年RSNA会议中枢神经系统方面的报告主要集中于：应用深度学习方法识别脑卒中和大血管闭塞；脑胶质瘤的分子分型及异质性、疗效评价以及预后判断；人工智能在图像处理、疾病诊断及预后判断方面的应用；头颈部肿瘤的诊断和鉴别；认知障碍的诊断、分类及疾病进展；扩散成像和颅内血管成像的新应用等。以分子影像学为主题的报告主要内容包括新型对比剂和新的影像学成像方法在肿瘤以及其他疾病（包括阿尔茨海默病、癫痫、炎症性肠病、软骨损伤）中的应用。本文将对相关研究进展进行综述。
脑血管病；胶质瘤；深度学习；人工智能；分子影像学；纳米颗粒；对比剂
脑卒中
1深度学习在脑卒中的应用
Schultheiss等分析了例受试者的头颅CT平扫资料，放射科医生对其中例进行动脉致密征象分割，通过建立不同的卷积神经网络（convolutionalneuralnetwork，CNN）对68名患者组成的测试集（34例有密集征，34例无密集征）进行评估。结果显示二阶检测器的平均曲线下面积（AUC）为0.77（95%CI0.62~0.90），对应的敏感度为78%，特异性为68%。一阶检测器的平均AUC值为0.63（95%CI0.44~0.77），敏感度为46%，特异度为68%。所以二阶检测器的准确率最高，并且可以通过检查中间结果来评估，以可视化动脉致密征的位置。
Pan等利用3DCNN来自动识别头颈部CT血管成像（CTA）序列和大血管闭塞。在研究中心一，自动识别最大密度投影（MIP）序列和薄层序列的符合率和AUC分别为96%和1，鉴别急性大血管闭塞与正常血管的AUC为0.，当模型的特异度为30%时可以达到95%的敏感度，而当敏感度为43%时，特异度达到95%，鉴别大血管闭塞与正常血管的AUC为0.。在研究中心二，鉴别序列的符合率为98.2%。中心一和中心二鉴别急性大血管闭塞和慢性大血管闭塞的AUC分别为0.和0.。因此，3DCNN可有效鉴别CT血管成像中的不同序列，假阳性率为5％，而且无需人工干预就能成功识别出40％以上的急性大血管闭塞。
常规的MRI对于急性梗塞一般是定性而不是定量的，Hwang等应用深度学习的方法在扩散加权成像（DWI）上自动勾画梗死灶边界，其敏感度和特异度为83%和99%，与放射科医生勾画的病灶之间的平均体积差异为0.mL。同时可根据ADC值对脑卒中的严重程度分级，分为无中风症状、轻度中风、中度中风和重度中风。其中轻度中风的ADC值为大于，其他三个等级依次递减。这项研究用深度学习的模型证明了自动检测和定量急性梗死的可行性。
Zhao等开发了一种基于非增强计算机断层扫描（non-contrastCT，NCCT）的深度学习方法，自动检测脑实质内出血（intraparenchymalhemorrhage，IPH）、脑室内扩展（intraventricularextension，IVE）和周围血肿（perihematomaledema，PHE），IPH、IVE和PHE检测F1得分分别为0.95、0.83、0.90。病变分区一致性的Dice系数分别为0.92、0.78、0.71。自动生成的IPH、IVE和PHE体积的一致性相关系数分别为0.99、0.95和0.90。平均1例患者检测、分割和测量IPH、IVE和PHE的时间为15s。这种方法有利于加快治疗决策，提高治愈率和生存率。
Kelly等基于大脑前循环数字减影血管造影（digitalsubtractionangiography，DSA）的视频建立深度学习模型，根据有无大血管闭塞（largevesselocclusion，LVO）以及闭塞的位置进行分类，记录脑缺血的改良治疗（modifiedtreatmentincerebralischemia，mTICI）评分，然后使用训练好的模型来计算血栓切除术后的DSA视频以识别成功的血栓切除术并对结果进行分级。模型识别血管闭塞的敏感度为%（置信区间为90.75%～.00%），特异度为91.67%（置信区间为61.52%～99.79%）。独立成分分析的位置分类符合率为71%，M1为84%，M2为78%。通过分析血栓切除术后的视频（n=），该模型对再灌注评估中ICA闭塞符合率%，M1闭塞符合率88%，但M2闭塞仅35%。该模型还可以对干预后视频（独立成分分析、M1和M2）进行二进制分类，其中mTICI为3（完全顺行再灌注）或3的AUC为0.71。结果表明深度学习模型可以成功地从颈内动脉（internalcarotidartery，ICA）、大脑中动脉M1段和M2段闭塞的患者中识别出健康的DSA视频，并可以对LVO的机械血栓切除术的结果进行分类。
2血管内治疗的选择评价
近端血管闭塞且梗死核心范围大的急性缺血性卒中患者目前一般不推荐机械取栓治疗。但Kerleroux等发现在梗死核心面积大的情况下，灌注成像检测存在缺血半暗带的患者接受机械取栓治疗可能会有好的预后。个接受机械取栓和42个接受药物治疗的两组患者之间的预后无明显差异。而且根据不匹配率[组织灌注不足体积（Tmax6s）/梗死核心体积]进行分组后，在不匹配率大于1.7的亚组中，进行机械性取栓的患者预后明显提高。因此，在出现大的梗死核心的患者中，根据不匹配率进行亚组分类可以筛选出不匹配率较大的患者从机械取栓中获益。
为了检测急性基底动脉闭塞患者行血管内血栓切除术后的预后，Khunte等进行了一项Meta分析，在23项相关研究的个患者中，混合效应模型和随机效应模型检测出预后好的比例分别是31.4%和33.3%，死亡率分别是32.8%和29.8%。在三个前瞻性的亚组分析中发现，两个模型检测出预后好的比例是20.8%（预后好定义为改良Rankin评分mRS0～1）和27.7%（预后好定义为mRS0～2），死亡率分别是43.8%（混合效应模型）和36.9%（随机效应模型）。因此，血管内血栓切除术是一种安全有效的治疗方法，但仍需更多的研究来验证。
通常用CT灌注（