卒中是一类严重威胁人类健康的疾病。根据最新流行病学调查显示，我国新发卒中73%系急性缺血性卒中（Acute Ischemic Stroke, AIS）。对于符合治疗指征的AIS患者，目前我国指南以最高等级推荐血管内治疗（Endovascular Treatment, EVT）。AIS患者EVT术后脑内高密度征（Post-intervention Cerebral Hyperdensity, PCHD）常见，其与出血转化HT存在正性相关，严重的出血转化可致残致死，故常被视为卒中最严重的并发症，在有条件的医院，目前术后最快对PCHD性质进行判断的方法是双能CT（DECT）检查。对于PCHD，DECT依然是目前唯一能够进行即时诊断的检查方法，但因机器价格昂贵、后处理时间相对较长的缺点，目前在临床未得到广泛应用。

那么，是否有方法能够融合DECT、SECT各自优点，辅助临床对PCHD做出精准的即刻诊断？

2025年10月27日，西湖大学医学院附属杭州市第一人民医院放射科主任医师丁忠祥应邀莅临上海交通大学医学院临床医学研究院并做题为“临床引领科研—基于深度学习的脑梗死动脉治疗术后出血转化评估”的报告。基于该临床问题，丁主任带领团队基于Transformer的生成对抗性网络（trans-GAN），从一组SECT图像中同时生成虚拟平扫去碘图像（VNC）和虚拟碘图（IOM）图像。

丁主任介绍，深度学习是目前医学影像研究领域的一大热点，已在急性缺血性脑卒中影像学研究的多个方面得到应用，基于DECT本身具有类似多模态的属性且深度学习的疾病图像生成及时序性预测的研究手段日益成熟从中提取信息可能达到很好的结果，存在很广的探索空间。在丁主任的研究中，他与上海科技大学沈定刚教授科研团队合作进行了深度学习方法及网络的构建，借助多组成对的MIX120kv, IOM及VNC图像尝试构建一种基于深度学习的图像生成网络，能够从输入的SECT图像中直接生成DECT（碘/水）物质分离图像IOM及VNC，助力EVT术后早期精准鉴别诊断碘渗出与出血。结果显示，与其他先进的深度学习图像生成网络相比，通过Trans-GAN生成的虚拟物质分离图像最接近真实图像。基于Trans-GAN生成的虚拟IOM和虚拟VNC相比输入的SECT，在PCHD的实时诊断中显示出更好的一致性及更高的诊断效能。

丁主任的研究，融合DECT，SECT各自的优点，辅助临床对PCHD做出精准的即时诊断，有助于降低诊断成本、提高临床诊断水平，使患者获益。