用于使用轴位和矢状位MRI数据进行出血分类的多平面视觉变换器

这项研究为何对患者和医生重要

当有人可能发生中风或脑出血时，每一分钟都很关键。脑部影像可以揭示危险的出血，但快速且准确地解读这些影像具有挑战性，尤其是磁共振成像（MRI），因为它会产生多种类型的图像并以不同视角呈现。该研究提出了一种新的人工智能（AI）方法，旨在更像经验丰富的放射科医师那样解读多角度MRI扫描，目标是在真实医院环境中更可靠地发现脑出血。

在MRI上发现脑出血的挑战

颅内出血——即颅骨内的出血——是一种危及生命的紧急情况，需要快速诊断。几十年来，计算机断层扫描（CT）一直是疑似脑出血的主要成像工具，因为它速度快且相对易于解读。MRI在检测出血方面可以与CT匹敌甚至更优，并且在显示出血时间及揭示如脑缺血等其他问题方面更有优势。然而，MRI耗时更长、在一些中心并不那么普及，且其图像更复杂，解读难度更大。这种复杂性使其成为AI工具的一个有吸引力的目标——AI可以帮助放射科医师筛查大量影像、标记可疑病例，从而降低错过细微但关键的出血的风险。

多视角和多序列为何对计算机困难

在常规临床实践中，为了缩短检查时间，脑部MRI通常以较厚的层厚采集，导致图像在某些方向上比其它方向更清晰。放射科医师会从多个平面观察大脑——轴位（从上向下）、矢状位（侧视）以及有时的冠状位（正面视）——因为某些出血从特定角度更易被识别。扫描还会有多种“对比”或序列，例如FLAIR、弥散和敏感出血的序列，每种序列强调不同的组织特性。然而，目前大多数AI系统期望所有图像都对齐到单一标准方向并具有相同分辨率。为满足这一要求，医院必须对数据进行数字旋转和重采样，这可能模糊细节并潜在地掩盖小的出血。真实的临床数据集还有另一个复杂性：并非每位患者都使用相同的序列进行扫描，因此模型必须应对缺失的信息。

一种保留更多原始信息的多平面AI模型

为了解决这些问题，作者设计了“多平面视觉变换器”（MP-ViT），这是一种最初用于理解自然图像的AI模型。MP-ViT并不强制将所有MRI数据统一到一个视角，而是设有两个专门的处理分支：一个处理轴位图像，另一个处理矢状位图像。每个分支将三维脑组织切分为小块，转换为变换器可处理的令牌，然后学习可能表明出血存在的模式。关键在于，这些分支并非简单并行且相互独立。模型使用交叉注意力机制让两个分支交换信息，模拟放射科医师如何在脑部不同角度的观察间进行心理整合，从而形成更清晰的整体判断。

用指示信号处理缺失的序列

在真实的医院工作流程中，并非每位患者都有相同的MRI序列；有些患者可能缺少某些对出血敏感的序列。为了使AI对这些缺失具有鲁棒性，作者加入了“模态指示向量”——一种简单的编码，告诉模型对于某位患者哪些类型的图像是存在的、哪些是缺失的。该向量被转换成一组内部信号，通过额外的交叉注意力步骤与模型学到的特征交互。实际上，网络在某类信息不可用时会被引导去调整其期望，而不是被混淆或过于自信。这一设计使得MP-ViT更适应日常临床实践中出现的杂乱且不一致的数据。

该方法的性能如何

研究人员在一个大型真实世界数据集上训练和测试了MP-ViT，该数据集包含来自三家主要扫描仪制造商的超过12,000例MRI研究，并由经验丰富的放射科医师标注为急性或亚急性颅内出血或非出血。在一个独立测试集上，MP-ViT实现了0.854的曲线下面积（AUC），该指标衡量模型在所有可能决策阈值下区分出血与非出血病例的能力。该得分明显高于仅使用单一平面的标准视觉变换器模型，以及几种知名的卷积神经网络架构（如ResNet和DenseNet）。统计检验确认这些提升不太可能由偶然造成。内部分析还显示，加入模态指示向量使性能提高了超过一个百分点，强调了明确告知模型所拥有扫描类型的价值。

这对未来护理可能意味着什么

对非专业读者而言，关键结论是：这项研究展示了一种更聪明的AI读取MRI影像的方法——它从多个角度观察大脑，保留更多原始细节，并在某些序列缺失时进行自适应。尽管该工作仅在单一内部数据集上评估，且侧重于分类而非精确描绘出血区域，但它表明经过精心设计的变换器能更好地适应临床影像的混乱现实。如果在更广泛的验证中得到支持并负责任地整合到医院工作流程中，像MP-ViT这样的技术有望帮助放射科医师在急诊中风和常规门诊扫描中更可靠地检测脑出血，从而可能带来更快的治疗和更安全的患者结局。

引用: Das, B.K., Zhao, G., Mailhe, B. et al. Multi-plane vision transformer for hemorrhage classification using axial and sagittal MRI data. Sci Rep 16, 9333 (2026). https://doi.org/10.1038/s41598-026-44524-2

关键词: 脑出血, MRI, 医学影像人工智能, 视觉变换器, 中风诊断