近年来，世界各地的放射科医生阅读的医学图像数量不断增加，复杂性不断增加，这给现代医疗保健系统带来了巨大的负担。即使是经验丰富的放射科医生也会受到人类的限制，包括疲劳、感知偏差、和认知偏差，所有这些都可能导致错误。这些力量强烈激励利用深度学习来执行医学成像任务，优先级自动检测 MMD，从而允许病情最严重的患者接受更快的诊断治疗。

在中国的这项回顾性研究中，从一个机构收集了 600 名参与者（200 MMD、200 ASD 和 200 NC）作为内部数据集进行训练，并从另一机构收集了 60 名参与者作为外部测试集进行验证。所有参与者均分为训练集（N = 450）和验证集（N = 90）、内部测试集（N = 60）和外部测试集（N = 60）。 CNN 模型的输入包括预处理的 MRA 图像，而输出是识别患者诊断组的三方分类标签。使用曲线下面积 (AUC) 和准确性等综合指标来评估 3D CNN 模型的性能。梯度加权类激活映射 (Grad-CAM) 通过突出显示关键区域来可视化 CNN 在 MMD 诊断中的决策过程。最后，将 CNN 模型的诊断性能与两位经验丰富的放射科医生的诊断性能进行了比较。

这是来自2024年11月的柳叶刀分册的一篇研究，在中国的这项回顾性研究中，从一个机构收集了 600 名参与者（200 烟雾病、200 动脉粥样硬化 和 200 正常）作为内部数据集进行训练，并从另一机构收集了 60 名参与者作为外部测试集进行验证。所有参与者均分为训练集和验证集、内部测试集和外部测试集。 卷积神经网络 模型的输入包括预处理的 MRA 图像，而输出是识别患者诊断组的三方分类标签。使用曲线下面积 和准确性等综合指标来评估 3D 卷积神经网络模型的性能。梯度加权类激活映射用于可视化卷积神经网络的决策过程，最后，将卷积神经网络模型的诊断性能与两位经验丰富的放射科医生的诊断性能进行了比较。

结果该模型表现出卓越的辨别能力，在内部测试集中实现了 0.977的宏观平均 曲线下面积，在外部验证集中实现了 0.880（95% CI，0.786–0.937），从而表现出与人类放射科医生的诊断能力相当。在 动脉粥样硬化和 正常人组合在一起、烟雾病作为单独组进行目标检测的二元分类中，该模型的准确率达到 0.967。

这项研究强调了卷积神经网络模型在 MRA 图像上自动诊断烟雾病方面的功效，减轻了放射科医生的工作量，并有望整合到临床工作流程中。