近日，海淀创业园企业推想科技与北京天坛医院、复旦大学附属中山医院青浦分院联合科研成果论文——《Deep Network for the Automatic Segmentation and Quantification of Intracranial Hemorrhage on CT》在神经科学SCI期刊《Frontiers in Neuroscience》（影响因子3.707）发表。该论文研究了深度学习模型在脑出血分割和体积测量方面的优异表现，可以为脑出血临床诊断提供辅助。

《Frontiers in Neuroscience》是Frontiers旗下的一本国际同行评审的开放获取期刊。Frontiers系列杂志的特点是同行评议的透明性。文章被接收后作者可以看到负责该文章的编辑和审稿人的具体信息。

Frontiersin Neuroscience杂志由听觉认知神经科学、脑成像方法、神经内分泌学、神经药理学、认知科学、睡眠和昼夜节律、神经退行等专业板块组成。作者投稿时需要按照专业板块进行投稿。Frontiers in Neuroscience杂志收录文章类型广泛包括临床试验、假设和理论、系统综述、原始研究、意见等。

本研究基于Dense U-Net构建脑出血全自动分割与量化的深度学习模型框架，并采用与金标准的Dice系数、组内相关系数（ICC），以及皮尔逊相关系数（PCC）来构造深度学习模型并评估模型的性能。同时，为了验证模型的有效性，本研究将基于Dense U-Net构建的深度学习模型的体积估计结果与传统的ABC/2方法进行了对比分析。

实验收集了来自北京天坛医院的3211例脑出血病例的CT图像，其中3000例CT数据用于模型的训练集和验证集，211例脑出血CT数据用于模型的内部测试集。为了验证模型的可靠性，本研究收集了来自复旦大学附属中山医院青浦分院的86例脑出血CT数据用于外部测试。结果表明，无论是内部测试还是外部测试，本研究构建的深度学习模型均具有较高的Dice系数。同时，相比于传统的ABC/2脑出血体积估计方法，本研究构造的深度学习模型具有更高的组内相关系数和皮尔逊相关系数，这表明了本研究构造的深度学习模型可成功用于全自动分割颅内出血肿块轮廓和量化颅内出血体积，且在度量较为复杂的颅内出血肿块的体积时，比传统的方法更为准确。

研究的结果表明，基于Dense U-Net构建的深度学习模型可以有效地对颅内出血肿块进行分割。同时，相比于传统的ABC/2颅内出血体积估算方法，本研究构建的深度学习模型能够更为准确且快速地量化颅内出血体积，这能够辅助医生为临床干预和个性化治疗提供重要决策信息。

推想医疗科技股份有限公司是一家人工智能医疗创新高科技企业，是全球唯一获批拥有欧盟CE认证、日本PMDA医疗器械认证、美国FDA认证和中国NMPA首张肺部AI三类证的四大市场准入的AI医疗公司，秉承“用AI建设人类健康命运共同体”的信念，利用深度学习技术，发展包括AI部署管理平台、AI大数据挖掘科研平台及AI临床应用平台在内的医疗AI全流程平台，打造医疗质控、健康管理以及科研创新等医疗AI产品，切实为政府、医疗机构、医生、患者提供先进性、智慧化的服务，真正做到“AI改善生命健康”理念落地。