0 引言

       急性缺血性脑卒中（acute ischemic stroke, AIS）是脑卒中最常见的亚型，具有高发病率、高致残率和高死亡率等特点^[1]。发病后6 h治疗时间窗内实现精准诊断与有效干预，是改善患者预后的关键^[2]。流行病学显示，全球每年新发AIS约1200万例；我国因人口基数大、老龄化加速，年发病高达383万，疾病负担沉重^{[3, 4]}。因此，发展能为AIS急诊评估与治疗决策提供可靠依据的高效、精准影像学技术，已成为当前临床实践中亟待解决的重要课题^[5]。

       磁共振成像（magnetic resonance imaging, MRI）兼具优异的脑组织分辨力、无电离辐射、多方位成像等优势，已逐渐应用于AIS诊断。常规MRI序列能快速定位缺血病灶，6 h内检出率90%~95%，其中弥散加权成像（diffusion-weighted imaging, DWI）的急性期敏感度可达94%以上^[6]，但其仅能提供解剖信息，无法评估脑血流灌注。灌注加权成像（perfusion-weighted imaging, PWI）能直观呈现灌注衰减状态，其显示变化与脑缺血的病理进程相匹配^[7]。然而，PWI的感兴趣区（region of interest, ROI）主要依赖手动勾画，存在主观性较强、用时较长等瓶颈。为突破上述瓶颈，人工智能（artificial intelligence, AI）通过算法解析、数据学习、深度学习等环节，为ROI的精准分割及定量分析提供了解决方案^{[8, 9]}，可实现高效、客观的灌注评估。

       在此背景下，推动“解剖+灌注”信息协同诊断仍面临以下局限：（1）既往研究多聚焦于AI与单一序列的结合，缺乏常规序列与PWI序列系统性整合的“共同序列”方案验证^[10]；（2）AI辅助多序列整合模型的诊断普适性与鲁棒性，仍缺乏大样本临床研究的充分验证，一项Meta分析显示，仅32%的AI-MRI研究整合了常规与PWI序列，临床泛化应用能力有限^[11]。

       因此，本研究提出并构建MRI“共同序列”方案，包含两类序列：（1）常规解剖序列，用于鉴别诊断及缺血病灶精准定位；（2）PWI序列，用于评估脑血流动力学变化。基于这一技术路线，本研究旨在系统分析AI辅助该方案的后处理诊断效能及评估效率，以期为临床精准诊疗提供更可靠的影像学依据。

1 材料与方法

1.1 研究对象

       本研究遵循《赫尔辛基宣言》，经河池市第一人民医院医学伦理委员会批准（批准文号：KY-2023-59、KY-2024-05），所有受试者均签署知情同意书。

       前瞻性纳入2023年6月至2025年6月期间在河池市第一人民医院就诊的疑似AIS患者235例。

       AIS患者纳入标准：（1）符合《中国急性缺血性脑卒中急诊诊治专家共识》^[11]中AIS相关标准；（2）发病时间≤6 h；（3）年龄≥18岁。

       AIS患者排除标准：（1）既往有严重颅脑创伤史；（2）合并严重肝肾心脏器病变、血液系统疾病；（3）急性期恶性肿瘤；（4）精神障碍；（5）存在MRI检查禁忌证，或图像明显伪影^[12]；（6）一般资料、临床与影像学检查相关资料不全。

1.2 检查方法

       本研究所有受试者均于入院24 h内完成“共同序列”MRI扫描：常规解剖序列[T1加权成像（T1-weighted imaging, T1WI）、T2加权成像（T2-weighted imaging, T2WI）、DWI、液体衰减反转恢复序列（fluid-attenuated inversion recovery, FLAIR）、磁共振血管成像（magnetic resonance angiography, MRA）]及 PWI灌注序列[无需对比剂的动脉血质子自旋标记成像（arterial spin labeling imaging, ASL）、需注射对比剂的动态磁敏感对比增强灌注成像（dynamic susceptibility contrast, DSC）]。采用联影医疗 uMR780 3.0 T扫描仪，配备头颈联合48通道线圈采集图像。采用高压注射器（Tennessee XD 2003，欧力奇医疗用品有限公司，德国）以4.0 mL/s的流率静脉注射对比剂钆喷酸葡胺（Gd-DTPA，马根维显，拜耳医药，德国），剂量0.2 mmol/kg。随后以相同流率注射20 mL生理盐水冲洗。扫描序列及参数见表1。

点击查看表格

表1  扫描序列具体参数
Tab. 1  Specific parameters of scanning sequences

1.3 图像后处理

       所有图像均传输至后处理工作站（联影uWS MR Version R005），并采用随机数字表法分为PWI组（手动后处理）及PWI+AI组（AI辅助后处理）。随后，PWI组使用工作站进行手动勾画ROI及分析，PWI+AI组则导入Fast-Stroke AI软件进行AI辅助后处理。

       本研究采用Fast-Stroke AI人工智能脑分割软件（版本V1.0，上海脑玺智能医疗科技有限公司，沪械注准20202210564）。该模型已完成大规模临床数据集的训练与验证，其在独立测试集中对病变区域的分割Dice相似系数达0.87±0.04，证明其分割性能优秀，可满足后续临床定量分析的精度要求。

1.4 图像质量评价

1.4.1 主观评价

       由两名具有10年以上神经影像诊断经验的副主任医师（观察者1、2）担任观察者。阅片采用双盲设计（遮蔽图像分组及患者临床信息）；采用随机数字表法确定阅片顺序以避免主观偏倚；采用Likert 5级量表评估图像质量，标准如下：1分（极差，严重失真/伪影）、2分（差，明显失真/伪影）、3分（中等，一定程度失真/伪影）、4分（良好，轻微失真/伪影）、5分（优异，无失真/伪影）^[13]。为评估评分者内一致性，本研究进行了预实验与正式评价，预实验中，1名副主任医师对图像间隔2周重复评分。正式评价中，两名观察者均对全部图像间隔2周重复评分，合并计算。

1.4.2 客观评价

       首先，确立金标准：由3名具有10年以上神经影像诊断经验的副主任医师独立勾画脑组织ROI（包括灰质、白质、病变区域），采用Delphi法（分歧率<5%时取均值，≥5%时重新评估）达成共识；随后，分别进行手动勾画及AI自动勾画。AI自动勾画结果与金标准的一致性通过以下指标评估：空间一致性采用Dice相似系数评估，体积测量一致性采用组内相关系数（intra-class correlation coefficient, ICC）评估；最后，基于ASL和DSC序列数据自动计算脑血流量（cerebral blood flow, CBF）、脑血容量（cerebral blood volume, CBV）参数（图1）。ROI放置规则：灰质置于额、顶叶正常灰质区（避开血管及脑室），白质置于半卵圆中心正常白质区，病变区域置于DWI高信号区最大层面，每个区域放置3个50 mm²的圆形ROI，取均值为最终参考值。

点击查看大图

图1  女，69岁，AIS患者（PWI+AI组）。1A：T1WI；1B：T2WI；1C：FLAIR；1D：DWI-b0；1E：DWI-b1000；1F：DWI-ADC；1G：ASL-CBF；1H：DSC-CBF；1I：DSC-CBV；1J：DSC-Tmax；1K：MRA-MIP-颅脑；1L：MRA-MIP-头颈；1M：AI-Mismatch。1A~1C：T1WI、T2WI及FLAIR图示两侧小脑半球片状、斑片状异常信号，T1WI呈稍低信号，T2WI及FLAIR呈稍高信号；1D~1F：DWI（b=0、1000 s/mm²）及ADC图示扩散受限；1G~1J：PWI（ASL-CBF、DSC-CBF、DSC-CBV、DSC-Tmax）图示两侧大脑后动脉供血区大片状异常灌注区，ASL示CBF下降，DSC示CBF及CBV均下降；1K~1L：MRA包括MRA-MIP-颅脑及MRA-MIP-头颈，示两侧大脑后动脉P1段及椎动脉V4段严重狭窄；1M：AI-Mismatch图，示脑实质Tmax>6 s体积为100.7 mL，ADC<620×10^-6 mm²/s体积为66.1 mL，缺血半暗带体积为34.6 mL，不匹配率约1.5。AIS：急性缺血性脑卒中；T1WI：T1加权成像；T2WI：T2加权成像；FLAIR：液体衰减反转恢复序列；DWI：弥散加权成像；ADC：表观弥散系数；PWI：灌注加权成像；ASL：动脉自旋标记；CBF：脑血流量；DSC：动态磁敏感对比增强成像；CBV：脑血容量；MRA：磁共振血管成像；MIP：最大密度投影；Tmax：达峰时间；AI-Mismatch：人工智能辅助缺血半暗带不匹配分析。
Fig. 1  A 69-year-old female AIS (PWI+AI group). 1A to 1C: T1WI, T2WI, and FLAIR images show patchy abnormal signals in both cerebellar hemispheres, appearing slightly hypointense on T1WI and slightly hyperintense on T2WI and FLAIR. 1D to 1F: DWI (b=0, 1000 s/mm²) and the corresponding ADC map demonstrate restricted diffusion. 1G to 1J: PWI maps, including ASL-CBF, DSC-CBF, DSC-CBV, and DSC-Tmax, reveal extensive areas of abnormal perfusion in the bilateral posterior cerebral artery territories; ASL shows decreased CBF, while DSC shows decreases in both CBF and CBV. 1Kto 1L: MRA, including MIP images of the cranium and head-neck, demonstrates severe stenosis in the P1 segment of both posterior cerebral arteries and the V4 segment of the vertebral arteries. 1M: An AI-Mismatch map quantifies the following volumes: Tmax > 6 s is 100.7 mL, ADC < 620 ×10^-6 mm²/s is 66.1 mL, and ischemic penumbra is 34.6 mL, yielding a mismatch ratio of approximately 1.5. AIS: acute ischemic stroke; T1WI: T1-weighted imaging; T2WI: T2-weighted imaging; FLAIR: fluid-attenuated inversion recovery; DWI: diffusion-weighted imaging; ADC: apparent diffusion coefficient; PWI: perfusion-weighted imaging; ASL: arterial spin labeling imaging; CBF: cerebral blood flow; DSC: dynamic susceptibility contrast; CBV: cerebral blood volume; MRA: magnetic resonance angiography; MIP: maximum intensity projection; Tmax: time to maximum; AI-Mismatch: artificial intelligence-assisted ischemic penumbra mismatch analysis.

1.5 临床结局评价

       以患者出院时的改良Rankin量表（Modified Rankin Scale, mRS）评分作为短期神经功能预后指标。根据常规临床标准进行分组：mRS评分0~2分定义为预后良好，3~6分定义为预后不良。

1.6 后处理用时

       采用随机数字表法，按TOAST分型及发病时间窗（<3 h、3~6 h）对200例AIS患者进行分层抽样，共抽取100例进行分析。由3名具有5年以上MRI后处理经验的技术人员，分别对抽取的患者图像进行手动（PWI组）及AI辅助（PWI+AI组）后处理，使用秒表记录从加载图像到生成CBF/CBV定量参数报告的全过程时间（单位：分钟），每位技术人员用时取均值。

1.7 统计学分析

       采用SPSS 26.0软件进行统计分析。计量资料经Shapiro-Wilk检验正态性：符合正态分布者以x¯±s表示，组间比较采用配对样本t检验；非正态分布者以M（Q1，Q3）表示，组间比较采用Wilcoxon符号秩检验，多重比较采用Bonferroni法校正。分类变量以n（%）描述，组间比较采用Pearson χ²检验。连续变量间相关性采用Pearson相关系数分析。

       观察者间及观察者内一致性分析：观察者间一致性采用加权Kappa系数评估；观察者内一致性（重测信度）采用ICC评估，计算模型设定为双向随机效应模型（绝对一致性）。ICC取值范围及一致性程度判定标准：<0.40为一致性差，0.40~<0.60为一致性中等，0.60~<0.75为一致性良好，0.75~1.00为一致性优秀。

       AI勾画与金标准的一致性分析：空间一致性采用Dice相似系数量化；体积测量一致性采用ICC评估，判定标准同上。

       诊断效能分析采用受试者工作特征（receiver operating characteristic, ROC）曲线分析，计算曲线下面积（area under the curve, AUC）及其95%置信区间（confidence interval, CI），AUC组间比较采用DeLong检验。ROC分析阳性判定标准为临床最终诊断结合DWI病灶。所有分析以P<0.05为差异有统计学意义。

2 结果

2.1 一般资料

       纳入的AIS患者中，因图像明显伪影排除12例、因临床资料不全排除15例、因MRI检查禁忌证排除8例，共排除35例，最终纳入200例，无随访脱落。人口学及临床基线资料见表2。

点击查看表格

表2  200例AIS患者基线资料
Tab. 2  Baseline characteristics of 200 AIS patients

2.2 两位观察者各序列图像质量主观评价一致性

       预实验中，一名副主任医师对30例图像间隔2周重复评分，模型设定为双向随机效应模型（绝对一致性），ICC为0.896（P<0.001），达优秀水平。正式评价中，两名观察者对图像质量的主观评价一致性优秀，ICC为0.82（P<0.001）；AI自动勾画与金标准的空间一致性优秀，灰质的Dice相似系数为0.89±0.04，白质为0.86±0.05；体积测量一致性优秀，灰质ICC为0.91（95% CI ：0.88~0.93），白质ICC为0.89（95% CI：0.86~0.91）。

       两位观察者对各序列图像质量的主观评分均≥3分，且5分占比>70%。加权Kappa一致性分析显示，观察者间一致性良好（Kappa值：0.754~0.826，95% CI：0.715~0.855）。同一观察者间隔2周评分的ICC为0.82（P<0.001），达优秀水平，量表稳定性可靠（表3）。

点击查看表格

表3  两位观察者各序列图像质量主观评价一致性
Tab. 3  Interobserver consistency of subjective quality scores for each sequence

2.3 PWI组与PWI+AI组各序列图像质量主观评分

       T1WI、T2WI、DWI、FLAIR、MRA、ASL、DSC各序列，经AI辅助后处理（PWI+AI组）所得图像的主观评分，均高于手动后处理（PWI组）的对应序列图像（均P<0.05），见表4。

点击查看表格

表4  PWI组与PWI+AI组各序列图像质量主观评分
Tab. 4  Subjective image quality scores of each sequence between PWI and PWI+AI group

2.4 PWI组与PWI+AI组各序列客观定量参数

       ASL、DSC序列的PWI+AI组CBF、CBV客观定量参数均低于PWI组（均P<0.001），见表5。

点击查看表格

表5  各序列客观定量参数
Tab. 5  Objective quantitative parameters of each sequence between PWI and PWI+AI groups

2.5 PWI组与PWI+AI组诊断效能

       ROC曲线分析显示，PWI+AI组CBF、CBV的AUC分别为0.815、0.826，敏感度分别为80.25%、81.37%，特异度分别为84.28%、82.65%，均高于PWI组CBF、CBV（均P<0.05），见表6、图2。

点击查看大图

图2  不同影像学技术诊断效能的ROC曲线。ROC：受试者工作特征；PWI：灌注加权成像；AI：人工智能；CBF：脑血流量；CBV：脑血容量。
Fig. 2  ROC curves of diagnostic efficacy for different imaging techniques. ROC: receiver-operating characteristic; PWI: perfusion-weighted imaging; AI: artificial intelligence; CBF: cerebral blood flow; CBV: cerebral blood volume.

点击查看表格

表6  PWI组与PWI+AI组诊断效能
Tab. 6  Diagnostic performance between PWI and PWI+AI groups

2.6 CBF/CBV定量参数与临床结局的相关性分析

2.6.1 与DWI病灶体积的相关性

       以DWI病灶体积为参照指标：ASL序列中，PWI+AI组的CBF（r=-0.683，P<0.001）与CBV（r=-0.652，P<0.001）均与DWI病灶体积呈负相关；DSC序列中，PWI+AI组的CBF（r=-0.715，P<0.001）与CBV（r=-0.691，P<0.001）均与DWI病灶体积呈负相关。上述结果提示，AI辅助下的灌注参数降幅随缺血灶范围增大而加大。所有变量均经Shapiro-Wilk检验正态性，数据符合正态分布，满足Pearson相关分析适用条件。

2.6.2 与短期神经功能预后的关系

       基于出院时mRS评分分组比较显示：预后良好组（n=132）的PWI+AI组CBF（23.18 ±2.05） mL/100 g/min，高于预后不良组（n=68）的（19.25±2.13） mL/100 g/min（t=11.26，P<0.001）；预后良好组的PWI+AI组CBV（1.98±0.12） mL/100 g，高于预后不良组的（1.65±0.11） mL/100 g（t=16.38，P<0.001）。组间比较数据均经Shapiro-Wilk检验正态性，数据符合正态分布，满足t检验适用条件。各序列CBF/CBV与DWI病灶体积的相关性趋势详见图3。

点击查看大图

图3  CBF/CBV定量参数与临床结局的相关性散点图。3A：ASL序列中PWI+AI组CBF与DWI病灶体积相关性；3B：ASL序列中CBV与DWI病灶体积相关性；3C：DSC序列中PWI+AI组CBF与DWI病灶体积相关性；3D：DSC序列中CBV与DWI病灶体积相关性。PWI：灌注加权成像；AI：人工智能；CBF：脑血流量；CBV：脑血容量；ASL：动脉自旋标记；DSC：动态磁敏感对比增强成像。
Fig. 3  Scatter plots of the correlation between CBF/CBV quantitative parameters and clinical outcomes. 3A: Correlation between CBF in the PWI + AI group and DWI lesion volume in the ASL sequence; 3B: Correlation between CBV and DWI lesion volume in the ASL sequence; 3C: Correlation between CBF in the PWI + AI group and DWI lesion volume in the DSC sequence; 3D: Correlation between CBV and DWI lesion volume in the DSC sequence. PWI: perfusion-weighted imaging; AI: artificial intelligence; CBF: cerebral blood flow; CBV: cerebral blood volume; ASL: arterial spin labeling imaging; DSC: dynamic susceptibility contrast.

2.7 图像后处理用时

       PWI组（手动后处理）平均用时（15.2±3.5） min，PWI+AI组（AI辅助后处理）平均用时（2.1±0.6） min，两组差异具有统计学意义（t=28.36，P<0.001）。AI辅助缩短后处理总用时86.2%。核心ROI勾画环节中，AI自动勾画平均用时（1.2±0.4） min，低于手动勾画的（12.5±3.1） min（t=32.17，P<0.001）。

3 讨论

       本研究构建的AI辅助MRI共同序列后处理方案，旨在解决AIS急诊影像评估中“精准性”与“时效性”难以兼顾的关键问题。结果表明，依托大样本前瞻性验证，该方案在实现多序列协同与全流程标准化的基础上，同步提升了图像质量、诊断效能及评估效率。

3.1 图像质量与灌注参数变化的技术机制

       本研究中PWI+AI组CBF、CBV参数低于PWI组，且与诊断效能提升同步出现，这一结果并非技术偏差，而是AI算法精准优化的直接体现：（1）采用3D U-Net深度学习架构，凭借其在医学图像分割中的天然优势，实现灰质、白质及病变组织边界的精准界定，有效减少部分容积效应对灌注参数的干扰，避免手动勾画时因组织边界模糊导致的参数测量偏差。（2）AI模型通过大规模临床数据集训练，对缺血半暗带等低灌注区域的识别敏感度高于人工勾画，可全面覆盖传统手动操作易遗漏的低灌注区域，使灌注参数更贴近病理真实状态。（3）AI技术的应用，有效提升了定量分析的稳定性。这与YALÇIN S等^[14]报道的AI优化灌注参数趋势一致，且本研究进一步量化技术干预的具体影响幅度，证实了AI对灌注参数优化的一致性与可靠性。

       同时，PWI+AI组各序列图像质量主观评分均高于PWI组，观察者间一致性良好，观察者内重测一致性优异。这一结果得益于AI对常规序列的全方位优化：通过自适应迭代重建技术抑制运动伪影，优化灰度映射提升DWI及ADC图像对比度，同时自动完成DWI高信号病灶与T1WI/T2WI解剖结构的精准配准。这既为病灶定位提供可靠的解剖参照，也为后续灌注分析奠定高质量图像基础^[15]。

3.2 诊断效能与评估效率的临床适配价值

       本研究方案通过全流程AI辅助优化，实现了诊断效能与评估效率的双重适配，充分契合AIS临床急诊场景的精度与时间需求。在诊断效能方面，PWI+AI组各项参数均高于PWI组。这一优势源于AI通过精准组织边界划分、全面低灌注区域识别及稳定图像配准，有效纠正了传统手动勾画ROI依赖主观经验的不足，使灌注参数测量更贴近真实病理生理状态^[16]。

       在评估效率方面，效率提升为效能实现提供了时间保障。AI辅助后处理用时大幅缩减，ROI勾画效率提升，这一革新使多序列整合评估无缝融入AIS急诊流程，为临床决策争取了关键时间。尤其对于在发病3~6 h治疗时间窗内的AIS患者，快速精准的影像评估能直接影响治疗决策时效性，改善患者预后。值得注意的是，AI驱动的标准化灌注参数不仅延续了灌注成像在缺血性脑卒中治疗与预后评估中的核心价值，更通过精准量化分析深化了其临床意义：CBF、CBV与DWI病灶体积呈负相关，且预后良好组水平高于预后不良组。这提示该参数不仅可用于急性期诊断，更有望成为评估缺血严重程度、预测短期神经功能预后的客观影像学生物标志物^{[17, 18]}。

       本研究亦证实，AI可提升后处理一致性且不受操作者经验影响^{[19, 20]}，这为该方案的多中心推广与基层医院应用提供了关键支撑。此外，3D-ASL技术在评估AIS责任血管闭塞部位及侧支循环方面的可靠性^{[21, 22]}，多模式MRI^[23]、多模态MRI技术^[24]强调的多序列整合价值，均从原理及序列设计层面上印证了“常规序列+PWI序列”这一共同序列方案设计的合理性。

3.3 与既往研究的核心差异与创新价值

       本研究构建的AI辅助共同序列后处理方案，同步实现了“解剖定位精准化”与“灌注评估标准化”，通过与既往研究的系统对比，其创新性得以凸显：现有AI辅助AIS影像研究多存在序列单一、场景局限等问题，例如，仅针对单一DWI序列^[14]、仅结合单一灌注模式而未充分考虑急诊适用性^[25]，或虽融合PWI序列却未整合常规解剖序列^[26]，导致诊断效能下降及临床适用性受限。

       本研究的核心突破在于通过AI实现了三个层面的协同优化：（1）解剖定位精准化：常规序列经AI优化后，病灶定位准确性提升，有助于鉴别诊断；（2）灌注评估互补化：ASL与DSC序列协同，既规避了肾功能不全患者的禁忌，又为缺血半暗带评估提供关键依据，符合多序列整合的成像原则^[27]；（3）操作流程标准化：所采用的AI算法符合规范要求^[28]，在保障分割稳定性的同时实现了全链条自动化，提升了操作一致性及效率。

       该技术路线在序列设计合理性^[29]、AI分割效能^[30]及多模态整合价值^[31-32]等方面均获文献支持。本研究的结论，也与既往文献中关于AI可提升评估一致性^{[33, 34]}并与临床预后具有关联性^{[35, 36]}的结论相一致。本研究通过大样本前瞻性验证，填补了AI辅助MRI多序列整合方案在 AIS急诊场景中的应用空白，为构建更具鲁棒性的AIS影像评估体系提供依据，亦为拓展至认知障碍评估等更广泛的临床场景提供了潜在方向^{[37, 38]}。

3.4 局限性及展望

       本研究尚存一定局限性：（1）单中心设计，样本量有限，且仅使用了单一品牌设备，其结果外推性受设备与地域制约；（2）未针对不同TOAST分型、发病时间窗等亚组进行深入分析，AI对特殊AIS亚型的诊断适配性尚需验证；（3）预后评估仅基于出院时短期mRS评分，对患者长期（如出院后3个月）神经功能预后的预测价值需进一步探索。后续设计包括：（1）开展多中心前瞻性研究，并按TOAST分型、发病时间窗分层，确保各亚组样本量均衡，以提升结果外推性；（2）延长随访时间，结合灌注参数评估其长期预后的预测价值^[39]；（3）纳入不同品牌及不同场强的设备数据，通过优化模型的设备适配模块，验证其跨设备泛化能力。近期证据表明，尽管AI模型在不同站点间存在性能差异，但通过领域自适应等适配技术进行优化，能显著提升其跨站点的泛化能力^[40]，这为本研究后续推进多中心、跨设备验证提供了可行性依据。

4 结论

       综上所述，本研究构建的AI辅助MRI共同序列后处理方案，精准契合AIS急诊诊疗的需求，不仅为临床决策提供了可靠的影像学依据，也为推动卒中影像评估流程的智能化、标准化转型提供了重要的实践依据与发展方向。