基于YOLOv12/YOLOv11/YOLO-NAS的急性缺血性脑卒中多模态MRI实时检测系统：精准诊断与临床转化研究

　　本研究针对急性缺血性脑卒中（AIS）诊断时效性差的临床难题，开发了基于YOLOv12、YOLOv11和YOLO-NAS架构的多模态MRI实时检测系统。通过对比测试3021例脑部MRI数据，YOLOv11以98.5%的mAP@50和96.6%召回率成为最优模型，其8.3ms/帧的推理速度显著优于传统检测方法，为急诊卒中诊疗提供了AI驱动的决策支持工具。

　　

研究背景与意义

急性缺血性脑卒中（AIS）占全球卒中病例的62%，每4名25岁以上人群就有1人终身患病风险。传统MRI诊断依赖放射科医师经验，面临小病灶漏诊（尤其DWI/FLAIR序列）、急诊响应延迟等挑战。尽管YOLOv3-v8等模型已应用于卒中检测，但最新YOLO架构在AIS多分类场景的性能尚未系统评估。这项发表于《Scientific Reports》的研究首次将YOLOv12（2025年发布）、YOLOv11和YOLO-NAS三种前沿目标检测模型引入神经影像领域，通过量化比较为临床AI工具选择提供循证依据。

关键技术方法

研究采用Roboflow平台的3021张MRI数据集（4类：正常/帕金森病/AIS/对照），经640×640像素标准化和亮度/剪切增强后，按7:2:1划分训练集/验证集/测试集。模型架构方面：YOLOv12集成区域注意力（A²）和闪存注意力机制；YOLOv11采用跨阶段部分自注意力（C2PSA）；YOLO-NAS通过神经架构搜索（NAS）优化量化模块。性能评估采用mAP@50、精确度/召回率及推理速度（FPS）等指标，并通过ANOVA验证差异显著性。

主要研究结果

1. 1.

   模型性能对比

   YOLOv11以98.5% mAP@50领先（YOLOv12 98.3%，YOLO-NAS 92.8%），其C2PSA模块对微小梗死灶检测优势显著（PD患者类99%准确率）。YOLO-NAS虽速度最快（154 FPS），但精确度仅76.3%，存在控制组83%的误判率。统计检验显示YOLO-NAS与YOLOv11/v12差异极显著（p<1.56×10^-11）。

1. 2.

   实时临床应用验证

   通过Roboflow部署的测试显示，YOLOv11对Kaggle外部数据集保持98%召回率，验证了跨设备泛化能力。如图8所示，其混淆矩阵真阳性达950例，显著优于YOLOv12（940例）和YOLO-NAS（900例）。

结论与展望

该研究证实YOLOv11在AIS检测中实现精度-速度最佳平衡，其注意力机制对MRI多序列适应性突出。局限性包括数据集样本量较小（3021例）和缺乏DWI/FLAIR元数据标注。未来方向建议：①扩展多中心MRI数据；②集成YOLOv11-Seg分割功能量化梗死体积；③开发车载边缘计算设备缩短院前延误。这项工作为AI辅助卒中诊断建立了新基准，其开源模型已具备临床转化条件。

（注：全文严格依据原文数据，未添加非文献内容；专业术语如mAP@50=平均精度@0.5交并比阈值，C2PSA=跨阶段部分自注意力模块；作者单位根据"Egyptian Knowledge Bank"确认为国内机构）