0 引言

       脑卒中具有发病率高、致残率高、病死率高的特点，位列全球主要死亡原因的第二位^[1]。其中，缺血性脑卒中约占所有脑卒中的70%^[2]。早期、准确的影像学评估对其诊断、治疗决策和预后判断至关重要。然而，传统影像评估方法仍存在诸多局限。近年来，基于影像大数据的人工智能（artificial intelligence, AI）技术为缺血性脑卒中的精准诊疗提供了新的路径^[3]。AI凭借其强大的图像分析和信息处理能力，在脑卒中早期诊断、病因分型、定量分析与预后预测等方面的价值日益凸显^[4]。尽管已有部分综述总结AI在卒中影像中的应用，但多数侧重于单一技术或影像模态，缺乏对多任务、多模态AI应用的系统梳理^[5]。因此，本文系统综述影像AI在缺血性脑卒中关键领域的应用进展，分析当前研究局限与挑战，并展望未来的研究方向，以期为开发更高效、客观、可重复的AI辅助诊断工具提供参考。

1 AI概述

       AI旨在通过技术手段模拟人类的思维过程，使机器能够具备学习、推理以及解决复杂问题的能力。医学影像学领域主要应用传统的机器学习（machine learning, ML）算法和深度学习（deep learning, DL）算法。

       ML通过自动化提取数据特征与规律构建泛化模型，实现分类与预测，主要分为监督学习、无监督学习和强化学习三大类^[6]。在卒中的AI研究中，监督学习的应用最为广泛，常见算法包括线性回归、逻辑回归、随机森林（random forest, RF）、支持向量机、决策树和神经网络等^[7]。

       DL模仿人脑神经网络的结构和功能，通过多层神经网络自动学习数据特征以处理复杂问题^[8]。基于不同的数据特征，深度学习开发了多种技术框架，其中以卷积神经网络（convolutional neural network, CNN）的应用最为广泛，是现在神经影像研究的热点^[5]。

2 缺血性脑卒中病灶的检测与分割

2.1 平扫CT病灶识别与ASPECTS评分自动化

       平扫CT是疑似卒中患者的首选检查，但超急性期仅靠肉眼难以准确识别梗死病灶^[9]。因此，开发基于平扫CT的计算机辅助诊断系统具有重要的临床意义。QIU等^[10]开发基于ML的自动化方法，在平扫CT上检测出的病变体积与扩散加权成像（diffusion weighted imaging, DWI）结果一致性良好，平均差异为11 mL，为超急性期CT定量评估提供了快速、客观的自动化工具。为了克服传统ML方法的局限性，研究者们开始采用DL来实现对平扫CT上缺血性病灶的自动检测。例如，LU等^[11]构建YOLO-v3定位与ResNet-50分类相结合的两阶段深度网络，内部/外部验证受试者工作特征曲线下面积（area under the curve, AUC）分别达0.84与0.76，显著优于高年资放射科医师。

       阿尔伯塔卒中项目早期CT评分（Alberta Stroke Program Early CT Score, ASPECTS）对治疗决策和预后评估具有重要意义，但临床评分者间一致性较差^[12]。近年来研究者们尝试开发基于AI的自动化ASPECTS评分软件。例如，WEI等^[13]基于多中心大样本数据开发基于DL的三阶段ASPECTS自动评分系统，该系统在独立测试集中AUC为0.85，ICC为0.84，二分类的敏感度94.6%，并将医师读片时间从130.6 s缩短至33.3 s，在保持高准确性的同时显著提升了工作效率。然而，GUBERINA等^[14]指出，在合并脑白质病变、陈旧性梗死或非典型脑实质缺损等脑疾病的卒中患者中，AI评估准确率仍逊于人工评估。

2.2 多模态MRI病灶自动分割

       MRI是评估缺血性脑卒中的重要手段，应用AI对MRI上的病变进行自动分割的研究日益增多。JUAN等^[15]将UNet模型与多阈值表观扩散系数（apparent diffusion coefficient, ADC）图结合，使Dice系数由单独使用DWI的0.74提升至0.97，模型与专家手动勾画间的一致性高达98.0%。GHEIBI等^[16]构建了基于CNN-Res结构的缺血性脑卒中病灶自动分割模型，采用U形结构嵌入残差单元以减少梯度下降的问题，并应用多模态MRI提取复杂特征。该模型在两个独立数据集上的平均Dice系数分别为0.85和0.79，训练及推理时间较UNet大大缩短（从1 min缩减为1.5 s），而分割精度提升17.0%。OU等^[17]利用弱监督学习，将99例全标注与831例边界框标注混合训练，仅需全监督的1/10的精标注量即可使Dice系数达0.92，并将单例标注时间从30 min缩短至30 s，兼顾精度与效率，为临床快速精准定量提供了新范式。LIU等^[18]使用多尺度残差注意力UNet生成DWI病灶分割模型，在验证集上的平均Dice系数为0.82，并应用于多中心研究，实现快速病灶勾画，为后续影像组学特征提取及1年复发预测提供了高效准确的分割基础。

       基于MRI的DL模型显著提升了缺血性病灶分割的精度与效率。然而，当前研究在处理病灶异质性、边界模糊及微小梗死灶识别方面仍面临挑战。未来需发展多序列MRI深度融合的分割框架，并引入卒中病理演变知识，如缺血时间窗、血管支配区域及细胞水肿特征等，增强对病灶异质性与边界的感知能力。此外，针对腔隙性梗死等微小病灶设计专用检测模块，结合局部纹理与高阶影像特征提升对不典型、弥漫性病灶的识别敏感度和分割稳健性。

3 大血管闭塞检测与缺血组织定量分析

3.1 颅内大血管闭塞的自动识别

       大血管闭塞（large vessel occlusion, LVO）继发的缺血性脑卒中约占所有卒中病例的30%~40%，这些患者往往伴有更高的致残率和死亡率^[2]。CT血管造影（CT angiography, CTA）是目前检测LVO最常用的影像学手段^[19]。

       AI在快速、准确识别LVO中占有一定的优势。BRUGNARA等^[20]开发的DL工具在CTA上自动检测LVO的敏感度≥94.0%，且处理时间<2 min。LUIJTEN等^[21]的DL模型在CTA上可自动检测和定位颈内动脉颅内段和大脑中动脉M1段闭塞，其检测的敏感度分别为88.0%和94.0%，并且，该算法仅需5 min即可完成全脑CTA筛查并精确定位闭塞段，有助于基层医院及时诊断LVO。近年来，研究进一步聚焦于更高效的模型架构与多模态融合策略。KUANG等^[22]提出了无需精确血管分割的LVO识别网络——VANet，通过粗粒度血管感知与非对称学习在CTA图像中识别LVO，VANet能准确定位血管并捕捉左右脑不对称特征，与医生判读具有高度一致性，在外部数据集上的准确率达到88.9%，AUC为0.91。

       当前大多数研究仍集中于大脑中动脉M1段，对大脑中动脉M2段、颈内动脉以及后循环闭塞的识别仍相对不足。此外，KANG等^[23]进一步比较了不同影像模式对前循环LVO的检测效能，发现基于DWI的DenseNet121模型AUC可达0.83，显著优于CT结合临床信息的结果，这提示多模态影像与DL结合可能是未来的重要发展方向。

3.2 梗死核心与缺血半暗带量化

       通过CT灌注成像（CT perfusion imaging, CTP）、DWI和灌注加权成像（perfusion weighted imaging, PWI）来评估“缺血低灌注-梗死核心错配”，是识别缺血半暗带的常用方法^[24]。近年来，AI的发展为准确评估缺血半暗带和梗死核心提供了新的策略。

       TOMASETTI等^[25]提出基于RF的全自动算法，利用CTP参数图分割梗死核心与缺血半暗带区域，Dice系数分别为0.26与0.68，平均体积差异分别为7.8 mL与25.1 mL，验证了传统ML方法在灌注图像分析中的有效性。WANG等^[26]结合平扫CT、CTA及CTA+图像构建3D CNN模型，实现端到端分割，其Dice系数分别达0.63与0.71，体积相关系数为0.84/0.83，可有效区分梗死核心、缺血半暗带与正常脑组织。此外，KUO等^[27]在大鼠模型中利用7 T MRI的扩散张量成像（diffusion tensor imaging, DTI）序列，结合平均扩散系数和相对脑血流量参数图，构建ML模型对缺血半暗带、梗死核心及正常脑组织进行分类，准确率达到88.1%，与基于DWI-PWI错配的分析方法得到的结果相似，为无需对比剂的快速组织评估提供了新思路。

       从首次成像时的梗死核心区发展为最终梗死是一个受组织损伤、再灌注速度以及血液复流的质量等多因素影响的非线性过程，准确预测梗死体积动态变化对改善卒中预后具有重要意义^[28]。PINTO等^[29]提出融合无监督受限玻尔兹曼机与CNN-U-Net+双向LSTM的混合DL框架，先分别对灌注时间图和血流动力学图提取高阶特征，再联合ADC图进行监督训练，在ISLES 2017数据集上Dice系数达0.38，验证了DL模型对最终梗死区域的可预测性。多项研究^{[30, 31, 32]}分别通过整合CTP与时间变量、再灌注状态或治疗参数构建了不同的AI模型，在预测最终梗死体积方面的性能都显著优于基于固定阈值的传统方法，表明DL模型可直接从灌注影像提取时空特征，精准、个体化地预测最终梗死体积及增长速率。

       当前研究证实AI通过融合多模态影像与临床参数，显著提升了缺血半暗带评估与梗死生长预测的准确性。但现有模型多依赖于需要对比剂的灌注成像，在基层及急救场景中应用受限。未来应致力于开发基于平扫CT等常规影像的轻量化模型，并构建融合时序特征与再灌注效果的动态预测系统，从而模拟不同治疗路径下的梗死演变。

3.3 侧支循环评估

       侧支循环状态是影响急性缺血性脑卒中患者预后及血管内治疗决策的关键因素^[33]。传统基于CTA或CTP的侧支评分依赖人工判读，存在主观性强、耗时且一致性不足的问题^[34]。近年来，AI技术为实现侧支循环的快速、客观、自动化评估提供了新的解决方案。

       TAN等^[35]构建了融合多期相CTA信息与注意力机制的DL模型，实现侧支三分类评估，准确率达90.4%。此外，AKTAR等^[36]针对平扫CT提出基于3D Siamese网络的模型，利用左右半球对称性来评估侧支状态，为无对比剂条件下的快速筛查提供了新思路。基于MRI的研究则侧重于利用PWI生成侧支血流图并进行分级。KIM等^[37]基于动态磁敏感对比灌注成像（dynamic susceptibility contrast MR perfusion, DSC-MRP）构建4层卷积+2层全连接CNN，可自动生成“动脉-毛细血管-静脉”三相位侧支流图并进行“好/差”二分类，其评估结果与患者再灌注后梗死增长及90天功能预后显著相关。LE等^[38]则提出了多任务回归与有序回归网络，可直接从DSC-MRP数据中高精度生成多期侧支图，为再灌注筛选提供了全自动、高对比度的影像工具。

       AI技术能基于多模态影像实现侧支循环的快速、定量、自动化评估。然而，现有研究多以人工评分作为金标准，其主观性制约了准确性的提升。未来研究应构建以最终临床结局为直接优化目标的模型，并开发深度整合多模态参数的一体化智能决策系统，通过前瞻性临床试验验证其改善患者预后的实际效能。

4 缺血性脑卒中病因分型

       急性缺血性脑卒中的病因分型对治疗策略制订和二级预防具有重要指导意义。目前国际广泛采用的TOAST（Trial of Org 10172 in Acute Stroke Treatment）分型将病因分为大动脉粥样硬化型（large-artery atherosclerosis, LAA）、心源性栓塞型（cardioembolism, CE）、小血管闭塞型（small-vessel occlusion, SVO）、其他明确病因型及不明原因型^[39]。其中，前三种亚型构成了缺血性脑卒中最常见的病因。

       近年来，多项研究基于不同模态影像数据构建了DL模型，以实现对TOAST亚型的分类。KIM等^[40]开发基于3D CNN的模型，仅依赖DWI和ADC图即可完成病灶分割与TOAST分型，对LAA、CE、SVO及正常对照的4分类准确率达到了81.9%。融合影像与临床数据的多模态AI模型已成为提升病因分型准确性、推动临床转化的重要方向。例如，RYU等^[41]联合DWI与房颤信息构建DL模型，在外部验证中对LAA、CE和SVO的平均分类准确率达73.9%，模型仅凭DWI影像亦可评估CE概率，显示出其在资源有限地区的应用潜力。

       中国缺血性卒中亚型（Chinese Ischemic Stroke Subclassification, CISS）分型进一步将LAA的机制分为穿支动脉闭塞、动脉-动脉栓塞、低灌注/栓子清除下降及混合机制^[42]。针对CISS分型的自动化识别研究也取得初步进展。李红霞等^[43]利用高分辨MRI（high-resolution magnetic resonance imaging, HR-MRI）颅内动脉斑块的影像组学特征，构建了预测混合型缺血性脑卒中机制的模型。结果显示，融合传统影像特征与斑块影像组学特征构建的联合模型在测试集中的AUC为0.84。YIN等^[44]则结合CTP与计算流体力学参数，建立了基于逻辑回归的自动CISS分类模型，测试集中的AUC为0.91、平均精度为0.85，为卒中机制的无创评估提供了新方法。

       基于AI的影像分析方法在卒中病因分型中表现出良好的性能。然而，常规影像形态学特征与深层病理生理机制关联仍不精确，对混合型及不明原因型卒中的鉴别能力有限。未来可进一步整合HR-MRI、动态灌注与血流动力学成像等多模态数据，结合病理生理机制深入挖掘影像标志物，推动卒中分型从形态向机制导向转变。

5 缺血性脑卒中预后预测

5.1 出血转化预测

       出血转化（hemorrhagic transformation, HT）是指缺血性脑卒中后缺血区血管重新恢复血流灌注导致的出血，是缺血性脑卒中患者再通治疗中最常见且最严重的并发症，发生率可达10%~43%^[45]。目前，临床上通常根据发病时间、NIHSS评分和DWI上的梗死体积等来量化HT风险^[46]。然而，脑卒中HT的影响因素较多，单独依靠一种因素且通过人工评估的准确率不高，差异较大^[47]。

       AI的发展为早期预测HT提供了新策略。多项研究基于平扫CT或多模态MRI提取影像组学特征，结合ML算法构建预测模型，显示出较高的准确性，进一步整合房颤史、年龄、NIHSS评分及中性粒细胞与淋巴细胞比值等临床特征后，模型性能得到进一步提升^{[48, 49, 50]}。RU等^[51]基于828例接受静脉溶栓治疗的缺血性脑卒中患者，利用平扫CT联合临床数据构建弱监督DL模型，通过多示例与主动学习策略在降低标注成本的同时实现HT快速精准预测。REN等^[52]采用DenseNet50框架，构建了基于基线平扫CT的“影像-临床”集成模型，在独立测试集中预测HT的AUC达0.94，对脑实质出血等不良预后亚型的预测性能显著优于传统的临床评分系统。HEO等^[53]开发并验证了一种基于双能量计算机断层扫描（dual-energy computed tomography, DECT）的DL模型，用于预测血管内血栓切除术后72 h内HT，在训练集和测试集上的平均AUC分别为0.87和0.91。

       这些研究证明了基于AI的影像分析方法能够从CT、MRI等多种模态中提取与HT病理生理相关的特征，并结合临床信息实现早期、客观的风险分层，为更加个性化和有效的卒中管理开辟了新的途径。

5.2 恶性脑水肿预测

       恶性脑水肿（malignant cerebral edema, MCE）是急性缺血性脑卒中后危及生命的严重并发症，早期识别对是否采取去骨瓣减压等干预措施至关重要^[54]。近年来，基于AI的影像分析方法在MCE的早期预测中展现出重要价值。

       多项研究利用平扫CT的影像组学特征或DL模型进行风险分层。FOROUSHANI等^[55]构建了“全自动脑脊液体积-临床时序”长短期记忆网络框架，基于基线与24 h常规CT自动提取半球特征，预测MCE召回率达100%、精确率达87.0%，且SHAP分析发现24 h半球脑脊液比值<0.60是模型中最具预测价值的变量，为48 h内去骨瓣减压决策提供了高可信、可解释的AI辅助工具。ZENG等^[56]与WEN等^[57]分别构建了融合影像组学特征与临床变量（如NIHSS、ASPECTS等）的集成ML模型，在独立测试中预测MCE的AUC分别达到0.89与0.88，并借助SHAP分析明确了缺血区低密度体积等核心影像标志物。

       基于MRI的研究侧重于利用其多序列信息实现更早期的风险评估。JIANG等^[58]基于DWI与FLAIR序列的影像组学特征构建预测模型，在外部验证中AUC保持在0.83~0.84，显示出较好的预测潜力。CUI等^[59]提出了一种基于DL的自动化方法定量评估脑水肿，基于MRI图像对脑脊液体积进行自动分割准确度较高，平均Dice系数为0.83，并证实半球脑脊液比率可作为预测严重脑水肿的有效标志物（AUC=0.86）。

       AI能够从CT及MRI中自动提取特征并结合临床信息有效预测MCE。然而，现有模型大多依赖于单一时间点的静态影像分析，未能刻画脑水肿的动态演变过程。未来需开发融合多模态、多时间点影像的时序模型，通过连续监测影像特征的演变规律，构建能实现超早期、动态风险分层的预警系统。

5.3 长期功能结局预测

       缺血性脑卒中后的功能结局是评估治疗成效与患者远期生活质量的核心指标。传统预测多依赖于临床风险评分，其基于患者特征与临床数据的回归分析构建而成^[60]。然而，梗死的体积和位置等细节也与预后显著相关^[61]。这促使研究者将影像特征与NIHSS评分、年龄等临床数据相融合，进而基于AI算法构建预测卒中后长期功能结局的融合模型。

       BORSOS等^[62]使用动态仿射特征映射变换结合临床数据和CTP图像，通过DL模型预测缺血性脑卒中患者3个月功能结局，其模型AUC达到0.75。MOULTON等^[63]基于DWI图像构建卷积神经网络模型，用于预测3个月后的mRS评分，AUC达到0.83。YANG等^[8]则通过深度神经网络架构处理MR图像，生成一种DL影像生物标志物评分，用于预测卒中后3个月不良预后，其预测性能与现有临床风险评分相当，当将其纳入这些评分体系后，能进一步显著提升整体的预测效能。

       融合影像与临床变量的AI模型能有效预测缺血性脑卒中患者功能结局。但研究多依赖简化的二分类mRS评分，且研究对象多集中于前循环大血管闭塞，缺乏对后循环、小血管等关键亚型的验证，模型泛化性不足。未来需着力开发能预测多分类或连续功能评分的模型，并系统建立覆盖全卒中谱系的标准化多中心数据库，以验证影像生物标志物的普适性与特异性。

6 小结与展望

       综上所述，将AI与医学影像相结合为缺血性脑卒中的诊断开辟了新的途径，在病灶识别、定量分析和预后预测等方面取得了重要进展。然而，当前AI在缺血性脑卒中影像分析中仍面临若干挑战。

       第一，模型构建与验证多基于“理想化”数据，对伴有广泛脑白质病变或陈旧性梗死的复杂病例的识别效能下降，且研究对象主要集中于前循环大血管闭塞，对后循环、腔隙性梗死等重要亚型的泛化能力验证不足。第二，许多模型以临床医生的主观评分为训练标准，本质上是复现了人为主观判断及其不一致性，限制了性能上限。第三，当前模型多停留在形态学特征分析，对卒中复杂的病理生理机制（如血流动力学演变、梗死生长动力学）的深度融合与解释不足。第四，预后预测多为基于基线影像的静态评估，未能有效整合治疗后的时序影像与临床参数，无法实现动态演变模拟，与临床实时决策需求脱节。

       未来研究应针对上述局限进行系统性拓展与深化。首先，致力于构建覆盖全卒中谱系、包含复杂共病的多中心真实世界影像-临床数据库，利用联邦学习等技术提升模型泛化能力。其次，需推动模型训练从依赖主观评分转向以最终梗死体积、病理结果或长期功能结局等客观终点为优化目标，从而超越人工判读的局限性。再次，应深度融合高分辨血管成像、动态灌注及血流动力学参数及新兴分子影像等多模态信息，构建能反映血流动力学代偿、组织耐受性异质性等关键机制的可解释模型，实现从影像表象到内在病理生理的智能推理。最后，构建能够整合多时间点影像与临床数据的时序模型，模拟不同治疗策略下梗死核心的增长轨迹、脑水肿演变及HT转化风险，进而构建个体化的预测与决策支持系统。

       总之，通过聚焦上述挑战并以前瞻性临床研究为导向，AI技术有望推动建立快速、精准、个体化且可信赖的卒中智能诊疗新范式。