一項涵蓋372名患者的最新研究指出，透過自動化電腦斷層放射組學（CT Radiomics）模型，能有效預測原發性腦幹出血（Primary Brainstem Haemorrhage, PBSH）患者的不良功能預後，其綜合模型的預測表現更超越傳統放射學評估，為急重症醫療帶來全新突破。
從急診掃描到自動化分割：放射組學的技術突破
這項回顧性研究由研究團隊開發了一套以自動化分割為基礎的放射組學框架，使用緊急非顯影電腦斷層（NCCT）掃描進行分析。研究納入了372名PBSH患者的數據，並區分為訓練集（182例）、內部測試集（79例）與時間內部驗證集（111例）三大組別，確保模型的穩定性與可靠性。
在技術執行層面，研究人員運用三維 U-Net（3D U-Net）進行血腫自動分割，並將自動化分割與手動分割的放射組學模型進行效能比較。最終，團隊將自動化放射組學特徵與傳統放射學預測因子相結合，成功打造出能預測患者出院時不良功能預後以及院內中風後肺炎（PSP）的綜合預測模型。
綜合模型預測實力：數據展現的臨床優勢
實驗數據顯示，以自動化分割為基礎的放射組學模型，在三個資料集上的表現皆與手動分割模型相當。在預測不良功能預後方面，結合模型在訓練集、內部測試集與時間內部驗證集中，分別創下了 0.926、0.923 與 0.858 的曲線下面積（AUC）數值，展現出優於傳統放射學模型的預測效能。
不過，在預測中風後肺炎（PSP）的表現上則未見一致性突破，綜合 PSP 模型在三個資料集中的 AUC 分別為 0.828、0.742 與 0.681。透過 SHapley Additive exPlanations（SHAP）分析工具進一步解析後發現，血腫分類是所有預後預測模型中最具影響力的關鍵預測因子。
- 運用 3D U-Net 技術進行緊急非顯影電腦斷層掃描的血腫自動分割
- 綜合模型在功能預後的 AUC 數值最高達 0.926，優於傳統放射學評估
- 血腫分類被 SHAP 分析確認為最具影響力的預後預測因子
從臨床與產業面來看，自動化電腦斷層放射組學的導入，象徵著急重症影像診斷正從「肉眼判讀」走向「數據量化」的精準醫療時代。換個角度想，當演算法能夠在黃金救援時間內提供更為客觀的風險分層依據，醫療團隊便能更早介入高風險患者的照護規劃，這對於降低腦幹出血的高死亡率與致殘率具有不可忽視的實質助益。
早期風險分層的前瞻展望與臨床影響
研究結果強調整體發現證明了自動化分割的 NCCT 放射組學，確實具備支援 PBSH 患者早期風險分層的實務可行性。將放射組學特徵與常規預測因子相互結合，能提供超越標準電腦斷層評估的額外預後資訊，協助臨床醫師在第一時間掌握病情走向。
展望未來，儘管功能預後的預測表現令人振奮，但針對中風後肺炎的預測模型仍有賴後續研究進行更深度的調整與驗證。學界普遍認為，自動化電腦斷層放射組學在早期預後評估上具備高度可行性，但要全面確立其常規預測價值，仍需更多臨床實證與前瞻性研究來鋪平道路。
本文改寫整理自公開新聞來源，原始報導由EMJ發布。
常見問題 FAQ
什麼是自動化電腦斷層放射組學？
自動化電腦斷層放射組學是一種運用演算法與機器學習技術，從緊急非顯影電腦斷層（NCCT）掃描中自動擷取並分析肉眼難以察覺的影像特徵，藉此量化病灶並預測疾病預後的先進醫療影像分析方法。
這項研究所針對的疾病對象為何？
這項研究主要針對原發性腦幹出血（Primary Brainstem Haemorrhage, PBSH）患者，總計納入 372 名患者的臨床與影像數據進行模型開發與驗證。
研究中的綜合模型能預測哪些臨床結果？
綜合模型主要用於預測患者出院時的不良功能預後，以及院內發生的中風後肺炎（PSP），其中在功能預後的預測準確度上表現尤為出色。
為什麼血腫分類在模型中如此重要？
透過 SHapley Additive exPlanations（SHAP）分析工具的評估，血腫分類被證實是所有預後預測因子中影響力最大的一項指標，直接關聯到患者最終的功能恢復狀況。
※ 此篇文章由 AI 改寫或生成，內容僅供參考，可能存在錯誤或不準確之處。
