XSRD-Net：可解释的中风复发检测
计算机视觉与模式识别
2025-09-10 v1 人工智能
摘要
中风是全球死亡原因第二多的疾病，年死亡人数约为 550 万。复发发生率在头一年内为 5%~25%。由于复发的死亡率异常高（40%），显著降低复发率至关重要。我们通过在中风患者早期检测处于风险的人群，以实现恰当的治疗计划。为此，我们收集了 2010 年至 2024 年期间的 3D 脑脊髓 CT 血管造影图像数据，并记录了伴随的心脏疾病、年龄和性别。我们训练了基于单模态和多模态深度学习的神经网络，用于二分类复发检测（任务 1）以及复发免疫存活时间 (RFS) 预测及随后的分类（任务 2）。单纯 tabular 数据即可解决区分复发与非复发患者的问题（测试数据集 AUC：0.84）。然而，对于主要任务——回归预测（任务 2），我们的多模态 XSRD-net 按模态贡献比例处理视觉:tabular 数据，比例为 0.68:0.32。相对于复发的 c-index 为 0.68，测试数据集的 AUC 为 0.71。最后，更深入的可解释性分析结果揭示了双重心脏疾病（tabular）与颈动脉（视觉）之间的关联对于复发检测及 RFS 时间预测具有重要意义。这一发现是我们致力于通过持续数据收集和模型再训练进一步加强其作用的核心结果。
引用
@article{arxiv.2509.07772,
title = {XSRD-Net: EXplainable Stroke Relapse Detection},
author = {Christian Gapp and Elias Tappeiner and Martin Welk and Karl Fritscher and Stephanie Mangesius and Constantin Eisenschink and Philipp Deisl and Michael Knoflach and Astrid E. Grams and Elke R. Gizewski and Rainer Schubert},
journal= {arXiv preprint arXiv:2509.07772},
year = {2025}
}
备注
Contribution to MICAD 2025 conference, Nov. 19-21, 2025 | London, UK