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受损甚至危及生命。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。导致中风的原因往往被忽视——尤其是当罪魁祸首是一种不易察觉的心脏疾病，这种疾病在标准心电图上没有明显迹象。
这种疾病就是心房颤动（AF）。它是最常见的不规则心跳类型，可能潜伏多年而未被发现。许多患有AF的人直到中风后才发现自己患病。由于AF相关中风的治疗方法与其他类型的中风不同，错过诊断意味着错失预防下一次、可能是致命的中风的机会。
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：不是观察心脏，而是观察大脑。
一个无声的问题
AF使中风的风险增加到五倍。但其症状（如果有的话）可能是短暂的。
“早期检测心房颤动（AF）对于为患者提供最佳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，潜在的AF原因往往是无声的，因为它是无症状且间歇性的。”《脑血管疾病》杂志主编Craig Anderson说，该研究发表在该杂志上。
当AF未被察觉时，它可能是致命的。医生可能会错误地假设中风是由动脉阻塞引起的，就像我们在另一种称为大动脉粥样硬化的中风中看到的那样。而这种区分非常重要。AF患者需要抗凝血药物以防止新的血栓形成。而动脉疾病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痕迹：大脑中的微小疤痕。这些疤痕的形状和分布可以提供关于中风起源的线索。由AF引起的心源性栓塞中风通常会在多个脑区留下分散的损伤。相比之下，动脉阻塞中风则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进行诊断。但人眼在脑部扫描中能看到的东西有限。而且训练有素的神经科医生也没有足够的时间来寻找这些。
这时，人工智能就派上了用场。
墨尔本脑中心和墨尔本大学的团队转向了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。他们将一组来自230多名已经中风患者的MRI脑部扫描输入算法。其中一些患者有AF，另一些患者的中风是由大动脉疾病引起的。
人工智能不知道患者的任何心脏病史。它只是观察大脑。
算法表现相当不错
他们的AI模型能够以较高的准确性区分AF相关的中风和其他非AF中风。研究人员使用AUC（曲线下面积）来评估AI判断中风是否由心房颤动（AF）或其他问题如动脉阻塞引起的准确性。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，总体平均得分为0.81——表明它可以可靠地识别出与AF相关的微妙模式，即使这些模式对于人类医生来说可能太微弱或复杂而无法通过肉眼检测到。
这并不完美，但这是一项潜在的变革性进展。
这也建立在越来越多的工作基础上，探索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，并且可能有助于通过磁共振成像检测未诊断的AF。”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。还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，像这样的工具可以提供更高水平的个性化护理。它们可以帮助医生看到心电图所遗漏的东西。它们可以更快地给患者答案和选择。
(全文结束)
