; Salazar-Marioni, S.; Tariq, M.B.; Abdelkhaleq, R.; Niktabe, A.; Ballekere, A.N.; Iyyangar, A.S.; Le, M.; Azeem, H.; et al. Automated Large Vessel Occlusion Detection Software and Thrombectomy Treatment Times: A Cluster Randomized Clinical Trial. JAMA Neurol. 2023, 80, 1182–1190. [Google Scholar] [CrossRef] [Scilit] [PubMed]
  58. Nagaratnam, K.; Neuhaus, A.A.; Fensome, L.; Epton, M.; Marriott, T.; Woodhead, Z.; Fernandez, C.; Papadakis, M.; Gerry, S.; Lowe, D.; et al. Artificial intelligence imaging decision support for acute stroke treatment in England: A prospective observational study. Lancet Digit. Health 2025, 7, 100927. [Google Scholar] [CrossRef] [Scilit] [PubMed]
  59. European Society of Radiology (ESR). What the radiologist should know about artificial intelligence—An ESR white paper. Insights Imaging 2019, 10, 44. [Google Scholar] [CrossRef] [Scilit] [PubMed]
  60. National Electrical Manufacturers Association. Digital Imaging and Communications in Medicine (DICOM), PS3.3: Information Object Definitions; NEMA: Rosslyn, VA, USA, 2026. [Google Scholar]
  61. Brady, A.P.; Allen, B.; Chong, J.; Kotter, E.; Kottler, N.; Mongan, J.; Oakden-Rayner, L.; dos Santos, D.P.; Tang, A.; Wald, C.; et al. Developing, purchasing, implementing and monitoring AI tools in radiology: Practical considerations. A multi-society statement from the ACR, CAR, ESR, RANZCR & RSNA. Insights Imaging 2024, 15, 16. [Google Scholar] [CrossRef] [Scilit] [PubMed]
  62. Natali, C.; Marconi, L.; Dias Duran, L.D.; Cabitza, F. AI-induced Deskilling in Medicine: A Mixed-Method Review and Research Agenda for Healthcare and Beyond. Artif. Intell. Rev. 2025, 58, 356. [Google Scholar] [CrossRef] [Scilit]
  63. European Society of Radiology (ESR). The role of radiologist in the changing world of healthcare: A White Paper of the European Society of Radiology (ESR). Insights Imaging 2022, 13, 100. [Google Scholar] [CrossRef] [Scilit] [PubMed]
  64. European Parliament Council of the European Union. Regulation (EU) 2017/745 of 5 April 2017 on medical devices. Off. J. Eur. Union 2017, L117, 1–175. [Google Scholar]
  65. European Parliament Council of the European Union. Regulation (EU) 2024/1689 of 13 June 2024 laying down harmonised rules on artificial intelligence. Off. J. Eur. Union 2024, L 2024/1689. Available online: ссылка (accessed on 8 November 2026).
  66. European Parliament and Council of the European Union. Regulation (EU) 2026/1744 of 8 July 2026 amending Regulations (EU) 2024/1689, (EU) 2018/1139 and (EU) 2023/1230 as regards the simplification of the implementation of harmonised rules on artificial intelligence (Digital Omnibus on AI). Off. J. Eur. Union 2026, L 2026/1744. Available online: ссылка  (accessed on 8 November 2026).
  67. US Food and Drug Administration. Product Classification: Radiological Computer-Assisted Triage and Notification Software (QAS). Available online: ссылка (accessed on 31 October 2026).
  68. Medicines and Healthcare products Regulatory Agency. Medical Devices: Software and Artificial Intelligence (AI). Available online: ссылка (accessed on 31 October 2026).

Авторы: Nicola Morelli, Marco Spallazzi, Eugenia Rota, Simone Gallerini, Davide Colombi