当中风发生时，往往是一场与时间的赛跑。血栓阻断了大脑的氧气供应，每一次延误都可能导致脑细胞死亡，甚至危及生命。但对数百万人来说，真正的危险并不在第一次中风之后结束。真正危险的是引起中风的原因，尤其是如果罪魁祸首是一种难以察觉的心脏疾病，这种疾病在标准心电图上不会留下任何痕迹。
这种疾病就是心房颤动（AF）。它是最常见的不规则心跳类型，可以在多年内未被发现。许多患有AF的人只有在中风后才知道自己患病。由于AF相关的中风需要不同于其他类型的治疗策略，错过诊断意味着错过了预防下一次可能致命的中风的机会。
现在，墨尔本的研究人员可能找到了一种令人惊讶的方法来揭示这种隐藏的心脏风险：不是看心脏，而是看大脑。
一个无声的问题
AF增加了五倍的中风风险。但它的症状（如果有）可能是短暂的。
“早期检测心房颤动（AF）对于为患者提供最好的机会预防严重的栓塞性中风至关重要。然而，许多患者首次出现急性缺血性中风时，其潜在的AF病因是隐匿的，因为它是无症状且间歇性的，”《脑血管疾病》杂志主编Craig Anderson说，该研究发表在这本杂志上。
当AF未被注意到时，它可能是致命的。医生可能会错误地认为中风是由动脉阻塞引起的，正如我们在另一种称为大动脉粥样硬化的中风中看到的一样。而这种区别非常重要。AF患者需要血液稀释剂来防止新的血栓形成。那些有动脉疾病的患者可能需要手术或不同的药物。错误的诊断意味着错误的治疗，这可能是致命的。
那么如何找到正确的诊断呢？
研究人员怀疑每次中风都会留下独特的足迹：大脑中的微小疤痕。它们的形状和分布可以提供关于中风起源的线索。由AF引起的心源性中风通常会在多个脑区留下散在的损伤。相比之下，动脉阻塞中风倾向于遵循更局部的模式。神经科医生多年来一直在使用这些模式来辅助诊断。但人类眼睛在脑部扫描中能看到的东西有限。训练有素的神经科医生也有时间限制。
这就是AI发挥作用的地方。
墨尔本脑中心和墨尔本大学的团队转向3D卷积神经网络——这是一种高级形式的机器学习，擅长分析复杂的视觉数据。他们向算法ConvNeXt提供了超过230名已经中风的患者的MRI脑部扫描。其中一些人患有AF，另一些人则因大动脉疾病导致中风。
AI不知道患者的病史。它只是看大脑。
算法表现良好
他们的AI模型能够以高精度区分AF相关中风和非AF中风。研究人员使用AUC（曲线下面积）来评估AI能否准确判断中风是由心房颤动（AF）还是其他问题（如动脉阻塞）引起的。AUC分数范围从0.5（相当于猜测）到1.0（完美准确）。在最佳测试中，AI得分为0.88，总体平均值为0.81——表明它可以可靠地识别出与AF相关的微妙模式，即使这些模式对人类医生来说太微弱或复杂以至于无法通过肉眼识别。
这并不完美，但这是一个潜在的游戏改变者。
这也建立在越来越多的工作基础上，探讨人工智能如何支持诊断和中风护理。
“机器学习在临床决策中的应用越来越广泛，当应用于磁共振成像时，可能有助于促进未诊断AF的检测，”该研究指出。MRI已经是中风护理的一部分，这种方法不需要额外的扫描或程序。这使其成为一种低成本、非侵入性的方法，以支持更有针对性的护理。
这项研究仍处于早期阶段。研究人员强调，他们的模型是一个概念验证，而不是一个完成的诊断工具。需要在更大和更多样化的患者群体中进行更多的工作。虽然当前模型仅查看MRI数据，但未来的版本可能包括年龄、血液标志物和遗传因素，以进一步提高准确性。
尽管如此，前景是明确的。经过更多的改进和验证，这样的工具可以提供一个新的个性化护理水平。它们可以帮助医生看到心电图所遗漏的内容。它们可以更快地给患者答案和选择。
期刊参考：Angelos Sharobeam等人，《通过人工智能支持的神经影像检查检测心房颤动》，《脑血管疾病》（2025）。DOI: 10.1159/000543042
(全文结束)
