A dual-task mutual learning framework for predicting post-thrombectomy cerebral hemorrhage

缺血性卒中是由于脑血管阻塞引起的严重疾病，可能导致脑组织因缺氧而死亡。血栓切除术已成为缺血性卒中的常见治疗选择，因其立竿见影的疗效。但是，它也存在术后脑出血的风险。在临床上，通常需要在手术后0-72小时内进行多次CT扫描以监测出血情况。然而，这种方法会给患者带来辐射剂量，并可能延迟脑出血的检测。为了解决这个问题，我们提出了一种新的预测框架，仅使用患者的初始CT扫描来测量术后脑出血。具体而言，我们引入了一个双任务互学习框架，将初始CT扫描作为输入，同时估计随访CT扫描和预后标签，以预测术后脑出血的发生。我们提出的框架包含两个注意机制，即自我注意和交互注意。具体而言，自我注意机制使模型更加关注图像中的高密度区域，这些区域对诊断（即潜在的出血区域）至关重要。交互注意机制进一步模拟了相关的生成和分类任务之间的依赖关系，使得两个任务的表现都比单独进行时更好。在临床数据上验证后，我们的方法可以比现有最先进的方法更好地生成随访CT扫描，并在预测随访预后标签方面达到了86.37％的准确率。因此，我们的工作有助于及时筛查术后血栓切除术后脑出血，并可能显著改革与卒中相关的血栓切除术和其他类似手术的临床流程。

论文旨在通过使用患者的初始CT扫描来预测术后脑出血的发生，以避免患者暴露于辐射剂量和延迟出血检测的风险。

论文提出了一个双任务互相学习框架，利用自我关注和交互关注机制，同时预测随访CT扫描和预后标签，以预测术后脑出血的发生。

论文使用临床数据进行验证，证明了该方法可以比现有方法更好地生成随访CT扫描，并在预测随访预后标签方面达到了86.37%的准确率。该方法有望对脑卒中相关手术的临床流程进行重大改革。

最近的相关研究包括使用深度学习模型预测脑出血，如“Deep learning for predicting hematoma expansion after spontaneous intracerebral hemorrhage”和“Deep learning-based segmentation and quantification of intracerebral hemorrhage volumes”.