0 引言

       急性缺血性脑卒中（acute ischemic stroke, AIS）是一种因脑缺血而突发的神经功能障碍疾病，是导致全球死亡和残疾的主要原因之一^[1]。AIS患者治疗的关键是早期将梗塞血管进行再通，实现缺血半暗带的再灌注，从而减少梗死面积的扩大。早期对急性缺血性脑卒中进行诊断并在距发病时间4.5小时内进行静脉溶栓治疗是使其预后良好的重要措施，但在溶栓治疗后部分患者会出现严重的并发症，出血转化（hemorrhagic transformation, HT）是主要并发症之一，HT可能会影响静脉溶栓治疗后AIS患者的预后^[2]。因此，早期对HT进行预测对避免患者预后恶化是必要的。目前已经探索出一些临床实验室指标、影像征象和人工智能方法对HT进行早期预测，但对预测AIS患者静脉溶栓后出现HT仍面临诸多问题和挑战。

       HT常用的影像学分型是欧洲急性卒中协作研究分型^[3]，分为出血性脑梗死（hemorrhagic infarction, HI）和实质性出血（parenchymal hemorrhage, PH）。HI的特征是梗死区内的斑点状出血。HI1型指沿梗死灶边缘分布的点状出血；HI2型指梗死区内出现片状出血或融合性点状出血，但均无占位效应^[4]。PH的特征是梗死区内形成致密的血肿。PH1型指血肿面积低于梗死区面积的30%且占位效应较轻；PH2型指血肿面积超过梗死区面积的30%且伴有显著占位效应^[4]。HT还可按照是否患者出现临床症状分为症状性出血（symptomatic intracranial hemorrhage, sICH）和无症状出血（non-symptomatic intracranial hemorrhage, non-sICH）。不同类型的HT对患者预后影响不同，与HI患者相比，PH患者更有可能出现不良预后^[5]。

       尽管已有综述对出血转化的预测因素进行综合探讨，但大多数综述未将静脉溶栓后出血转化作为独立主题进行系统综述。本文就AIS患者静脉溶栓后HT影像学预测征象和人工智能影像预测模型等方面研究进展进行综述，旨在辅助临床医生预测AIS患者静脉溶栓后HT发生的风险，为治疗决策与预后提供依据。

1 计算机断层成像

1.1 非增强计算机断层成像

       非增强计算机断层成像（non-contrast computed tomography, NCCT）是最常用的放射学检查之一，是疑似急性卒中紧急病例的一线诊断技术。但NCCT对早期脑梗死不敏感，可以用于排除患者存在脑出血。NCCT图像上早期梗死征象被用于预测HT^[6]。在急性脑梗死中，大脑中动脉是最常发生闭塞的血管。其在高分辨率平扫CT上的影像学特征被称为“高密度动脉征”。高密度动脉征常预示脑组织梗死面积可能更大。SUN等^[7]研究表明高密度动脉征是静脉溶栓后任何脑出血的预测因素。马松华等^[8]对大脑中动脉高密度征长度以1 mm为分界进行分类，结果发现长的大脑中动脉高密度征静脉溶栓会增加梗死后出血率。李海燕等^[9]研究发现梗死面积≥3 cm²是出血转化的危险因素。WEI等^[10]将早期低密度>1/3的大脑中动脉供血区域、中线移位和大脑中动脉高密度征进行组合，获得了良好预测性能（AUC=0.80，95% CI：0.75~0.84）。ASPECTS评分通过半定量方式，旨在系统评估大脑中动脉供血区的早期缺血性改变。IANCU等^[11]研究表明发病24小时后较高的ASPECTS评分可使早期脑出血的发病风险降低60%。ASPECTS评分可以对梗死位置不同给予评分，GU等^[12]的研究表明皮质区ASPECTS评分与HT独立相关（P<0.001），预测HT的最佳截断值为4分。脑小血管疾病（cerebral small vessel disease, CSVD）是一种涉及大脑小穿通微动脉、毛细血管和小静脉的疾病，可能使静脉溶栓治疗的AIS患者的预后恶化，ZHAN等^[13]定义CSVD总分由脑白质疏松、脑萎缩、腔隙等CSVD指标综合得出，研究表明HT风险与严重脑萎缩（OR=3.14，P=0.004）和严重脑白质疏松（OR=2.41，P=0.036）独立相关，并且当总脑小血管病变负担>1时患者发生HT的风险较高（OR=2.87，P=0.005）。熊建等^[14]研究结果表明脑白质疏松程度增加，患者出血转化发生率增加（P<0.05）。CT对钙化具有较高的敏感性，钙化是被广泛用于表示动脉粥样硬化和脑血管功能的影像学指标，可能会导致血管弹性和血管调节能力降低，从而导致AIS患者发生静脉溶栓后HT发生的风险增高。YU等^[15]的研究证实病变侧钙化体积（0.1 mL）与静脉溶栓后HT相关（OR=1.504，P=0.004），并且钙化还与AIS患者预后相关。

1.2 计算机断层扫描血管成像

       多期计算机断层扫描血管成像（computed tomography angiography, CTA）可以对侧支血管状态进行有效评价，缺血区域在CTA图像中表现为低密度灶。HAN等^[16]回顾性收集治疗前CTA、CTP图像，结果表明治疗前光谱CTA获得的缺血半暗带区域的较低碘浓度是静脉溶栓治疗后发生HT的独立预测因素。

1.3 计算机断层扫描灌注成像

       计算机断层扫描灌注成像（computed tomography perfusion, CTP）是对选定层面在静脉注射对比剂后进行快速连续扫描，通过获取各像素的时间-密度曲线来反映对比剂在脑组织内的浓度变化，从而间接定量评估组织灌注水平。基于该曲线可计算出脑血流（cerebral blood flow, CBF）、脑血容量（cerebral blood volume, CBV）、峰值时间（time to peak, TTP）等灌注参数。CBV与CBF是定量评估脑组织血流灌注状况的关键指标。当发生缺血性脑梗死时，受累脑区因血流灌注锐减，会呈现出CBV与CBF的显著降低，同时TTP也随之延长。MUBARAK等^[17]进行系统评价，结果显示CTP在预测HT方面的诊断性能表现出高敏感度（86.7%）和中等特异度（77.8%）。QIU等^[18]研究表明脑白质低灌注与静脉溶栓后HT独立相关。秦霜等^[19]研究表明静脉溶栓后HT组相对脑血流量（relative cerebral blood flow, rCBF）、相对脑血容量（relative cerebral blood flow, rCBF）显著低于非出血转化组，相对达峰时间（relative time to peak, rTTP）显著高于非出血转化组（P<0.05）。单因素分析显示rCBV≤0.65、rCBF≤0.25、rTTP≥1.03 s是静脉溶栓后HT的危险因素。吴静等^[20]研究同样表明rCBV及rCBF是HT的预测因素（P<0.05）。孙凤涛等^[21]的研究表明rCBV预测患者HT的效果要高于rCBF。ZHANG等^[22]利用AIS患者的CTP参数对HT进行研究，结果发现梗死核心的rCBV和整个灌注病变区域的rTmax是预测HT的独立危险因素（P<0.05）。WU等^[23]将多种CTP参数相结合，定义一种新参数，即Delta radscore=（CTP脑灌注相纹理参数-平扫CT扫描相纹理参数）/CTP脑灌注相纹理参数，结果显示Delta radscore是HT发生的独立危险因素（P<0.05）。

       表面渗透性（permeability surface, PS）反映对比剂进入细胞间隙扩散情况，从而间接量化血脑屏障渗透性，PS已经被证实是HT的有效和强有力的预测因子，相对表面渗透性越大表明血脑屏障被破坏程度越严重，红细胞从细胞间隙渗出的概率越高，HT发生风险越高。但目前预测HT的PS阈值尚不明确。陈媛慧等^[24]回顾性分析AIS患者的多模态CT检查，结果表明在CTP参数中仅有相对PS≥4.13是HT的独立危险因素。这与上述CTP其他参数也是HT的危险因素存在差异，这可能与受试者差异有关。LI等^[25]定义了一种综合参数：侧支循环+相对PS，结果表明该参数能对HT进行独立预测。

       以上研究表明CT成像在预测静脉溶栓后出血转化方面具有快速、普及的优势，NCCT可评估早期梗死征象、高密度动脉征及脑小血管病变，而CTP参数（如rCBF、rCBV和PS）能有效反映灌注异常和血脑屏障破坏，敏感度较高。但其主要缺点在于缺乏标准化的成像方案与诊断阈值，不同研究结论存在差异。今后研究应致力于建立统一、简易的多模态CT扫描与评估标准，并探索融合多参数及人工智能的预测模型，以提升临床实用性和预测准确性。

2 MRI

2.1 MRI常规序列

       MRI是神经系统重要的影像学检查方法，是早期识别急性缺血性脑卒中最敏感的检查。MRI能够对CSVD标志物和总CSVD评分进行更加准确的评价。CSVD标志物可以对HT风险进行预测，发病机制目前尚不明确，有研究认为可能与血脑屏障功能障碍、内皮功能障碍以及脑血流量和血管反应性降低等机制有关^[26]。DU等^[27]的研究同时使用基线磁共振CSVD标志物和总CSVD评分，结果表明HT发病风险随CSVD评分的增加而增加（OR=2.03，P=0.007）。脑白质疏松是脑小血管病的常见表现，脑白质疏松的发生与多种因素有关，其中血脑屏障（blood-brain barrier, BBB）破坏在其中发挥着重要作用。脑白质疏松患者本身已存在不同程度BBB破坏，溶栓治疗会导致BBB破坏加剧，脑白质疏松是否增加静脉溶栓HT及不良预后风险目前存在争议，王岩等^[28]研究证实中重度脑白质疏松是脑卒中患者静脉溶栓后HT的独立危险因素（P<0.05）。但FREY等^[29]研究表明脑白质高信号与较差的功能结局有统计学意义，但其与任何HT不相关。邬政宏等^[30]研究同样表明脑白质高信号及深部白质高信号病变程度与AIS患者HT风险未见明显联系。

       静脉溶栓的禁忌证之一是过去3个月内发生过脑卒中，目前尚不清楚该禁忌证是否应包括最近的临床无症状梗塞（recent clinically silent infarcts, RSI），STÖSSER等^[31]将RSI定义为扩散受限且FLAIR呈阳性信号的病变，结果表明RSI不会增加HT的风险。

2.2 磁敏感加权成像序列

       MRI中磁敏感加权成像（susceptibility weighted imaging, SWI）序列对脑微出血具有较高的敏感性。脑微出血（cerebral microbleeds, CMB）在出血敏感MRI序列上表现为小低信号病变，脑微出血被视为严重小血管疾病导致血管脆弱性增加的标志物，存在脑微出血灶的AIS患者被视为静脉溶栓的相对禁忌证^[32]，进行静脉溶栓治疗可能会进一步损伤脑血管，从而造成脑实质出血。CAPUANA等^[33]认为CMB的存在与sICH的发生无关，但CMB的存在及其深部/幕下位置与PH的发生独立相关。

2.3 扩散加权成像序列

       扩散加权成像（diffusion weighted imaging, DWI）是通过检测组织和病变内水分子的随机扩散差异程度来间接反映组织的结构和病理变化的方法。相对于常规MRI影像在脑缺血5~6 h才开始出现明显特征，DWI在梗死10~30 min就能显示出缺血区。AIS患者静脉溶栓前CT图像中大面积梗死是HT的预测因素，DWI序列可对急性缺血性梗死体积进行更加精准的测量。CAPARROS等^[34]研究表明DWI序列扩散受限体积可预测sICH（AUC=0.72），预测症状性出血转化的截断值为4 cm³，敏感度为78%，特异度为58%，超过其他MRI标志物（梗死病灶内的FLAIR血管高信号和平均ADC值）。表观扩散系数（apparent diffusion coefficient, ADC）用于表征生物组织内水分子扩散运动的速率和范围。李红等^[35]研究发现出现HT的脑卒中患者在溶栓前具有更高的ADC值。但是关于预测HT发生的ADC截断值目前尚不统一。LI等^[36]研究得到当ADC值< 620×10^-6 mm ²/s时，以病变体积2 mL为最佳截断值，AUC为0.833。张冠业等^[37]研究结果表明当梗死体积分界值在28.1 mL、ADC差值在398.9×10^-6 mm²/s时对预测发生HT风险的效能最佳。多种预测征象相结合可进一步提高预测的敏感性。DWI图像可与SPECTS评分相结合对sICH进行预测，TANAKA等^[38]分别将CT、DWI和深部白质的早期缺血性病变与SPECTS评分相结合，结果发现DWI-SPECT和深部白质的早期缺血性病变相结合评分最佳截断值为≤8，拥有最高的敏感度（86.7%），但获得的特异度较低，为55.9%。

2.4 灌注加权成像

       灌注加权成像（perfusion weighted imaging, PWI）可反映组织血流灌注信息，脑梗死早期便可出现PWI序列参数的改变。LI等^[36]对PWI产生的Tmax不同阈值对HT进行预测。Tmax>10 s的体积比其他Tmax值有更高的AUC（0.898），预测最佳阈值为≥10.5 mL，获得了87.3%和81.2%的敏感度和特异度。

       综上所述，MRI检查在HT预测方面具有较大潜能，但部分预测参数或特征存在特异性较低的缺点。同时MRI检查时间相对较长，对于一些病情危急的患者可能不太适用。此外，现有研究在预测AIS患者静脉溶栓后HT时，所纳入研究的患者、对静脉溶栓后HT的定义等缺乏标准化方案，导致其结果存在显著异质性，结论难以相互验证与推广。为应对此挑战，开发并规范标准、提高预测参数或特征的特异性、探索新的成像序列，将是未来研究的关键方向。

3 人工智能

       人工智能技术与医学影像技术（如CT、MRI）的融合应用，通过构建智能辅助诊断模型，不仅显著提升了疾病识别的精准度，更为临床诊疗方案的制订提供了有力的决策支持^[39]。机器学习（machine learning, ML）是人工智能的一个分支，它可以通过计算机从大型、嘈杂或复杂的输入和输出数据集中“学习”来建立分类、预测和估计的理想模型，如逻辑回归（logistic regression, LR）、随机森林（random forest, RF）、最小绝对值选择与收缩算子（least absolute shrinkage and selection operator, LASSO）等。深度学习基础是人工神经网络（artificial neural network, ANN），通过多层神经网络，借助反向传播（back propagation, BP）算法，建立不同的网络结构。从临床应用角度来看，预测模型可以辅助医生决定是否对患者进行溶栓治疗。对于预测出血转化风险较高的患者，医生可以更加谨慎地权衡溶栓治疗的利弊，考虑采取替代治疗方案或加强治疗过程中的监测。同时，模型还可以帮助医生对患者进行分层管理，对于高风险患者给予更密切的关注和更积极的干预措施，从而有可能改善患者的预后。

       基于机器学习的影像组学通过高通量特征提取算法，深度挖掘图像中的形态学特征（如病灶形状、灰度分布、纹理特征等），从而实现精准的病变区域分割、定量化特征提取及智能化模型构建，显著提升疾病诊断的准确性和全面性。CT图像中某些早期梗死征象对静脉溶栓后HT的预测价值表明，影像数据中可能还蕴含超出人眼辨识能力的深层信息特征。包婉秋等^[40]研究提取静脉溶栓前NCCT图像的纹理特征对HT进行预测，结果显示10个纹理参数AUC值>0.7，这说明溶栓前NCCT梗死区纹理与HT的发生显著相关。季丹丹等^[41]的研究基于NCCT的影像组学特征与临床特征相结合对前循环梗死患者进行预测模型的建立，选择了8种影像组学特征，联合模型获得0.763的AUC。XIE等^[42]同样对患者NCCT图像提取放射学特征，构建Rad-score，进而利用Rad-score构建预测模型，结果显示Rad-score由5种放射学特征组成，由其构建的预测模型在训练队列和验证队列AUC分别为0.845和0.750。WU等^[23]利用CT及CTP图像获得的Delta Radscore与临床特征相结合进行构建预测模型，组合模型获得最高的AUC（0.878），敏感度为86.92%，特异度为77.51%。预测模型类型的选择是提高机器学习模型性能的关键环节之一，对于AIS患者静脉溶栓后HT预测模型也不例外。众多研究尝试运用不同的机器学习算法来提高预测的准确性。REN等^[43]利用NCCT和临床特征构建多种机器学习算法，结果显示递归特征消除（recursive feature elimination, RFE）是最优的特征选择方法，而极限梯度提升（extreme gradient boosting, XGBoost）模型算法在模型构建中表现最佳。该研究开发的放射学-临床联合预测模型展现出优异的诊断效能，在内部验证队列和外部验证队列中区分HT患者的AUC值分别达到0.950和0.942。CUI等^[44]的研究同样使用NCCT和临床特征构建预测模型，结果同样表明极限梯度提升模型的性能较好，内部验证队列的AUC为0.9454。闫春春等^[45]对HT患者的CT图像提取纹理特征构建多种预测模型，其中以XGBoost和梯度提升（categorical boosting, Cat Boost）具有最佳的HT预测效能。MRI序列图像同样可以进行提取纹理特征。丁俊等^[46]对头颅常规MRI使用影像组学提取特征，最终提取了6个最相关纹理特征，建立的预测模型在训练组和验证组进行ROC曲线分析AUC均为0.97。MENG等^[47]利用多参数MRI图像，从感兴趣区域（region of interest, ROI）提取放射学特征，用LASSO和RF建立放射学模型，发现具有14个all-ROI特征的模型实现了HT较好的预测（AUC=0.871），结合临床因素的放射学模型可以提高HT的预测效果。

       相较于传统预测模型，基于深度学习的人工智能技术展现出更强大的医学影像特征识别、提取与自主学习能力。深度学习模型能够自动从大量数据中学习复杂的特征表示，无需手动提取特征，这对于处理具有高度复杂性和异质性的医学数据尤为重要。当前，包括卷积神经网络（convolutional neural networks, CNN）^[48]等在内的多种深度学习算法已被应用于血管内血栓切除术后HT的风险预测研究。深度学习同样可以对静脉溶栓后HT进行风险预测。WANG等^[49]则利用AIS患者的NCCT在双分支特征分离和增强神经网络（Dual-branch Separation and Enhancement Network, DBSE-Net）的基础建立预测HT模型，获得了0.7205的AUC，预测精度为0.72至0.55±0.03。REN等^[50]同样基于NCCT 构建DenseNet预测模型，其AUC、敏感度及特异度高于临床预测模型及一些临床预测评分（如MSS、SEDAN、GRASPS评分）；RU等^[51]开发了弱监督深度学习HT预测模型，并将该模型与传统基线DL模型、各种ML模型以及现有的HT风险评估量表（如HAT和SEDAN评分）进行比较。结果显示与其他机器学习模型相比，弱监督深度学习模型获得了最高AUC值（0.799）。与HAT和SEDAN评分相比较，弱监督深度学习模型也有最高的AUC（0.799）和敏感度（79.7%）。并且该模型对SICH的预测AUC（0.833）高于对预测无症状ICH。

       人工智能预测模型在预测AIS患者静脉溶栓后HT中虽然表现出较好的性能，但其可解释性、大多数研究为单中心研究、伦理方面、样本量有限、数据质量与标准问题的不一致性、缺乏外部验证等问题限制了其在临床中的应用。尤其是深度学习模型，如神经网络，被视为“黑盒”模型，难以理解其决策过程和依据。目前部分研究采用SHAP（SHapley Additive ex Planations）等可解释性技术，使机器学习模型的预测过程变得透明，能够清晰展示哪些特征在模型预测静脉溶栓后出血转化时起了关键作用，这将极大增强临床决策中对模型结果的信任与接受度。例如，XU等^[52]建立多种预测出血转化模型，RF模型优于其他模型和量表。从RF重要性矩阵图中得出影响最大的四个因素是甘油三酯、脂蛋白a、基线美国国立卫生研究院卒中量表评分和血红蛋白。为了更好地了解各种人工智能算法在预测HT方面的潜力、可解释性和局限性，应进行比较不同人工智能算法预测HT效能差异、提高模型的可解释性、进行多中心研究、进行外部验证等方法，从而使人工智能预测模型能够更加精确预测静脉溶栓后HT。

4 总结与展望

       综上所述，近年来，一些新的影像标志物已被证明可以有力地对HT进行预测，但这些影像学标志物中部分量化指标区分溶栓后是否出血的最佳阈值存在争议，其独立预测HT发生风险的效能仍有待提高。不同研究之间对于静脉溶栓后HT的定义与分类存在差异，导致研究结果的对比性受限。大多数研究还存在纳入病例较少、单中心研究、回顾性研究的问题。此外人工智能具有高效、精准、个性化等优势，但也存在一些问题，如大多使用机器学习、深度学习的可解释性、病例过少可能存在偏倚、没有对HT进行精准分型等问题。探索简单、可靠的影像学预测指标对AIS患者进行更加个性化、更精确的HT预测应该是未来发展的目标。更好的机器学习方法、建立更完备的医学数据库、纳入多中心研究等方法会将人工智能更好地应用于预测AIS患者静脉溶栓后HT的临床实践中。