0 引言

       急性缺血性卒中（acute ischemic stroke, AIS）是我国最常见的卒中类型，占我国脑卒中的69.9%~70.8%^[1]，致残率和病死率高，对患者及家庭造成巨大的社会和经济负担^[2]。目前，重组型纤溶酶原激活剂（recombinant tissue plasminogen activator, rt-PA）静脉溶栓治疗是AIS最常用、最方便的治疗方法^{[1, 3, 4]}，但部分患者在治疗90天后预后较差，给家庭和社会带来了更大的负担^[5]。因此，在临床诊疗中，早期准确预测AIS静脉溶栓治疗后的预后对指导临床决策以及改善患者预后具有重要意义。

       MRI尤其是扩散加权成像（diffusion-weighted imaging, DWI）对水分子运动有极高敏感性，能够准确区分急性缺血性损伤和其他类型的脑病变对于AIS的诊断具有较高的敏感性和准确性^{[6, 7]}。研究表明，基于DWI的机器学习模型可以预测AIS的梗死面积^[8]及预后^[9]。

       机器学习（machine learning, ML）和深度学习（deep learning, DL）作为人工智能的重要分支，通过分析大量数据及图像特征并从中学习，在医学领域发挥着越来越重要的作用^{[10, 11]}，在卒中诊断、治疗^[12]、预后^{[9, 13, 14, 15]}等阶段均表现出巨大的应用潜力。近年来，研究人员发现影像组学在脑卒中疾病诊断^{[16, 17]}、早期功能变化预测^{[18, 19]}和长期预后评估^{[20, 21]}等方面都具有重要的应用价值。YU等^[9]研究发现，基于多模态MRI的机器学习模型对缺血性卒中发病后三个月的改良Rankin量表（modified Rankin Scale, mRS）预测具有显著优势。然而，尽管这些研究展示了ML和DL在AIS预后预测中的潜力，但仍然存在一些不足之处。首先，现有的大部分研究集中于单中心数据，而未充分考虑多中心数据的异质性问题，这可能影响模型的泛化能力。其次，尽管影像组学特征在预测AIS预后中表现出良好的效果，已有研究主要侧重于单一特征类型的分析，缺乏系统性地将影像组学与临床特征相结合以建立预测模型，提升预测准确性。此外，尽管深度学习在分析MRI-DWI数据方面展现出较大潜力，但现有研究往往忽视了深度学习与传统影像组学方法的融合，且部分研究存在样本量较小、模型验证不足等局限。因此，本研究旨在填补这些研究空白，通过结合影像组学特征与临床特征，构建多模态预测模型，并探索深度学习模型在MRI-DWI数据分析中的应用，以期提供更为准确和可靠的预后预测方法。

1 材料与方法

1.1 一般资料

       我们回顾性分析了2018年1月1日至2023年12月31日期间秦皇岛市第一医院（医院1）915名及2023年1月1日至2023年12月31日期间秦皇岛市抚宁区人民医院（医院2）128名接受rt-PA静脉溶栓治疗的AIS患者。依据相关指南对急性脑梗死进行明确诊断^[1]。

       纳入标准：（1）年龄≥18岁；（2）确诊为AIS（通过计算机断层扫描或磁共振成像确认）；（3）发病4.5 h内接受rt-PA静脉溶栓治疗；（4）静脉溶栓治疗后24 h之内接受磁共振检查。

       排除标准：（1）其他类型卒中；（2）严重内科疾病的病史，例如癌症、肝和/或肾衰竭、心脏功能不全或帕金森病；（3）静脉溶栓后桥接血管内治疗；（4）没有完整的临床及实验室检查数据；（5）急性心肌梗死；（6）目前正在参与任何涉及研究药物或医疗器械的临床试验；（7）MRI图像质量较差，无法评估。

       本研究遵守《赫尔辛基宣言》，得到秦皇岛市第一医院伦理委员会批准，免除受试者知情同意，批准文号：2024K026。

1.2 人口统计学和临床特征

       人口统计学特征：年龄、性别、吸烟习惯、饮酒、身高、体质量和体质量指数（对于目前正在吸烟或戒烟时间少于6个月的个人，考虑吸烟；饮酒指的是目前的饮酒习惯）。

       合并症：既往卒中病史、房颤、糖尿病、高血压和冠状动脉粥样硬化性心脏病。

       卒中相关评估：入院时的基线美国国立卫生研究院卒中量表（National Institutes of Health Stroke Scale, NIHSS）评分、到达医院至开始静脉溶栓的时间（door-to-needle time, DNT）以及卒中发病至开始静脉溶栓的时间（onset-to-treatment time, OTT）。

       入院时生理参数：初始收缩压（systolic blood pressure, SBP）、舒张压（diastolic blood pressure, DBP）、心率、体温。

1.3 预后评估

       卒中后90天通过mRS评估结果，预后良好定义为mRS评分≤2，表明尽管有轻微症状，但没有神经功能缺损或没有明显的残疾。而预后不良定义为卒中后90天mRS评分>2。

1.4 图像获取与处理

1.4.1 MRI图像采集

       在医院1（秦皇岛市第一医院）的两台MR扫描仪（Siemens Avanto 1.5 T和GE Architect 3.0 T）上获取训练集和测试集图像数据，在医院2（秦皇岛市抚宁区人民医院）一台MR扫描仪（PHILIPS Achieva 1.5 T）上获取外部验证集数据。所有图像均使用标准头部线圈采集数据。DWI扫描参数如下：（1）Siemens Avanto 1.5 T扫描参数为TR 3500 ms，TE 89 ms，矩阵256×256，层厚5 mm，无层间距，FOV 230 mm×230 mm，b值为0、1000 s/mm²，扫描时间为68 s；（2）GE Architect 3.0 T扫描参数为TR 3739 ms，TE 50 ms，矩阵128×128，层厚5 mm，层间距1.5，FOV 240 mm×240 mm，b值为0、1000 s/mm²，扫描时间为52 s；（3）PHILIPS Achieva 1.5 T扫描参数为TR 2724 ms，TE 100 ms，矩阵152×105，层厚6 mm，层间距1，FOV 230 ms×230 ms，b值为0、1000 s/mm²，扫描时间为48 s。分别从两家医院影像归档和通信系统（picture archiving and communication sstems, PACS）中调取选定患者的颅脑MRI-DWI医学数字影像和通讯（Digital Imaging and Communications in Medicine, DICOM）格式的图像。

1.4.2 数据、图像预处理

       通过K近邻（K-nearest neighbors, KNN）填充缺失值后，使用Z分数归一化处理临床数据。此外，MRI-DWI图像预处理的步骤如下：原始图像通过基于Python 3.9的自建代码在Anaconda平台的Jupyter Notebook（版本6.4.8）中进行处理。通过N4偏置场校正代码校正由不均匀磁场导致的影像偏置，再将校正后的图像重采样为等距体素大小（2 mm×2 mm×5 mm），然后再对图像归一化处理，降低各种因素对图像灰度值的影响。

1.4.3 图像分割和特征提取

       对图像经过匿名处理后，将图像导入3D-Slicer软件（版本5.6.1）勾画感兴趣区（region of interest, ROI）：我们对所有大于1.5 cm的梗死灶进行手动勾画，确保这些病灶在影像组学分析中得到充分考虑。即使在多发性脑梗死病例中，我们也力求勾画出所有符合标准的梗死灶，以便全面捕捉所有可能对预测结果产生影响的病灶信息。感兴趣区勾画任务由一名具有5年影像诊断经验的医师和一名具有10年影像诊断经验的副主任医师分别独立完成，选取MRI-DWI b值= 1000 s/mm²的图像，沿急性梗死边缘对图像进行逐层手工勾画以获得全部梗死区域。当无法确定梗死组织的边界时，由一名具有25年影像诊断经验的主任医师决定，以评估影像特征的可靠性与一致性。图像分割后，利用3D-Slicer软件中radiomics插件提取图像特征。

1.5 特征筛选及机器学习模型的建立

1.5.1 临床特征选择

       应用单因素及多因素logistic回归分析筛选出与AIS患者溶栓后预后相关的临床特征，用于构建预后模型。在单因素分析中，首先分别对每个临床特征进行logistic回归分析，评估其与预后的关系。然后，采用多因素logistic回归分析，进一步筛选出与预后密切相关的临床特征。为确保模型的准确性，我们使用了逐步回归法（stepwise selection），结合向前法和向后法，逐步筛选出显著变量。

1.5.2 影像组学特征筛选

       通过基于Python 3.9的自建代码在Anaconda平台的Jupyter Notebook（版本6.4.8）中对影像组学特征进行筛选。首先，计算两名医师的组内相关系数（interclass correlation coefficient, ICC）以评估影像组学特征的再现性。通常ICC值大于0.75表明一致性良好^[22]。排除ICC低于0.75的特征。其次，使用最小绝对收缩和选择算子（least absolute shrinkage and selection operator, LASSO）回归分析来筛选具有鉴别性的组学特征，LASSO回归是一种多元线性回归，能够有效减少特征数量并进行正则化处理^[23]。

1.5.3 深度学习特征提取

       在本研究中，使用了卷积神经网络（convolutional neural network, CNN）从MRI图像中提取特征。CNN结合了卷积层和池化层，通过在训练过程中迭代调整权重，可以逐步逼近最终结果，从而确保预测的准确性不断提高^{[24, 25]}，过程如下：首先，构建包含三层卷积层和池化层的CNN模型，每个卷积层后接一个最大池化层。使用ReLU激活函数，并在全连接层之前提取特征向量。模型使用Adam优化器和交叉熵损失函数进行编译，并采用数据增强技术提高泛化能力，使用早停策略防止过拟合。然后，将待预测的影像数据进行标准化处理，使用Z-score标准化，将像素值减去均值并除以标准差，以消除不同影像之间的尺度差异，并调整为模型输入所需的维度。将预处理后的影像数据输入CNN模型，通过前向传播逐层提取特征。在卷积层和池化层处理后，从倒数第二层（全连接层之前）提取特征向量。将提取的特征向量输入全连接层，输出预测结果。输出层采用Softmax激活函数，将特征向量映射到类别概率分布上。最后，根据Softmax输出的概率分布选择概率最高的类别作为最终预测结果。

1.5.4 深度学习特征筛选

       特征提取之后，我们利用梯度提升机（gradient boosting machine, GBM）模型对这些特征进行重要性评估和筛选。GBM模型通过构建多个决策树来评估每个特征的重要性分数。在训练过程中，通过计算每个特征在树分裂中的贡献，衡量其对模型预测结果的重要性。模型迭代训练后，统计每个特征在所有树中的平均重要性分数，并根据这些分数对特征进行排序。为了量化特征选择过程，我们进一步分析了模型性能（准确性和AUC值）与所选特征数量的关系。通过逐步增加特征数量，观察模型性能随特征数量变化的趋势。当特征数量增加到一定程度后，模型性能趋于平稳，出现拐点，这时选择的特征数量即为最佳数量。通过这种方法，最终选择了对模型性能贡献最大的前k个特征，作为最终用于模型训练和评估的关键特征。此方法有效地减少了特征数量，提高了模型的训练效率和预测性能^[26]。

1.5.5 模型构建

       为了评估影像组学参数对AIS患者静脉溶栓治疗后预后的预测能力，我们首先建立了两个机器学习预测模型进行比较：模型A基于单因素和多因素分析筛选出的关键临床特征，模型B基于从LASSO回归中选择的影像组学特征。在本研究中，我们选择了支持向量机（support vector machine, SVM）作为机器学习模型算法，因其在处理高维数据时表现出优越的分类能力，尤其适用复杂数据集，能够有效避免过拟合问题。随后，我们开发了深度学习模型（模型C），并比较其与机器学习模型的优劣。接下来，我们建立了结合临床特征和深度学习特征的组合模型（模型D），以评估其是否能进一步提升预测性能。最后，我们在外部验证集上对模型进行了验证。具体研究流程如图1所示。

点击查看大图

图1  研究流程图。NIHSS：美国国立卫生研究院卒中量表；ROC：受试者工作特征；AUC：曲线下面积；mRS：改良Rankin量表。
Fig. 1  Research flowchart. NIHSS: National Institute of Health Stroke Scale; ROC: receiver operating characteristic; AUC: area under the curve; mRS: modified Rankin Scale.

1.6 统计学方法

       本研究采用基于Python（版本3.9）的标准库模块（scipy、numpy、pandas、scikit-learn、matplotlib、tensorflow），涵盖了全面的数据处理、特征提取、筛选、统计学分析以及机器学习模型预测。首先，对连续变量数据进行正态性检验，如果数据符合正态分布（即正态性检验P>0.05），则表示为（x¯±s），不符合正态分布（即正态性检验P<0.05）则表示为中位数（四分位距），分类变量表示为例（%）。对于连续变量，使用t检验或连续的非参数Mann-Whitney U检验；对于分类变量，使用卡方检验或Fisher精确检验评估各组间基线特征的差异。在机器学习方面，建立基于SVM算法的机器学习模型和基于CNN的深度学习模型，绘制受试者工作特征（receiver operating characteristic, ROC）曲线并计算曲线下面积（area under the curve, AUC），比较模型准确度（accurancy, ACC）、敏感度（sensitivity, SEN）、特异度（speciticity, SPE）。使用DeLong检验对AUC值进行比较，进一步评估不同模型的预测性能差异。

2 结果

2.1 基线特征

       最终677例符合研究标准的患者纳入到了我们的研究中（筛选流程见图2）。包括177例（26.1%）女性和500例（73.9%）男性，平均年龄为64岁。其中215例患者预后不良（31.8%）。数据集1（医院1，n=577）随机分为训练集403例（70%）和测试集174例（30%），数据集2（医院2，n=100）作为外部验证集。数据集1与数据集2以及训练集与测试集之间的预后结果差异无统计学意义，基线特征比较见表1。

点击查看大图

图2  病例筛选流程图。AIS：急性缺血性卒中。
Fig. 2  Flowchart of case selection. AIS: acute ischemic stroke.

点击查看表格

表1  训练集、测试集和外部验证集基线特征的比较
Tab. 1  Comparison of baseline characteristics between the training set, test set, and external validation set

2.2 特征筛选

2.2.1 临床特征

       通过单因素分析显示，预后良好组与预后较差组在NIHSS评分、血钙水平和血磷水平上差异有统计学意义（P<0.05）。进一步进行多因素分析表明，NIHSS评分和血磷水平是预测预后的关键变量（表2）。

点击查看表格

表2  急性缺血性卒中静脉溶栓90天结局的基线特征单因素和多因素分析
Tab. 2  Univariate and multivariate analysis of baseline clinical characteristics for 90-day outcomes following intravenous thrombolysis in acute ischemic stroke

2.2.2 影像组学特征

       影像组学分析结果显示观察者间一致性良好（观察者间平均一致性为0.91，证明一致性良好），最初共选取了702个特征，通过使用LASSO回归分析，最终确定10个与预后最相关的特征（图3）。

点击查看大图

图3  LASSO特征筛选。3A：LASSO回归系数路径图。横轴：Log(alpha)（正则化参数的对数值）；纵轴：系数值（特征的回归系数）。每条曲线代表一个特征的系数随正则化参数变化的路径。随着Log(alpha)的增大，LASSO回归通过减小系数的绝对值来实现特征选择，最佳alpha值为0.0369。图3B：SHAP值汇总图。散点图显示了每个样本的SHAP值分布，颜色表示特征值的大小和方向。X轴上的SHAP值表示对预测值的贡献，正值表示正向影响，负值表示负向影响。柱形图越高，表示该特征对预测结果的影响越大。LASSO：最小绝对收缩和选择算子。
Fig. 3  LASSO feature screening. 3A: LASSO regression coefficient path plot. The x-axis represents the log of the regularization parameter [Log(alpha)], and the y-axis represents the coefficient values (regression coefficients of the features). Each curve represents the path of a feature's coefficient as the regularization parameter changes. As Log(alpha) increases, LASSO regression performs feature selection by shrinking the absolute values of the coefficients. The optimal alpha value is 0.0369. 3B: SHAP value summary plot. The scatter plot shows the distribution of SHAP values for each sample, with colors indicating the magnitude and direction of feature values. The SHAP values on the x-axis represent the contribution to the prediction value, with positive values indicating a positive impact and negative values indicating a negative impact. The taller the bar, the greater the feature's impact on the prediction outcome. LASSO: least absolute shrinkage and selection operator.

2.2.3 深度学习特征

       本研究使用GBM算法对提取的深度学习特征进行了筛选。通过分析模型性能（准确性和AUC值）与所选特征数量的关系，发现随着所选特征数量从1增加到6，模型的AUC值和准确性逐渐提高，并在选择了6个特征时达到顶峰（图4A）。最终，本研究选取了六个最重要的特征进行后续的模型训练和测试，其所选特征及其重要性如图4B所示。

点击查看大图

图4  深度学习特征筛选。4A：使用卷积神经网络（CNN）模型对AIS患者的颅脑MR扩散加权成像进行特征提取后，性能表现（准确性和AUC值）与所选特征数量的关系。随着所选特征数量从1增加到6，模型的AUC值和准确性逐渐提高，在特征数量为6时达到顶峰。4B：特征重要性。特征提取使用CNN，特征筛选使用梯度提升机（GBM）算法。条形图显示了六个最重要的特征及其对应的重要性分数，这些特征对应于卷积神经网络中的不同层次或滤波器的输出，代表了从原始图像中提取的不同维度的特征信息。AUC：曲线下面积。
Fig. 4  Deep learning feature screening. 4A: Performance of the convolutional neural network (CNN) model in relation to the number of selected features after feature extraction from brain MR (DWI) of acute ischemic stroke patients. The relationship between model performance (accuracy and AUC) and the number of selected features shows that as the number of features increases from 1 to 6, the AUC and accuracy of the model gradually improve, peaking at 6 features. 4B: Feature importance. Feature extraction is performed using a convolutional neural network, and feature selection is conducted using the gradient boosting machine (GBM) algorithm. The bar chart displays the six most important features and their corresponding importance scores. These features correspond to the outputs from different layers or filters of the convolutional neural network, representing various dimensions of feature information extracted from the original images. AUC: area under the curve.

2.3 模型性能比较

       在本研究中，模型A基于临床特征（NIHSS评分和血磷水平），模型B基于MRI-DWI的影像组学特征，模型C则基于深度学习提取的特征进行训练。在测试集中，模型A、模型B和模型C的AUC值如下：模型A为0.705（95% CI：0.613~0.792），模型B为0.846（95% CI：0.777~0.906），模型C为0.877（95% CI：0.811~0.934）。这些结果显示基于深度学习特征的模型C在预测AIS患者溶栓后预后方面具有显著优势，并验证了深度学习在处理复杂数据和提高预测精度方面的优越性。

       进一步分析结合临床特征（NIHSS评分和血磷水平）和深度学习特征的组合模型D，其AUC为0.930（95% CI：0.890~0.963），验证了深度学习模型在提高预测准确性方面的优势。

       此外我们使用外部验证集进一步验证了这4个模型，评估它们的广泛适用性。结果显示，在外部验证集中，深度学习模型的性能依然稳定，模型C和模型D的AUC分别为0.887（95% CI：0.798~0.960）和0.947（95% CI：0.891~0.984），显示出良好的泛化能力和稳定性（表3、图5）。

点击查看大图

图5  测试集（5A）和外部验证集（5B）的ROC曲线。ROC：受试者工作特征；AUC：曲线下面积。
Fig. 5  ROC curves for test set (5A) and external validation set (5B). ROC: receiver operating characteristic; AUC: area under the curve.

点击查看表格

表3  四种模型在训练集、测试集和外部验证集中的预测效能
Tab. 3  Prediction performance of the four models in the training set, test set and external validation set

3 讨论

       本研究旨在开发和验证基于MRI-DWI的深度学习模型，以预测AIS溶栓治疗的预后。结果表明，深度学习模型在预测准确性方面优于传统机器学习模型，结合临床特征和深度学习特征的深度学习模型具有明显的优势，此外本研究通过将深度学习特征进行筛选，进一步简化了预测模型，增强了模型的可解释性及泛化性。

3.1 MRI-DWI的重要性

       在本研究中，基于MRI-DWI的传统机器学习模型（模型B）预测结果显著高于基于临床特征的模型A（AUC值为0.846 vs. 0.705），表明对于预测AIS静脉溶栓治疗预后，MRI-DWI具有显著优势。DWI对水分子运动具有高度敏感性。在健康脑组织中，水分子可以自由地在细胞内外运动，而在缺血性损伤区域，由于细胞肿胀和组织结构的改变，水分子的运动受限，在DWI图像上表现为高信号区域，代表缺血性损伤。DWI能够在卒中发生后的早期阶段快速检测到缺血区域，确定梗死区域的大小和位置。先前的研究表明，基于MRI影像组学模型在急性脑卒中患者的临床结果预测中具有重要价值^{[6, 9]}。在一项关于预测急性卒中机械取栓术后预后的小样本研究中发现，基于MRI-DWI的影像组学模型具有较高的预测价值（AUC为0.92）^[10]。同样，MOULTON等^[27]研究发现，基于MRI-DWI的深度学习模型在预测AIS患者三个月预后方面，预测准确性明显高于使用病变体积的两个逻辑回归模型（AUC为0.83），这一结果与本研究相似。与上述研究相比，本研究样本量较大，一定程度上减少了过拟合的发生，提高了模型的准确性和稳定性，对结果进行外部测试，进一步验证了模型的泛化能力。

3.2 深度学习模型与机器学习模型比较

       本研究采用CNN模型预测AIS静脉溶栓治疗预后，其AUC达到0.877，显著高于基于临床特征和影像组学特征的传统机器学习模型（AUC分别为0.705和0.846）。这一结果凸显了CNN模型在处理高维成像数据方面的优势，它能够捕捉传统算法可能忽略的复杂模式和交互作用，此外自动分割图像可以减少人为误差，提高图像分割精度；CNN通过持续学习不断优化模型，提高模型准确性。研究发现，基于MRI图像的深度学习模型，可以实现对AIS患者不良预后的有效预测^[28]，与本研究结果相似。先前研究发现，深度学习模型在预测AIS患者不良预后（卒中、急性心肌梗死或死亡的复合事件）发生方面比传统模型更准确^[29]。TURHON等^[30]的研究也指出，深度学习模型在预测颅内动脉瘤破裂风险方面表现出显著优势，通过从多参数MRI图像中提取大量影像组学特征，建立了高效的预测模型。在本研究中，应用CNN模型从MRI图像中自动学习和提取特征，通过结合临床特征，提高了模型预测的准确性（AUC值为0.93）。这与LIU等^[31]的研究相呼应，他们也发现深度学习技术在自动化学习图像特征和特征提取方面优于传统机器学习方法。DHAR等^[32]研究发现，应用CNN模型可以从CT图像中自动分割脑脊液，预测和早期识别AIS患者脑水肿的发生，进一步证实了深度学习，特别是CNN在预测AIS患者预后方面的优势。

3.3 临床特征+深度学习特征组合的优势

       先前研究表明，通过基于MRI-DWI图像的深度学习模型在预测卒中远期功能结局方面具有显著优势^{[27, 31, 32]}。本研究通过结合多个临床和影像特征，提供了一个更全面的AIS溶栓治疗的预后预测模型，提高了预测模型的预测性能（AUC值为0.93），同时也表明结合临床和影像特征的组合模型在提高疾病预后预测的准确性方面具有巨大潜力。也有研究通过融合影像组学及临床因素，提高了脑卒中患者预后模型的准确性^{[33, 34]}。LIU等^[31]的研究通过利用多模态影像数据结合深度学习方法，成功地实现了脑卒中患者预后的高精度预测（AUC值为0.92），这与本研究结果一致，显示了整合不同数据源以增强预测模型性能的重要性。与上述研究相比，本研究通过GBM算法对深度学习特征进一步筛选，排除冗余特征，选出了与AIS预后最相关的特征来建立预测模型，优化后的特征集减少了冗余和噪声，增强了模型对重要模式的捕捉能力，确保模型更加高效，并且增加了模型的可解释性，降低计算复杂度，提高模型的可推广性。

3.4 重要临床特征

       LIU等^[34]研究发现，在所有AIS患者（接受溶栓治疗、取栓治疗、常规治疗以及未治疗）中，年龄、基线NIHSS和早期神经功能恶化被确定为与预后相关的重要变量。然而，本研究通过对接受静脉溶栓患者治疗前临床特征进行单因素及多因素分析发现，初始NIHSS评分以及血磷水平为AIS预后相关的重要指标。NIHSS评分广泛用于评估临床脑卒中的严重程度，NIHSS评分越高，表明患者病情越严重，梗死或水肿面积越大，且可能出现多种并发症，从而导致脑卒中进行性发展而预后不良。孙洋洋等^[35]研究发现，入院时NIHSS评分是AIS患者溶栓预后的独立危险因素，与其他临床因素相比敏感程度最高；也有研究报道，基线NIHSS评分较高的AIS患者，血管内治疗后不良结局的发生率显著升高^[36]，均与本研究结果相符。磷在人体中主要以磷酸盐的形式存在，对细胞功能和能量代谢至关重要^[37]。高血磷会促进血管钙化，增加动脉硬化的风险，进而影响脑血管的健康和弹性，增加卒中发生的可能性。此外，高血磷可能导致血液黏稠度增加，使血液流动受阻，增加血栓形成的可能性。高血磷水平还可能引发氧化应激和炎症反应，进一步损伤血管内皮细胞，促进血管钙化，加剧缺血性损伤^{[38, 39]}，研究发现，血磷浓度升高与心血管疾病的发生与死亡风险的增加有关^[40]。未来需要更多的研究证实血磷与AIS预后的关系及作用机制。

3.5 本文局限性与今后研究方向

       本研究存在一些局限性。回顾性数据收集可能引入选择偏差。首先，多数患者仅完成了常规MRI和磁共振血管成像检查，未进行CT血管造影或数字减影血管造影等高级影像学检查，因此无法准确获得血管闭塞及卒中病因分型的信息。其次，基线特征分析主要聚焦于临床指标，而影像学指标则更多地用于后续的影像组学分析，因此未纳入基线特征分析。这些限制可能影响研究的全面性和结果的解释。此外，本研究在两家医院进行，这可能限制了结果在其他环境中的泛化性。未来的研究应包括更大范围的多中心数据集以进一步验证模型。同时，整合其他成像模态，如灌注成像，可能进一步提高模型的预测准确性。未来另一个研究方向是探索深度学习模型的可解释性技术。虽然CNN功能强大，但其黑箱性质可能成为临床应用的障碍。可通过梯度加权类激活映射（Grad-CAM）等技术用来可视化对模型预测贡献最大的脑区，从而增加临床医生对AI驱动决策的信任度和接受度。

4 结论

       基于MRI-DWI的影像组学特征的深度学习模型在预测接受静脉溶栓治疗的AIS患者的90天预后中，与传统机器学习方法相比表现出显著优势。特别是结合临床特征和深度学习特征的组合模型显示出明显的性能优势，有望成为未来AIS静脉溶栓治疗预后预测的重要工具。