摘要目的 基于改进的YOLOv5深度学习模型,构建在CT平扫(non-contrast CT,NCCT)上自动检测急性小面积梗死灶的目标检测模型.方法 回顾性纳入2018年1月—2023年12月于扬州大学附属医院就诊的急性缺血性卒中患者,按10:1的比例随机分为训练/验证集与测试集.训练/验证集用于模型参数拟合,比较不同损失函数以优选模型,并采用精确率、召回率及平均精度(mean average precision,mAP)评估模型的检测效能;测试集用于独立评估模型的诊断效能.将MRI DWI图像与NCCT图像进行配准,并在NCCT图像上标记病灶.以DWI-Alberta卒中项目早期CT评分(Alberta stroke program early CT score,ASPECTS)为金标准,在测试集中分别计算模型及医师对ASPECTS各脑区梗死灶检出的敏感度、特异度及准确度,通过McNemar检验比较模型与医师的诊断效能差异.采用组内相关系数(intra-class correlation coefficient,ICC)与加权Kappa检验评估模型及医师CT-ASPECTS与金标准DWI-ASPECTS之间的一致性,并通过Bootstrap自助抽样法对两者的一致性系数进行差异性检验.结果 共纳入急性缺血性卒中患者275例,其中训练/验证集250例,测试集25例.改进的YOLOv5深度学习模型在训练/验证阶段的性能最佳:精确率为0.824,召回率为0.810,mAP@0.5为0.785.测试集中,模型病灶检测效能的比较结果显示,模型组的总体准确度(96.00％ vs. 91.11％)及特异度(98.74％ vs. 94.70％)优于医师组(均P<0.001);模型组敏感度有高于医师组的趋势(75.93％ vs. 64.81％),但差异无统计学意义(P=0.288).在各脑区的亚组分析中,模型组在M6脑区的准确度高于医师组(98.00％ vs. 84.00％,P=0.039).模型组CT-ASPECTS与金标准DWI-ASPECTS的一致性(ICC 0.669,P<0.001;加权κ=0.447,P<0.001)较医师组CT-ASPECTS与金标准DWI-ASPECTS的一致性(ICC 0.452,P=0.010;加权κ=0.247,P=0.054)有提高趋势;Bootstrap分析显示,模型组与医师组加权κ的差异具有统计学意义(P=0.044).结论 本研究构建的目标检测模型可在急性缺血性卒中患者的NCCT图像上实现急性小面积梗死灶的自动检测,有助于减少漏诊、提高影像诊断效率,为临床提供可靠的辅助工具.