脑静脉系统血栓继发出血（CVST-ICH）是由于脑部静脉堵塞-静脉压力增高-静脉破坏出血，这类一发病就能看到明显出血病灶的脑静脉系统血栓患者，一个月内死亡率高达50%，是一种特殊类型的自发性脑出血，具有发病罕见、病情重、死亡率高的特点，其临床表现常与其他脑出血类型高度相似。

关键是，这种类型的出血的治疗方案与其他类型的脑出血截然相反，需要尽快抗凝或者手术消除静脉内血栓。若误诊或漏诊将会导致不合理的治疗，从而危及患者生命。

其诊断方式，常规包括CT颅内静脉造影、磁共振静脉成像等，在基层医院较难实行或因检查复杂而耗时长，大大增加了延误病情的风险。

作为浙大二院医工结合的临床创新团队之一，研究团队致力于将临床实践与人工智能技术相融合，探索脑出血的发病机制、诊断方法、个性化诊治及预后预测。

在此背景下，研究团队提出了一种仅基于急诊的平扫CT进行判别的人工智能（AI）辅助工具，旨在通过在所有医院都能实现的急诊首要检查，辅助医师快速、准确地识别脑静脉及静脉窦血栓形成继发出血，早期实施精准治疗，提高患者生存率。

论文共同第一作者、浙大二院硕士生杨凯程及浙江大学生物仪器与工程学院博士生胥云智表示：“CVST-ICH的早期确诊一直是临床上的巨大挑战。传统的CT静脉造影或磁共振静脉成像虽然精准，但过程繁琐、耗时，远远无法满足急诊救治的需求。面对这一难题，我们不愿止步于现状，而是希望运用AI技术，开发出一款‘快、准、易用’的辅助诊断工具，让医生在黄金时间内精准识别CVST-ICH，为患者争取宝贵的救治机会，避免因误诊而错失最佳治疗时机。”

为此，研究团队整合国内多家三甲医院的头颅CT数据，依托多学科技术力量，构建了针对CVST-ICH的人工智能诊断模型。该模型基于非增强CT影像，训练可解释性深度学习算法，能够快速、准确地识别CVST-ICH，其诊断灵敏度高达96%。在与三甲医院医生的实战对比测试中，模型的独立诊断准确率超越医生的平均水平，且在该模型的辅助下，医生再次诊断的准确率得到了约20%的显著提升。这一突破有望能够减少误诊和漏诊，提高患者生存率。