0 引言

       脑卒中是全球致死致残的主要原因，年发病约1500万例，其中87%为缺血性类型^[1]。颈动脉粥样硬化（carotid atherosclerosis, CA）是重要病因，尤其在亚洲、非洲人群中发病率更高^[2]。传统影像技术例如超声、CT血管造影（computed tomography angiography, CTA）受限于软组织分辨率低及功能评估能力弱^{[3, 4, 5, 6]}，而磁共振成像（magnetic resonance imaging, MRI）凭借无辐射、软组织分辨率高、多参数等优势，成为评估斑块易损性的核心工具^{[7, 8]}。

       目前通过MRI已证实急性缺血性脑卒中（acute ischemic stroke, AIS）患者的颈动脉粥样硬化斑块特征与卒中存在相关性^[9]，斑块内出血（intraplaque hemorrhage, IPH）、脂质坏死核心（lipid-rich necrotic core, LRNC）、纤维帽破裂（fibrous cap rupture, FCR）等斑块高危特征可以通过诱发血栓或栓塞直接导致缺血事件。但是现有研究多局限于斑块静态形态学分析，对斑块成分演变与血流动力学异常的动态关联机制尚未明确^{[3, 10]}。新型序列例如磁敏感加权成像（susceptibility-weighted imaging, SWI）与4D血流成像分别用于检测微出血和血流紊乱，但缺乏对其诊断效能的比较^{[7, 11]}。现有技术讨论仍局限于传统黑血序列和动态增强技术，未能充分整合前沿成像技术进展与病理机制研究。

       本综述通过系统比较各MRI技术在斑块成分识别中的诊断价值，补充了现有文献对多模态MRI技术横向对比的不足，首次整合了人工智能在斑块特征自动分割与风险预测中的应用，突破了传统综述仅关注影像技术本身的局限，为影像研究者针对不同临床情况提供多模态MRI技术优化方案及标准化路径的思路。

1 常规MRI序列在预测卒中风险中的应用

       常规MRI序列凭借其多参数、高分辨率的成像能力，在CA型卒中风险预测中占据核心地位。与依赖管腔狭窄程度的传统影像学方法不同，常规MRI通过黑血成像、多对比度序列及动态增强技术，可无创解析斑块内部成分（如脂质核心、纤维帽完整性、IPH等），精准识别易损斑块的高危特征。这些技术不仅弥补了传统影像对斑块生物学行为评估的不足，还为个体化卒中风险分层提供了关键影像学依据。

1.1 黑血序列成像

       黑血序列是一种短轴平面成像技术，垂直于血管壁的长轴进行成像，直接或通过薄片各向同性成像数据重建获得，以抑制流动血液和脑脊液的信号^[12]。NIE等^[13]基于3 T MRI开发的新型3D黑血T1 mapping技术（magnetization prepared 2 rapid acquisition gradient echoes, BB-MP2RAGE）通过变延迟进动定制激发（​​delay​​ ​​alternating with ​​nutation for tailored ​​excitation, DANTE）模块实现高效血流抑制，信噪比（signal-to-noise ratio, SNR）提升173%，并在体模与27例受试者中验证了T1定量的准确性（r²>0.99），为斑块和血栓提供了无创定量分析工具，但其临床转化需进一步扩大队列研究。WEI等^[14]通过比较26例3D多对比黑血序列与常规多对比序列在评价颈动脉斑块成分的价值，结果发现与传统多对比血管壁MRI相比，3D序列在管腔面积和最大壁厚测量中表现相当，但对LRNC和钙化的识别具有良好一致性（κ=0.66~0.69），对IPH的检测更达到完美一致性（κ=1.00）。也有多项研究表明黑血序列有助于测量斑块厚度、观察纤维帽和脂质核心的位置和大小^{[15, 16]}。但这些方法中的大多数都忽略了黑血序列上不同任务之间的内在相关性，导致性能有限^[17]。

       黑血序列通过抑制血流信号，使得斑块和血管壁结构更清晰，用来区分斑块与血管壁，并且定量表征动脉粥样硬化斑块。这种序列也是识别血管壁局灶性增厚的理想选择。但是目前的研究患者数较少，可以扩大患者数量来验证其准确性，同时可使用多任务学习技术在黑血序列上模拟管腔分割、外壁分割和CA诊断任务之间的内在相关性，通过门控多任务网络来执行相关任务。

1.2 多对比度成像

       MRI系统具有各种脉冲序列，通过不同的成像设置获取具有相同解剖结构的多重对比图像，例如T1WI和T2WI，以及质子密度加权成像（proton density-weighted imaging, PDWI）和快速抑制质子密度加权图像来相互提供互补信息^[18]。多对比度MRI技术在一些脑部疾病展现出重要价值，GAO等^[19]通过整合T1WI、T2WI及液体衰减反转恢复序列（fluid attenuated inversion recovery, FLAIR）序列，开发的自监督模型显著优于传统方法，曲线下面积（area under the curve, AUC）达到了81.0%，其高敏感度（92.3%）为早期干预提供了影像依据。因为颈动脉粥样斑块的纤维帽包含纤维结缔组织，并且对比剂增强前后的T1扫描之间纤维结缔组织会更强烈地增强，所以可以使用多对比MRI序列在颈动脉腔和LRNC之间半自动地描绘纤维帽轮廓^[20]。在一项针对104例单侧中重度动脉粥样硬化狭窄患者的横断面研究中^[21]，采用时间飞跃法（time-of-flight, ToF）、黑血T1WI与T2WI多序列成像，结果显示与无易损斑块特征的颈动脉切片相比，具有IPH、FCR和易损斑块等特征的颈动脉切片，其血管周围脂肪组织（perivascular adipose tissue, PVAT）的SNR更高。在调整临床混杂因素后，PVAT的SNR与IPH及易损斑块的存在显著相关。PVAT和外膜的炎症会先于内皮功能障碍和CA斑块的形成，同时与新生血管密切相关，因此PVAT的炎症可能在IPH的形成中起重要作用。

       上述研究表明多对比度血管壁成像在评估PVAT与CA斑块关系方面具有潜力。多对比度成像中，TOF测量PVAT信号的SNR与IPH、FCR及易损斑块独立相关，而PVAT信号的对比噪声比则与钙化和LRNC相关。MRI黑血序列结合3D TOF能高精度检测IPH，增强T1WI可量化LRNC和FCR。但其局限性在于扫描时间较长，患者的自主或不自主运动可能导致图像伪影，影响图像质量和测量准确性。未来可以开发快速成像技术，通过单次屏气多对比联合序列来缩短扫描时间；开发运动矫正算法，结合U-Net深度学习模型，实时追踪颈部运动来实现运动伪影抑制。

1.3 增强扫描技术成像

       动态对比增强磁共振成像（dynamic contrast-enhanced MRI, DCE-MRI）主要通过连续、快速的成像序列，采集注入对比剂前后多个时期组织强化的一系列连续动态增强过程的图像来分析所获得的曲线信息^[22]。YUAN等^[23]通过高时空分辨率4D动态增强MRI/磁共振血管成像（magnetic resonance angiography, MRA）技术（TR 3.5 ms，TE 1.3 ms，时间分辨率5 s）对21例症状性颈动脉狭窄患者的28条动脉进行分析，发现溃疡/不规则斑块的外膜K^trans[（0.079±0.018）min^-1]较光滑斑块[（0.064±0.011）min^-1]升高，差异具有统计学意义（P=0.02），斑块区域K^trans[（0.065±0.013）vs.（0.055±0.010）min^-1]差异也具有统计学意义（P=0.03）。红细胞渗漏会将巨噬细胞吸引到斑块中，再次触发新的未成熟斑块内微血管的形成，进一步破坏斑块的稳定性^[4]。因此新生血管渗透率的定量分析可辅助识别高危斑块。并且有研究探索了症状性轻中度颈动脉狭窄患者的颈部斑块微血管系统和近期脑血管时间的关系，也发现了与近期缺血性卒中有显著相关的因素^[24]。在CA斑块评估中，DCE-MRI其动态监测能力可通过自门控技术结合压缩感知重建，量化高危斑块特征性的内皮通透性变化。在一项Apoe^-/-小鼠模型中，随着高脂饮食诱导的动脉粥样硬化进展（4~16周），主动脉根部对比剂廓清率与巨噬细胞密度（CD68+）均呈时间依赖性升高（b2：P=0.03；巨噬细胞：P=0.009），尽管两者相关性较弱（r=0.28，P=0.20），但验证了DCE-MRI通过washout参数纵向追踪斑块内微血管渗漏的可行性^[25]。在一些脑小血管疾病中，提到其局限性在于技术复杂，SNR较低^[26]。

       DCE-MRI通过药代动力学模型可定量分析斑块微血管通透性和新生血管密度，相较于常规MRI仅能提供形态学信息，可以直接反映炎症活动和内皮功能障碍，因此通过DCE-MRI识别高危斑块可以提高其准确性。在临床应用中运动伪影易干扰微血管渗透率分析的准确性，而且SNR较低。未来可以探索超短回波时间与压缩感知融合技术，在1.5 T MRI上实现时间分辨率≤3秒/期，实现低剂量高SNR；同时开发基于U-Net的自动化渗透率图谱生成工具，预训练多中心DCE-MRI数据库，结合迁移学习来替代传统手动建模。

2 特殊MRI序列在预测卒中风险中的应用

       常规MRI序列通过高软组织分辨率，为CA斑块的形态学评估奠定了重要基础。然而，传统技术对血流动力学紊乱、IPH及早期缺血损伤的解析能力有限，难以满足卒中风险的动态预测需求。在此背景下，特殊MRI序列的革新应用成为突破瓶颈的关键。SWI可无创检测微血栓与IPH，扩散加权成像（diffusion weighted imaging, DWI）可检测水分子扩散受限区域，4D血流成像动态量化剪切力异常，这些技术显著提升了卒中风险分层的精准性，为个体化干预提供了全新视角。

2.1 SWI

       SWI通过检测IPH或微出血的信号变化，能更敏感地识别斑块内的高铁含量区域^[27]，因此依据SWI可间接提示IPH的存在，对斑块稳定性进行分层，提高卒中风险预测的敏感性和特异性。WANG等^[28]通过前瞻性研究（n=25）验证了3.0 T MRI定量磁化率映射（quantitative susceptibility mapping, QSM）在鉴别IPH与钙化中的潜力，其与MP-RAGE在IPH检测中高度一致（κ=0.822，P<0.001），且钙化测量与T1-SPACE差异无统计学意义（P=0.783），表明QSM可作为区分斑块成分的新型工具，但需进一步扩大样本并验证临床风险分层效能。若SWI显示斑块内低信号区域合并高分辨率磁共振血管壁成像（high-resolution magnetic resonance vessel wall imaging, HR-MRI）的FCR，则卒中复发风险显著升高^[29]。并且SWI通过检测脱氧血红蛋白的顺磁性效应，可显示颈动脉斑块内或邻近血管内的血栓，即磁敏感血管征（susceptibility vessel sign, SVS），SVS主要反映血栓中脱氧血红蛋白的积累。LIU等^[30]通过对包含1832例急性缺血性卒中患者的21项研究进行了Meta分析，结果证实SWI显示的SVS低信号可作为心源性卒中的特异性影像标志物（RR=1.53，95% CI：1.30~1.81，P<0.001）。

       SWI在检测斑块出血方面具有独特的优势，同时可通过SVS特征辅助卒中分型及治疗决策优化，但其临床应用的证据强度仍需通过多中心前瞻性研究进一步验证。SWI对磁场均匀性要求较高，3 T MRI的普及率不足限制了其在基层医院的应用，可通过优化序列（如降低层厚至1.5 mm）或开发1.5 T兼容协议提升可及性。

2.2 DWI

       DWI通过检测水分子扩散受限区域，在急性缺血性卒中的超早期诊断中具有不可替代的优势，不足之处在于容易产生运动伪影^[26]。因为DWI可在发病数分钟内显示细胞毒性水肿，这种高敏感度使其成为急诊评估的核心工具^[31]。然而，DWI的临床应用远不止于急性卒中识别，近年来在CA斑块风险评估中的潜力逐渐受到关注。HUO等^[32]通过一项前瞻性研究（n=153）发现，3 T MRI联合DWI可有效预测重度颈动脉狭窄（70%~99%）患者颈动脉内膜剥脱术后无症状脑卒中（silent strok, SS）风险。研究显示，SS组患者IPH检出率显著高于非SS组（66.7% vs. 39.8%，P<0.05），且Type-I IPH与SS风险独立相关（校正后OR=3.63，95% CI：1.22~10.86）。同时可结合MRA检查将相关血管情况清晰显现，帮助临床医生明确脑部大血管以及血管闭塞情况^[33]。WANG等^[34]通过一项纳入60例CA患者（易损斑块组29例，非易损斑块组31例）的研究，验证了DWI联合HR-MRI在斑块评估中的独特价值。结果显示，易损斑块组的平均表观扩散系数（apparent diffusion coefficient, ADC）值显著低于非易损斑块组（P<0.05），且ADC值与血清炎症标志物水平（高敏C反应蛋白、髓过氧化物酶）呈显著负相关（r=-0.52~-0.61，P<0.05）。血清炎症标志物水平是反映斑块活动性炎症的血清标志物，因此ADC值可应用于反映斑块炎症反应，补充常规HR-MRI对斑块易损性评估的应用价值。

       DWI量化斑块ADC值不仅能有效区分易损斑块及其成分（如LRNC、FCR），还能间接反映斑块局部炎症活性。DWI通过术后SS检测结合斑块成分MRI评估，可为重度狭窄患者术后风险分层提供关键影像标志物。但其应用仍受限于技术复杂性、样本偏倚及动态监测能力不足，需通过技术创新、多中心协作及AI整合突破瓶颈，推动DWI从科研工具向临床常规检查的转化。

2.3 磁共振4D血流成像

       磁共振4D血流成像（4-dimensional flow magnetic resonance imaging, 4D Flow MRI），也称为时间分辨的三维相位对比MRI，作为一种新型的技术，能够无创在体外测定三维血流速度，评估血流动力学状态^[35]。4D Flow MRI提供的是心动周期内血管内整体的速度分布数据，包括壁剪切应力（wall shear stress, WSS）、压力梯度、能量损失、涡流等这对于在体复杂的血流动力学状态^[36]，血流动力学可以是评估某些患者卒中风险的工具^[37]。ZHOU等^[38]基于1899例人群的横断面研究表明自动化血管迂曲度指标联合3 T MRI管腔面积可有效检测基底动脉扩张型脑血管病（AUC=0.87~0.88），且前循环斑块识别效能显著优于后循环（AUC：0.66~0.78 vs. 0.54~0.65），提示血流动力学与斑块分布的潜在关联。EL SAYED等^[39]通过前瞻性4D Flow MRI研究[n=35，含14例颈动脉蹼（carotid artery web, CaW）、10例轻度动脉粥样硬化及11例健康对照]发现，CaW患者的颈内动脉球部低时间平均壁剪切应力（time-averaged wall shear stress, TAWSS）区域占比显著高于动脉粥样硬化组（12.3% vs. 1.6%，P<0.05），且下游振荡剪切指数（oscillatory shear index, OSI）升高（P<0.05），提示CaW可能通过异常血流动力学（低TAWSS与高OSI）促进血栓形成，从而增加卒中风险。4D Flow MRI也可检测颈动脉分叉处的WSS区域，此类区域与斑块进展及易损性密切相关，低WSS（狭窄近端）可促进AS斑块的发生和进展，过高的WSS促使斑块破裂^[40]。

       4D Flow MRI通过动态量化全心动周期内的血流动力学参数（如WSS、涡流强度），为CA斑块的生物力学机制研究提供独特视角，可以通过动态评估异常血流来验证斑块易损性。4D Flow MRI生成的数据量庞大，需依赖高性能计算平台进行后处理，基层医院应用受限，可开发AI驱动的WSS自动分析工具（如基于U-Net的分割算法），降低操作门槛。4D Flow MRI凭借其独特的生物力学标志物潜力，有望成为精准医学时代血管疾病评估的核心工具。

3 MRI与人工智能的结合

       随着时代发展，MRI与人工智能的结合日益紧密，MA等^[41]证明了通过人工智能优化的血管壁MRI来诊断动脉硬化性血管疾病的可行性，并且其图像质量和诊断效率相比于传统图像更好。WARREN等^[42]通过使用功能性MRI和深度学习方法诊断脑部疾病。许多典型的深度学习模型^{[43, 44, 45]}也被应用于缺血性卒中成像。对于CA型卒中来说，MRI与人工智能的融合主要聚焦于斑块特征的自动分割与评估和卒中风险预测模型的构建。

       易损颈动脉斑块破裂是缺血性卒中的重要诱因，而MRI凭借其高可及性与低成本优势，可通过精准识别IPH、LRNC及FCR等易损特征，并且通过分析显示其与卒中风险强相关，为构建新一代个性化预测模型提供了关键影像标志物^[46]。深度学习模型通过自动化特征提取，可显著提升斑块分割效率。机器学习在MRI图像中对斑块特征的自动检测和风险预测中具有重要应用价值，BIN等^[47]通过对比八种机器学习算法并基于4659例患者体检数据构建颈动脉斑块预测模型，发现XGBoost算法表现最优（AUC为0.808，准确率为0.749，特异度为0.762）。ZHANG等^[48]通过对108例症状性和54例非症状性颈动脉斑块患者行颈动脉MRI检查，并基于ITK-SNAP（3.8.0 版）分割的斑块区域提取MRI特征，然后基于最小绝对收缩和选择运算符（least absolute shrinkage and selection operator, LASSO）的多变量logistic回归分析发现了33个特征可以构建基于MRI预测高危斑块的模型（AUC=0.984），用于以自动化方式估计与斑块脆弱性相关的风险评分。

       现有中长期卒中复发预测模型因样本局限、技术陈旧或成本高昂存在高偏倚风险^[46]。LOHRKE等^[49]开发了一种基于生成对抗网络（3D pix2pix GAN）的新型人工智能模型，能够从TOF-MRA图像中生成脑灌注参数图，在200例急性卒中及72例狭窄闭塞病例中验证其性能，结果显示生成灌注图与真实DSC-MRI灌注图在结构相似性（SSIM：0.83~0.98）及视觉一致性方面表现优异，且对Tmax>6秒的低灌注区域重叠度较高（中位Dice系数为0.49）。该技术为无创评估脑血流动力学提供了潜在替代方案，有望优化脑血管疾病患者的风险分层。高宇等^[50]通过一项基于363例症状性颅内动脉粥样硬化性狭窄患者的回顾性研究，验证了HR-VWI影像组学联合Transformer注意力机制模型（Trans模型）的卒中复发预测效能。研究以HR-VWI的T1WI及增强序列影像组学特征为基础，通过责任斑块图像特征提取与注意力机制融合构建预测模型，结果显示Trans模型在训练集（n=254）和验证集（n=109）中预测卒中复发的AUC分别达0.992和0.988，显著优于单一序列模型（T1WI模型、T1WI增强模型）及双序列模型（P<0.05）。LÜ等^[51]也运用人工智能提出了相关的卒中风险预测模型，针对未来的研究可以将多模态MRI特征整合至风险分层体系以实现精准卒中预防。

       现有的人工智能模型通过自动化提取和复杂关系建模，显著提高了斑块分割与风险预测的精度。但是多数研究基于单中心数据，且MRI参数未标准化，导致模型泛化能力受到限制。现有模型多停留在科研阶段，缺乏与影像归档与通信系统的实时交互。建议在未来建立多中心标准化数据库，统一扫描协议与标注标准，同时推动嵌入式人工智能系统开发，实现MRI设备的实时风险评分输出。

4 小结与展望

       常规MRI技术聚焦于斑块形态学与成分的评估，适用于常规筛查、稳定性分层及药物治疗监测，可以对斑块体积或者纤维帽厚度等形态学定量分析，通过多参数成分分析区分LRNC和纤维组织，并且动态追踪新生血管。因此可以为大多数患者的斑块稳定性评估提供全面基线数据。而特殊MRI序列可以针对特定临床需求补充关键信息，SWI通过检测IPH和血栓优化急性卒中分型，DWI基于水分子扩散受限特征评估斑块炎性活性及术后脑梗风险，4D Flow MRI则从血流动力学角度揭示低WSS与斑块进展的关联。根据特定场景选择合适的MRI技术可以更适用于复杂病变及病因不明的卒中患者，弥补了传统影像对斑块生物学行为及血流交互作用解析的不足。

       展望未来，可以开发快速多对比联合序列以减少扫描时间与运动伪影，结合压缩感知与生成对抗网络提升图像分辨率。同时建立涵盖不同人群、设备及扫描协议的国际多中心数据库，统一斑块特征标注标准，以提高人工智能模型的泛化能力。并且整合多模态MRI特征与血清生物标志物等数据，构建个体化卒中复发预测模型，为精准卒中防治提供全新解决方案。