在AI医疗影像领域，训练数据的质量直接决定模型上限。河北医科大学"康脑镜界"项目团队依托独家尸检脑样本库资源，首次将“生前SWI影像+死后尸检病理”严格配对数据用于训练脑微出血识别模型，为神经疾病预后精准预测提供了新的解决方案。

病理标签不准，是脑影像AI的老问题

目前公开的脑影像AI数据集，训练标签大多来自放射科医生读片后的诊断意见，存在主观偏差。对于需要显微镜下病理确诊的神经疾病，仅凭影像判断难以作为康复训练的可靠依据。长期以来，行业缺乏“患者生前影像”与“死后病理结果”一一对应的高质量训练数据，导致相关AI模型在临床落地时精度受限。

独家样本资源，构建金标准训练集

团队系统整理了56例配对病例。每一例样本都包含患者生前的SWI核磁影像、脑电、血氧、临床量表等多模态数据，以及去世后尸检的病理切片诊断结果。团队对脑切片进行组织染色、免疫组化，在显微镜下完成病理分型分级后，再将病理金标准标签对应回患者生前影像，构建起专门用于神经疾病预后联合预测的训练数据集。

双模型协同，从影像数字到风险分级

基于这一独家数据集，团队训练了两个模型：轻量化U-Net从SWI影像中自动识别脑微出血的位置和数量；多头注意力MLP接收出血灶数字与其他多模态指标，输出神经疾病预后风险分级。两个模型总大小仅数兆，经过量化后可在边缘芯片上实时运行，单张影像推理时间不到1秒。

从病理到康复，打通闭环

模型输出的风险分级不再停留在诊断报告上，而是直接作为VR康复系统的“处方依据”：低危患者进入高沉浸度训练，中危患者采用辅助模式，高危患者切换安全实景模式。这一设计实现了从病理影像评估到康复方案制定的端到端闭环。

团队表示，目前样本量仍处于小样本阶段，后续将继续扩充样本，与更多神经内科和康复科合作开展临床验证，推动模型精度和可靠性持续提升。

（王施懿 河北医科大学）