分享：
分享到微信朋友圈
X
English 下载PDF 17 1
• 特别关注 •
基于胸部CT体成分分析联合酰胺质子转移加权成像预测急性缺血性卒中患者功能预后的价值
马长军 张钦和 黄依萍 刘嘉慧 王秀林 李颖 丛丰裕 刘爱连 刘晶 王家正

Cite this article as: MA C J, ZHANG Q H, HUANG Y P, et al. The value of chest CT-derived body composition analysis combined with amide proton transfer-weighted imaging in predicting functional outcomes in patients with acute ischemic stroke[J]. Chin J Magn Reson Imaging, 2026, 17(9): 5-15.本文引用格式：马长军, 张钦和, 黄依萍, 等. 基于胸部CT体成分分析联合酰胺质子转移加权成像预测急性缺血性卒中患者功能预后的价值[J]. 磁共振成像, 2026, 17(9): 5-15. DOI:10.12015/issn.1674-8034.2026.09.002.


[摘要] 目的 探索基于胸部CT体成分分析联合酰胺质子转移加权（amide proton transfer-weighted, APTw）成像在评估急性缺血性脑卒中（acute ischemic stroke, AIS）患者功能预后的价值。材料与方法 前瞻性纳入108例AIS患者（年龄62.96±9.55岁），所有患者行头部APTw成像和胸部CT扫描。依据90天改良Rankin量表（modified Rankin scale, mRS）评分评估AIS患者功能结局，分为预后良好组（mRS ≤2）58例和预后不良组（mRS >2）50例。基于胸部平扫CT图像进行体质成分分析：包括心外膜脂肪组织（epicardial adipose tissue, EAT）、第12胸椎层面内脏脂肪（visceral adipose tissue at the 12th thoracic vertebra level, VAT_T12）、第12胸椎层面皮下脂肪（subcutaneous adipose tissue at the 12th thoracic vertebra level, SAT_T12）及第12胸椎层面骨骼肌（skeletal muscle at the 12th thoracic vertebra level, SM_T12）。基于APTw图像的梗死区和对侧正常白质区域定量参数[APT值的最大值（APTwmax_病灶和APTwmax_健侧）、最小值（APTwmin_病灶和APTwmin_健侧）、平均值（APTwmean_病灶和APTwmean_健侧）及APTwmax-min值]评估。通过独立样本t检验或Mann-Whitney U评估两组定量参数差异性。经单因素与多因素logistic回归分析筛选与AIS患者功能预后相关的独立预测因子，并构建列线图模型。模型的预测性能通过受试者工作特征（receiver operating characteristic, ROC）曲线进行评估，计算曲线下面积（area under the curve, AUC）值、准确度、敏感度和特异度。采用DeLong检验比较不同模型间AUC值的差异。校准曲线用于评估预测概率与实际概率之间的偏差，Hosmer-Lemeshow检验用于评估模型拟合优度。通过决策曲线分析（decision curve analysis, DCA）评估模型的临床实用性。采用沙普利加法解释（SHapley additive explanations, SHAP）列线图模型中各特征的重要性。结果 本研究最终按90天随访mRS评分分为预后良好组（58例，mRS：0~2）与不良组（50例，mRS：3~6）。除入院时mRS（t=3.782，P<0.001）及美国国立卫生研究院卒中量表（National Institutes of Health Stroke Scale, NIHSS）评分（t=2.743，P=0.006）外，两组其他临床特征无显著差异。体质分析发现预后不良组较预后良好组患者EAT体积（epicardial adipose tissue volume, EATV）和第12胸椎层面内脏脂肪面积（visceral adipose tissue area at the 12th thoracic vertebra level, VATA_T12）升高（t=4.948、3.765；P<0.001），而EAT衰减值、VAT_T12衰减值及SM_T12衰减值降低（t=-3.025，P=0.002；t=-2.434，P=0.015；t=-2.350，P=0.021）。基于APTw序列的定量参数分析显示预后不良组患者APTwmin_病灶值（t=-3.036，P=0.002）降低，而APTwmax-min_病灶侧值（t=2.365，P=0.018）升高。经多重共线性分析[方差膨胀因子（variance inflation factor, VIF）<5]筛选后，多因素logistic回归显示入院时mRS评分[OR=2.726（95% CI：1.347~5.517），P=0.005]、EATV [OR=1.019（95% CI：1.002~1.036），P=0.026]及APTwmin_病灶侧[OR=0.236（95% CI：0.084~0.662），P=0.006]为不良预后独立预测因子，据此构建列线图模型。各独立预测因子及列线图模型评估AIS患者功能预后的AUC值分别为0.704、0.777、0.670及0.873。校准曲线（Hosmer-Lemeshow检验X-squared=10.533，P=0.230）及DeLong检验（P<0.05）证实列线图模型预测概率与实际高度一致且效能优于单因素。DCA曲线显示在所有的阈值范围内列线图模型净临床获益最优，SHAP分析显示独立预测因子对列线图模型的贡献行排序依次为EATV、APTwmin_病灶及入院时mRS评分。结论 基于胸部CT体质成分分析联合APTw序列，可从脑局部损伤特征和全身储备状态两个维度综合评估AIS患者功能预后，为早期、精准识别高危不良预后患者提供更为可靠的多维度影像学依据，从而实现AIS患者风险分层，为AIS患者的健康管理提供依据。
[Abstract] Objective To explore the value of chest CT-derived body composition analysis combined with amide proton transfer-weighted (APTw) imaging in assessing the functional prognosis of patients with acute ischemic stroke (AIS).Materials and Methods This prospective study enrolled 108 AIS patients (age 62.96 ± 9.55 years). All patients underwent both head APTw imaging and chest CT scans. Functional outcomes were assessed using the 90-day modified Rankin scale (mRS) and patients were dichotomized into a favorable prognosis group (mRS ≤ 2, n = 58) and an unfavorable prognosis group (mRS > 2, n = 50). Body composition analysis based on non-contrast chest CT images included epicardial adipose tissue (EAT), visceral adipose tissue at the 12th thoracic vertebra level (VAT_T12), subcutaneous adipose tissue at the 12th thoracic vertebra level (SAT_T12), and skeletal muscle at the 12th thoracic vertebra level (SM_T12). Quantitative parameters derived from the APTw images [including the maximum values of APT (APTwmax_lesion and APTwmax_contralateral side), minimum values (APTwmin_lesion and APTwmin_contralateral side), average values (APTwmean_lesion and APTwmean_contralateral side), and the APTwmax-min value in the infarct core and contralateral normal white matter] were assessed. Differences in quantitative parameters between groups were evaluated using independent samples t-tests or the Mann-Whitney U test. Univariate and multivariate logistic regression analyses were performed to screen for independent predictors associated with AIS functional prognosis, and a nomogram model was constructed accordingly. The predictive performance of the model was assessed using the receiver operating characteristic (ROC) curve, calculating the area under the curve (AUC), accuracy, sensitivity, and specificity. Differences in AUC values between models were compared using DeLong's test. Calibration curves were used to evaluate the deviation between predicted and actual probabilities, and the Hosmer-Lemeshow test was employed to assess model goodness-of-fit (P > 0.05 indicating good fit). The clinical utility of the model was evaluated using decision curve analysis (DCA). The importance of each feature within the nomogram model was interpreted using SHapley additive explanations (SHAP).Results Based on 90-day mRS scores, patients were categorized into the favorable prognosis group (n = 58, mRS: 0-2) and the unfavorable prognosis group (n = 50, mRS: 3-6). Apart from admission mRS (t = 3.782, P < 0.001) and National Institutes of Health Stroke Scale (NIHSS) (t = 2.743, P = 0.006), other clinical characteristics showed no significant differences between groups. Body composition analysis revealed that patients in the unfavorable prognosis group had significantly higher epicardial adipose tissue volume (EATV) and visceral adipose tissue area at the 12th thoracic vertebra level (VAT_T12) (t = 4.948, 3.765, P < 0.001), but lower attenuation values for EAT, VAT_T12, and SM_T12 (t = -3.025, P = 0.002; t = -2.434, P = 0.015; t = -2.350, P = 0.021, respectively) compared to the favorable prognosis group. Analysis of APTw-derived quantitative parameters showed significantly lower APTwmin_lesion (t = -3.036, P = 0.002) and higher APTwmax-min_lesion (t = 2.365, P = 0.018) values in the unfavorable prognosis group. After screening for multicollinearity [variance inflation factor (VIF) < 5], multivariate logistic regression identified admission mRS score [OR = 2.726 (95% CI: 1.347 to 5.517), P = 0.005], EATV [OR = 1.019 (95% CI: 1.002 to 1.036), P = 0.026], and APTwmin_lesion [OR = 0.236 (95% CI: 0.084 to 0.662), P = 0.006] as independent predictors of unfavorable prognosis. A nomogram model was subsequently constructed. The AUC values for predicting AIS functional prognosis were 0.704, 0.777, 0.670, and 0.873 for the individual independent predictors and the combined nomogram model, respectively. The calibration curve (Hosmer-Lemeshow test X-squared = 10.533, P = 0.230) and DeLong's test (P < 0.05) confirmed that the nomogram model's predicted probabilities were highly consistent with the actual outcomes and that its performance was superior to that of individual predictors. The DCA curve demonstrated that the nomogram model provided the optimal net clinical benefit across all threshold probabilities. SHAP analysis revealed that the order of feature contribution to the nomogram model was EATV, followed by APTwmin_lesion, and then admission mRS score.Conclusions The combination of chest CT-derived body composition analysis and APTw imaging provides a comprehensive assessment of AIS functional prognosis from dual perspectives: local brain injury characteristics and systemic metabolic reserve status. This approach offers a more reliable multi-dimensional imaging basis for the early and precise identification of patients at high risk for unfavorable outcomes, thereby providing a basis for risk stratification and health management in AIS patients.
[关键词] 急性缺血性脑卒中；体质成分分析；定量计算机断层扫描；磁共振成像；酰胺质子转移加权成像；功能预后
[Keywords] acute ischemic stroke；body composition analysis；quantitative computed tomography；magnetic resonance imaging；amide proton transfer-weighted imaging；functional outcome

马长军 1, 2, 3   张钦和 2, 3, 4, 5   黄依萍 2, 3   刘嘉慧 2, 3   王秀林 2, 3   李颖 2, 3   丛丰裕 1   刘爱连 4, 5   刘晶 2, 3*   王家正 6  

1 大连理工大学医学部，大连　116024

2 大连医科大学附属第一医院干细胞临床研究中心，大连　116011

3 大连干细胞与精准医学创新研究院，大连　116023

4 大连医科大学附属第一医院放射科，大连　116011

5 大连市医学影像人工智能工程技术研究中心，大连　116011

6 飞利浦（中国）投资有限公司北京分公司，北京　100016

通信作者：刘晶，E-mail：liujing@dmu.edu.cn

作者贡献声明：：刘晶和刘爱连设计本研究的方案，对稿件重要内容进行了修改；李颖和丛丰裕参与研究的构思和设计，并对论文重要内容进行了修改；马长军和张钦和起草和撰写稿件，获取、分析及解释本研究的数据；黄依萍、刘嘉慧、王秀林、王家正获取、分析或解释本研究的数据，对稿件重要内容进行了修改；张钦和获得辽宁省科技计划联合计划项目资助，王秀林获得大连市科技人才创新支持项目资助；全体作者都同意发表最后的修改稿，同意对本研究的所有方面负责，确保本研究的准确性和诚信。


基金项目： 辽宁省科技计划联合计划项目 2025-MSLH-199 大连市科技人才创新支持项目 2023RY034
收稿日期：2026-01-02
接受日期：2026-04-16
中图分类号：R814.42  R445.2  R743.3 
文献标识码：A
DOI: 10.12015/issn.1674-8034.2026.09.002
本文引用格式：马长军, 张钦和, 黄依萍, 等. 基于胸部CT体成分分析联合酰胺质子转移加权成像预测急性缺血性卒中患者功能预后的价值[J]. 磁共振成像, 2026, 17(9): 5-15. DOI:10.12015/issn.1674-8034.2026.09.002.

0 引言

       急性缺血性卒中（acute ischemic stroke, AIS）包括一系列具有不同病因和复杂病理生理机制的异质性疾病[1]。由于病情的复杂性，准确评估AIS患者的临床症状严重程度和预后监测至关重要。尽管美国国立卫生研究院卒中量表（National Institutes of Health Stroke Scale, NIHSS）和改良的Rankin量表（modified Rankin scale, mRS）是评估卒中后功能结果的普遍工具，但它们也存在特定的局限性和潜在挑战。首先，量表在很大程度上取决于患者表达其功能状态的能力，在认知障碍、失语症或沟通困难的情况下构成挑战，其次，评分需要主观评估，量表中每个级别的解释可能会根据个人判断而波动[2]。随着分子影像技术的发展，无创定量观察脑组织细胞内pH值的变化已成为可能，酰胺质子转移加权（amide proton transfer-weighted, APTw）成像作为一种新型的分子影像技术，可用于检测组织中移动的酰胺质子浓度或pH值[3, 4]，其在疾病的代谢评估中得到了广泛的应用[5, 6, 7]。研究表明APTw信号异常与缺血半暗带的演进、神经细胞损伤程度存在关联，提示其可能成为一种评估脑组织活力、预测预后的潜在影像学生物标志物[4]。

       卒中预后并非仅由原发性脑损伤决定。越来越多的证据表明，机体系统性因素，尤其是患者的营养与代谢储备状态，影响着神经修复潜能和功能恢复轨迹。既往研究[8]表明身体质量指数（body mass index, BMI）、腰围（waist circumference, WC）和腰臀围（waist-to-hip ratio, WHR）评估的体质成分是AIS预后的重要预测指标，但是这些指标评估的体质成分准确性有限，不能真正区分脂肪和肌肉组织。基于常规计算机断层扫描（computed tomography, CT）体质成分分析可以精准量化体质成分[9]，能够通过一次常规入院检查，精准、客观地量化骨骼肌指数、内脏脂肪面积等指标。然而，受限于胸部CT扫描范围，无法得到第三腰椎层面的体质分析结果。最近，几项研究已经确定在第12胸椎或第1腰椎水平计算的体质成分被接受并认可为胸部CT图像上体质成分分析的替代水平[10]。此外，基于胸部CT的体质成分分析还可获得位于心肌和心包脏层之间，紧密贴近心肌和冠状动脉的心外膜脂肪组织（epicardial adipose tissue, EAT）[11]。研究证明，由EAT引发的慢性全身炎症反应可能与AIS的发生及预后有关[12, 13]。

       APTw序列可从脑局部损伤特征维度，基于胸部CT的体质成分分析可从全身储备状态维度，分别展现出对AIS患者功能预后的预测潜力。然而，目前尚缺乏将二者有机结合、构建多维度预测模型的研究。局部脑损伤的严重程度与全身生理储备能力之间可能存在复杂的交互作用，共同决定着最终的功能结局。本研究联合胸部CT体成分分析与APTw序列，从“局部脑损伤”与“全身储备状态”两个维度构建多维度预测模型。

1 材料与方法

1.1 研究对象

       本研究获得大连医科大学附属第一医院伦理委员会的批准，受试者签署了知情同意书，伦理批准号为YJ-KS-KY-2024-110和PJ-KS-KY-2025-21。前瞻性收集2024年4月至2025年6月大连医科大学附属第一医院临床拟诊AIS患者的临床和影像资料。入组标准：（1）年龄大于18岁；（2）符合《中国急性缺血性脑卒中诊治指南2018》诊断标准[14]；（3）住院期间行胸部常规CT和头MRI检查；（4）首次发病或既往脑梗死患者未留有肢体瘫痪。排除标准：（1）合并神经系统其他疾病或颅脑手术史；（2）因严重运动伪影或扫描中断导致图像质量差；（3）梗死灶最大径<5 mm；（4）扫描序列无APTw序列或APTw扫描未覆盖梗死灶。

       收集的基线临床资料包括：年龄、性别、高血压病史、冠心病史、心房颤动史、卒中史、短暂性脑缺血发作史、饮酒史、吸烟史、糖尿病史、收缩压与舒张压、入院时的NIHSS评分、入院时mRS评分、基线卒中风险（baseline Essen Stroke Risk Score, ESSEN）评分。实验室指标包括：血糖、胆固醇、甘油三酯、低密度脂蛋白、高密度脂蛋白、同型半胱氨酸、糖化血红蛋白、血尿素氮、肌酐、尿素氮/肌酐比值、B型利钠肽、尿比重、白细胞计数、中性粒细胞计数、淋巴细胞计数、单核细胞计数、血小板计数、中性粒淋巴细胞比（neutrophil lymphocyte ratio, NLR）、淋巴细胞单核细胞比（lymphocyte monocyte ratio, LMR）、血小板淋巴细胞比（platelet lymphocyte ratio, PLR）。计算系统免疫炎症指数（system immune-inflammation index, SII），SII=血小板计数（109/L）×中性粒细胞计数（109/L）/淋巴细胞计数（109/L）。

       依据急性卒中治疗低分子肝素试验（Trial of ORG 10172 in Acute Stroke Treatment, TOAST）[15]分型标准，本研究将AIS患者分为以下5种亚型：大动脉粥样硬化型、小动脉闭塞型、心源性栓塞型、其他明确病因型、不明原因型。

1.2 MRI数据采集

       MRI数据采集使用飞利浦3.0 T磁共振系统（Philips Ingenia CX，荷兰），配备32通道头线圈。常规扫描序列包括三维T1加权成像（three-dimensional T1-weighted imaging, 3D-T1WI）、三维T2加权成像（three-dimensional T2-weighted imaging, 3D-T2WI）、三维T2液体衰减反转恢复序列（three-dimensional T2-fluid-attenuated inversion recovery, 3D-T2 FLAIR）、扩散加权成像（diffusion weighted imaging, DWI）（采用两个b值：0与1000 s/mm2）以及APTw序列。扫描参数详见表1。

       APTw序列使用化学位移频率选择方法进行脂肪抑制，采集7个饱和频率点（±2.7、±3.5、±4.3和+1540 ppm）的数据并通过信号拟合和B0场校正来计算APT图像。在功率为2.0 μT的连续射频辐射下，对酰胺质子的饱和时间持续2 s。B0场图是通过在+3.5 ppm饱和频点处3次不同回波时间的数据采集计算得到。APT值是通过计算传统磁化传递效在水信号两侧3.5 ppm处的不对称性来求得的：APT（%）=MTRasym（3.5 ppm）×100%=[Ssat（-3.5 ppm）/S0-Ssat（+3.5 ppm）/S0）]×100%，其中S0是饱和频率为1540 ppm时的水信号强度，Ssat为经B0校正之后饱和频率为+3.5/-3.5 ppm的水信号强度。

表1  MRI序列扫描参数
Tab. 1  MRI sequence scanning parameters

1.3 CT数据采集及图像分割

       所有入组患者均在住院期间进行了胸部平扫CT，扫描参数如表2所示。

1.3.1 EAT分割

       EAT为心肌与脏层心包膜之间的脂肪组织，并在胸部平扫CT扫描图像上通过验证且可免费获取（https://github.com/AIM-Harvard/DeepHeartSeg）的深度学习模型（3D U-Net模型）进行分割，得到EAT体积（EATV，单位：cm3）和EAT衰减值（单位：HU），其中EAT衰减值为个体所有已分割EAT体素的平均衰减值。具体分析流程包括：心脏定位[数据预处理（强度与空间归一化处理）；数据下采样；对下采样数据进行心脏定位深度学习模型分析；将推断的分割结果上采样到预处理数据的大小和间距]、心脏分割（计算心形边界框；数据裁剪；对裁剪数据进行心脏分割深度学习模型分析；将推断的分割结果上采样到预处理数据的大小和间距）和通过阈值法（-190至-30 HU）自动分割EAT。此外，由一名具有5年影像诊断经验的影像科住院医师在对患者临床和影像信息不知情的情况下对所有分割结果进行逐层审阅。对于模型输出不理想的病例（如误将心包积液纳入或邻近组织误判），使用ITK-SNAP软件进行手动修正。为评估分割的可靠性，随机选取了20例受试者，由该医师间隔一个月后再次进行EAT分割。采用组内相关系数（intra-class correlation coefficient, ICC）评估深度学习模型分割结果与手动修正后结果的一致性。

1.3.2 皮下脂肪、内脏脂肪与骨骼肌分割

       基于胸部平扫CT图像采用开源自动分割工具TotalSegmentator（https://github.com/wasserth/TotalSegmentator）进行分割处理。首先，利用该模型对图像进行强度标准化与空间标准化（1 mm×1 mm×1 mm）处理。随后，调用TotalSegmentator的“tissue_types”任务模块，自动分割CT图像中的皮下脂肪组织（subcutaneous adipose tissue, SAT）、内脏脂肪组织（visceral adipose tissue, VAT）及骨骼肌（skeletal muscle, SM）。同时，通过“total_vertebrae”任务模块分割椎体结构并自动定位第12胸椎，提取该椎体近中位层面的SAT、VAT及SM分割图像。由具有5年影像诊断经验的影像科医师对所有分割结果进行审阅。本研究使用Python 3.9编程语言结合定制化计算脚本处理CT图像，自动计算第12胸椎对应层面的皮下脂肪面积（subcutaneous adipose tissue area at the 12th thoracic vertebra level, SATA_T12）、内脏脂肪面积（visceral adipose tissue area at the 12th thoracic vertebra level, VATA_T12）与骨骼肌面积（skeletal muscle at the 12th thoracic vertebra level, SMA_T12），以及第12胸椎对应层面的皮下脂肪（subcutaneous adipose tissue at the 12th thoracic vertebra level, SAT_T12）、内脏脂肪（visceral adipose tissue at the 12th thoracic vertebra level, VAT_T12）及骨骼肌（skeletal muscle at the 12th thoracic vertebra level, SM_T12）CT值。通过遍历图像中每个像素，统计属于特定标签的像素数量后乘以像素实际尺寸计算面积；平均CT值则通过提取对应特定标签像素的CT值并计算其平均值获得。

表2  胸部CT平扫参数
Tab. 2  CT Scanning parameters

1.4 图像处理与分析

       在Intellispace Portal工作站上（ISP，v7.0版本，Philips Healthcare），将APTw图像与DWI图像融合，在融合后图像上半自动勾画感兴趣区（region of interest, ROI）。为描绘病灶的整体特征，在DWI图像上高信号的缺血脑区（病灶）内勾画一个ROI，旨在覆盖主要病灶，同时避开大血管、邻近骨骼或脑脊液；并对称地在对侧外观正常的脑区选择另一个体素数量相近的ROI。由两位分别具有6年和9年神经影像诊断经验的住院医师在不知晓患者预后的情况下独立观察所有图像并勾画相应的ROI，若有分歧则通过与另一位高年资医师协商达成共识。计算病灶和健侧ROI内APT值的最大值（APTwmax_病灶和APTwmax_健侧）、最小值（APTwmin_病灶和APTwmin_健侧）和平均值（APTwmean_病灶和APTwmean_健侧），并记录ROI面积。计算病灶与健侧ROI之间APTw值的变化，计算得到相对APTw值，包括rAPTwmax、rAPTwmin及rAPTwmean值。为了观察不同预后分组患者梗死灶内异质性，同时计算得到APTwmax-min_病灶值。

1.5 统计分析

       统计分析采用R语言（http://www.R-project.org）完成。定量数据的正态性通过Kolmogorov-Smirnov检验进行评估。符合正态分布的连续变量以均值±标准差表示，并采用独立样本t检验进行分析。非正态分布变量使用Mann-Whitney U检验进行评估，结果以中位数（四分位间距）呈现，以准确描述数据分布。分类变量以频数和百分比表示，采用卡方检验或Fisher精确检验进行比较。实验室检查指标中缺失值通过均值匹配、最小绝对收缩和选择算子（least absolute shrinkage and selection operator, LASSO）范数插值和Cart决策树插值方法进行推测，最终选择插值效果最佳（最小标准差）的数据集进行后续分析。两位医师定量数据测量的组间一致性分析通过ICC进行评估。为全面评估所收集变量对预后的影响，基于共线性分析，将方差膨胀因子（variance inflation factor, VIF）值小于5的变量纳入单因素及多因素logistic回归分析，旨在识别对患者预后有显著贡献的独立预后因素，用于构建列线图模型。模型的预测性能通过受试者工作特征（receiver operating characteristic, ROC）曲线进行评估，计算曲线下面积（area under the curve, AUC）值、准确度、敏感度和特异度。采用DeLong检验比较不同模型间AUC值的差异，统计学显著性定义为P<0.05。校准曲线用于评估预测概率与实际概率之间的偏差，Hosmer-Lemeshow检验用于评估模型拟合优度，P>0.05表示模型拟合良好。通过决策曲线分析（decision curve analysis, DCA）评估模型的临床实用性。采用沙普利加法解释（SHapley additive explanations, SHAP）列线图模型中各特征的重要性。

2 结果

2.1 患者特征

       本研究最终纳入108名患者，年龄（62.96±9.55）岁。基于90天mRS评分随访结果，患者被分为预后良好组（mRS评分0~2分，58名患者）和预后不良组（mRS评分3~6分，50名患者）。两组间一般临床特征的比较分析显示，仅在入院时mRS评分和入院时NIHSS评分上差异具有统计学意义（P<0.05），其他临床特征差异无统计学意义（P>0.05），详见表3。

表3  入组患者一般临床信息比较
Tab. 3  Comparison of general clinical information of enrolled patients

2.2 两组间体质成分分析结果及比较

       基于深度学习模型分割EAT结果与人工手动分割结果具有很高一致性，ICC=0.998（95% CI：0.995~0.999）。组间比较显示，与预后良好组相比，预后不良组患者具有高的EATV [126.65（101.78, 171.99）cm3]和VATA_T12 [（153.71±62.08）cm2]，以及更低的EAT衰减值[-71.18（-75.39, -67.46）HU]、VAT_T12衰减值[-93.15（-97.84, -87.63）HU）]和SM_T12衰减值[（25.96±8.87）HU]，详见表4和图1。

图1  胸部平扫CT图像分割结果示意图及定量参数比较小提琴图。1A~1B：分别为EAT（1A；黄色区域）、SAT_T12（1B；蓝色区域）、VAT_T12（1B；红色区域）及SM_T12（1B；黄色区域）分割结果示意图。1C~1J：分别为预后良好组与预后不良组间各定量参数比较小提琴图。EAT：心外膜脂肪组织；SAT_T12：第12胸椎层面皮下脂肪；VAT_T12：第12胸椎层面内脏脂肪；SM_T12：第12胸椎层面骨骼肌；EATV：EAT体积；SATA_T12：SAT_T12面积；VATA_T12：VAT_T12面积；SMA_T12：SM_T12面积。
Fig. 1  Schematic diagram of chest plain CT image segmentation results and violin plots for comparison of quantitative parameters. 1A-1B: Schematic diagrams of segmentation results for EAT (1A; yellow area), SAT_T12 (1B; blue area), VAT_T12 (1B; red area), and SM_T12 (1B; yellow area), respectively. 1C-1J: Violin plots for comparison of each quantitative parameter between the good prognosis group and the poor prognosis group, respectively. EAT: epicardial adipose tissue; SAT_T12: subcutaneous adipose tissue at the 12th thoracic vertebra level; VAT_T12: visceral adipose tissue at the 12th thoracic vertebra level; SM_T12: skeletal muscle at the 12th thoracic vertebra level; EATV: EAT volume; SATA_T12: SAT_T12 area; VATA_T12: VAT_T12 area; SMA_T12: SM_T12 area.
表4  体质成分分析和APTw定量参数组间差异性比较
Tab. 4  Comparison of between-group variability in quantitative parameters of body composition analysis and APTw

2.3 两组间APTw定量参数差异性比较

       两位医师测量值一致性良好（ICC值范围0.829~0.976）。与预后良好组相比，预后不良组患者的APTwmin_病灶值降低，而APTwmax-min_病灶值升高。然而，两组在APTwmax_病侧值和APTwmean_病灶值上差异未见统计学意义（P>0.05）。此外，对侧正常表现脑区的APTwmin_健侧值、APTwmean_健侧值、APTwmax_健侧值，以及rAPTwmin、rAPTwmean、rAPTwmax在组间差异均无统计学意义（P>0.05）。详见表4和图2。

图2  两组患者的APTw序列及常规MR图像（T1WI、T2_FLAIR、T2WI）。2A：男，70岁，左侧侧脑室旁AIS患者，90天功能预后不良，APTwmin_病灶值为-0.60%，APTwmean_病灶为0.10%，APTwmax_病灶为0.70%；APTwmin_健侧为0.40%，APTwmean_健侧为1.30%，APTwmax_健侧为2.50%。2B：女，60岁，右侧中大脑动脉供血区发生前循环梗死的患者，90天功能预后良好，APTwmin_病灶为0.60%，APTwmean_病灶为1.00%，APTwmax_病灶为1.30%；APTwmin_健侧为0.40%，APTwmean_健侧为0.80%，APTwmax_健侧为1.10%。APTw：酰胺质子转移加权；FLAIR：液体衰减反转恢复；AIS：急性缺血性脑卒中。
Fig. 2  Amide proton transfer-weighted (APTw) and conventional MR images (T1WI, T2_FLAIR, T2WI) for different groups. 2A: A 70-year-old male patient with left periventricular acute ischemic stroke and unfavorable 90-day functional outcome, APTwmin_lesion = -0.60%, APTwmean_lesion = 0.10%, APTwmax_lesion = 0.70%, APTwmin_contralateral side = 0.40%, APTwmean_contralateral side = 1.30%, APTwmax_contralateral side = 2.50%. 2B: A 60-year-old female patient with anterior circulation infarction in the right middle cerebral artery territory and favorable functional outcome at 90 days. APTwmin_lesion = 0.60%, APTwmean_lesion = 1.00%, APTwmax_lesion = 1.30%, APTwmin_contralateral side = 0.40%, APTwmean_contralateral side = 0.80%, APTwmax_contralateral side = 1.10%. APTw: amide proton transfer-weighted; FLAIR: fluid-attenuated inversion recovery; AIS: acute ischemic stroke.

2.4 预后的多因素logistic回归模型

       为识别与不良预后相关的潜在风险因素，并尽可能多地纳入与AIS患者功能预后密切相关的因素，本研究单因素logistic回归分析时纳入了组间比较P值小于0.1的一般临床资料、体成分参数及APTw定量参数。多重共线性诊断显示方VIF值均小于5，排除共线性干扰。多因素logistic回归分析表明，入院时mRS评分、EATV及APTwmin_病灶值是AIS患者不良预后的独立预测因子（表5）。基于这些因素，构建了列线图模型（图3A）。

       ROC曲线（图3B）显示列线图模型的AUC值均高于单一预测因子（DeLong检验，P<0.05；表6）。校准曲线（图3C）显示列线图模型的预测概率与实际结果高度一致，表明模型拟合良好（HL检验，X-squared=10.533，P=0.230）。DCA曲线分析显示，与任何单因素模型相比，列线图模型在所有的阈值范围能提供最高的净临床收益（图3D）。SHAP分析进一步量化了各独立预测因子对列线图模型判别能力的贡献，其中EATV被识别为最具影响力的变量（图4）。

图3  独立预测因子与列线图模型的评估。3A：基于独立预测因子的列线图模型；3B：ROC曲线显示列线图模型的AUC值均高于单一预测因子（DeLong检验，P均<0.05）；3C：校准曲线显示列线图模型预测概率与实际结果高度吻合（HL检验，X-squared=10.533，P=0.230），证实模型拟合良好；3D：决策曲线分析表明列线图模型相较于任何单因素模型在所有阈值范围内提供最高净临床效益。ROC：受试者工作特征；AUC：曲线下面积；mRS：改良Rankin量表；EATV：心外膜脂肪组织体积；APTw：酰胺质子转移加权。
Fig. 3  Evaluation of quantitative parameters and nomogram model. 3A: Nomogram model based on independent predictors; 3B: ROC curve show the AUC values for nomogram model were all higher than those for the single predictor (DeLong test, all P<0.05); 3C: The calibration curve indicated strong agreement between nomogram model’s predicted probabilities and actual outcomes (HL test, X-squared = 10.533，P = 0.230), confirming good model fit; 3D: DCA curve revealed that Nomogram model provided the highest net clinical benefit compared to any single-factor model. ROC: receiver operating characteristic; AUC: area under the curve; mRS: modified Rankin scale; APTw: amide proton transfer-weighted; EATV: epicardial adipose tissue volume.
图4  SHAP分析。4A：列线图模型的SHAP蜂群图。每个点代表一个样本，颜色对应特征值，SHAP值（x轴）反映特征对功能结局预测的贡献程度。4B~4D：SHAP依赖图。每个点代表一个样本，x轴显示实际特征值，y轴显示其SHAP值，表明对功能预后预测的影响方向与强度。
Fig. 4  SHAP analysis. 4A: SHAP bee swarm plot for nomogram model. Each point represents a sample, colored by the feature value, the SHAP value (x-axis) reflects how much the feature contributes to predicting functional outcomes. 4B-4D: SHAP dependence plots. Each point represents a sample, the x-axis shows the actual feature value, and the y-axis shows its SHAP value, indicating the direction and strength of influence on the functional outcome’s prediction.
表5  单因素和多因素logistic回归分析筛选AIS患者功能预后独立预测因子
Tab. 5  Screening independent predictors of functional outcomes in patients with AIS by univariate and multivariate logistic regression analyses
表6  独立预测因子与列线图模型的诊断效能比较
Tab. 6  Comparison of diagnostic efficacy of independent predictors and combined model

3 讨论

       本研究首次基于胸部平扫CT体质成分分析联合APTw序列，从AIS患者脑局部损伤代谢特征和全身储备状态两个维度综合评估AIS患者卒中90天功能预后。结果显示，预后不良组患者比预后良好组患者EATV和VATA_T12高，而脂肪组织衰减值普遍降低。APTw定量分析发现预后不良组病灶APTwmin_病灶值降低，而APTwmax-min_病灶侧值升高。多因素logistic回归分析显示入院时mRS评分、EATV及APTwmin_病灶值为预测AIS患者90天功能预后的独立预测因子，据此构建的列线图模型预测效能较单一参数显著提升，SHAP分析显示对列线图模型的贡献度依次为EATV、APTwmin_病灶侧及入院时mRS评分。本研究可为早期、精准识别高危不良预后患者提供更为可靠的多维度影像学依据。

3.1 基于胸部平扫CT的体质成分分析在评估AIS患者功能预后的价值

       基于常规CT图像的体质成分自动量化技术可以精准量化SAT、VAT、SM及EAT，在心血管疾病[16, 17]、肿瘤[18, 19, 20]及骨科疾病[21]等中具有重要的诊断和预后价值。本研究发现AIS预后不良组患者的VATA_T12增加，原因是增加的VAT会通过释放炎性细胞因子以及加剧氧化应激来促进巨噬细胞浸润并引发慢性轻度全身性炎症[22]，同时也会激活交感神经系统中的β-肾上腺素能受体会加剧炎症反应，从而加重缺血性脑损伤[23]。此外，我们发现预后不良组患者的SMA_T12有减少的趋势且SM_T12衰减值在两组间的差异具有统计学意义，可能是由于SM丢失导致的肌肉因子分泌受损，诱发胰岛素抵抗，进而加重脑卒中[24]；也有研究发现肌肉减少症与AIS患者的康复潜力降低有关，肌肉减少症预示着日常生活能力的活动较低，这可能会阻碍AIS患者技能恢复[25]。STYCZEN等[26]基于颈部CTA图像体质成分分析评估了接受血管内机械取栓AIS患者的功能预后，发现肌肉减少标志物可作为AIS患者不良预后的预测因子，然而无法从颈部CTA图像获得VAT的分布情况，而VAT的改变对于AIS患者预后评估来说至关重要；但也有研究[27, 28]发现头颈CT评估的体质成分准确性有待商榷。基于胸部平扫CT还可以获得EAT，这为进一步探索脂肪分布增加新的生物标志物。本研究发现预后不良组患者的EATV增大，可能是因为EAT与心肌细胞和冠状动脉邻近，炎性因子可以通过旁分泌和血管分泌释放到邻近组织和血流中，从而促进冠状动脉疾病、心力衰竭、房颤、动脉粥样硬化和AIS的发展[29]。此外，EAT具有独特的转录组，富含与细胞外基质重塑、炎症、免疫信号传导、血栓形成和凋亡途径有关的基因[30]。本研究中，发现预后不良组AIS患者EATV增大，这与先前的研究一致[12]。这是因为EAT分泌促炎因子和促纤维化因子可能导致心脏结构重塑和功能障碍，从而可能触发房颤[31, 32]，使AIS患者的预后较差。此前有研究表明，对比没有房颤的人，患有房颤的个体患AIS的风险增加3至5倍[33]。EATV是AIS患者预后不良的独立危险因素且SHAP分析中对列线图模型的贡献值最大，这也进一步验证了EAT对于AIS患者预后的影响较大。

3.2 APTw序列定量参数在评估AIS患者功能预后的价值

       本研究中，预后不良组患者病灶APTwmin值显著降低。在正常脑组织中，细胞内pH值通过主动和被动调节机制维持在7.2左右[34]，而在急性脑缺血期间，局部血流减少，破坏正常能量代谢，一方面离子泵失灵，细胞内离子稳态破坏，另一方面厌氧糖酵解取代氧化磷酸化成为脑组织的主要能量来源，乳酸堆积并导致细胞内酸中毒，加之CO2排出受阻等因素，上述过程共同导致脑组织细胞内pH值降低[35]，进而降低酰胺质子交换效率，最终使得ATPw值降低。动物研究[36]也证明了APTw技术可成为反映缺血梗死区组织酸中毒的成像技术，并且与缺血期间乳酸浓度及再灌注相关。临床症状较严重的患者表现出脑血管受累加剧和局部组织酸中毒加剧，导致APTwmin_病灶值降低和预后较差。此外，有研究发现APTwmax-min值可以反映缺血区域pH值的不均匀性，值越大提示组织内pH差异较大，可反映脑组织异质性[37]。本研究中预后不良组患者较预后良好组的APTwmax-min值更大且差异具有统计学意义，说明预后不良组患者梗死区域内的异质性更明显，即同时存在严重酸中毒的不可逆损伤区域与相对较轻度酸中毒的应激存活区域，二者在微观尺度上交错分布。

3.3 列线图模型在评估AIS患者功能预后的价值

       本研究进一步整合基于胸部平扫CT体质成分分析与APTw序列定量参数分析构建列线图模型综合评估AIS患者功能预后，发现列线图模型预测效能较单一预测因子效能得到明显提升，说明列线图能够考虑不同的因素和相互作用，超越了传统的评分系统，提供了精确的风险评估和决策支持[38]。SHAP分析结果也显示EATV和APTwmin_病灶值对列线图模型的贡献值最大，这进一步说明将表征局部微观损伤和全身代谢状态的客观指标纳入列线图模型，能够实现更早、更精准的风险分层。此外，多种临床和影像评分已被用于AIS患者的功能结局预测，如THRIVE评分（基于年龄、NIHSS、高血压、糖尿病、房颤）和DRAGON评分（结合年龄、NIHSS、血糖、早期CT/MRI征象等），这些评分主要依赖临床变量和常规影像，具有简便、快捷的优势，且已在前瞻性队列中得到验证[39, 40]。然而，它们未能直接反映脑组织缺血后的代谢紊乱（如酸中毒），以及全身代谢储备对神经修复的影响。本研究构建的模型创新性地整合了APTw成像（反映脑组织pH）和体成分指标（骨骼肌/脂肪分布），从“脑局部代谢”和“全身能量状态”两个维度补充了传统评分的盲区。初步结果显示，加入这些指标后模型的预测效能优于单独使用临床变量。

3.4 本研究局限性

       本研究也存在一些局限性：（1）为单中心前瞻性数据，可能引入选择偏倚，需多中心前瞻性队列验证；（2）本研究入组患者大多为药物治疗的患者，在未来的研究中需通过亚组分析，探索本研究模型在其他治疗方式患者功能预后预测中价值；（3）缺少对AIS患者由急性期到慢性期的全过程动态研究，在以后的研究中需要增加梗死组的样本量和动态随访来进一步提高研究价值；（4）本研究将不同TOSAT分型的AIS混合在一起进行体质成分分析，后续的研究有待进一步亚组分析，来增大模型的泛化与精准预测能力。

4 结论

       基于胸部CT体质成分分析联合APTw序列，可从脑局部损伤特征和全身储备状态两个维度综合评估AIS患者功能预后，为早期、精准识别高危不良预后患者提供更为可靠的多维度影像学依据，从而实现AIS患者风险分层和健康管理。

[1]
BALAMI J S, HADLEY G, SUTHERLAND B A, et al. The exact science of stroke thrombolysis and the quiet art of patient selection[J]. Brain, 2013, 136(Pt 12): 3528-3553. DOI: 10.1093/brain/awt201.
[2]
WILSON J T L, HAREENDRAN A, GRANT M, et al. Improving the assessment of outcomes in stroke: use of a structured interview to assign grades on the modified rankin scale[J]. Stroke, 2002, 33(9): 2243-2246. DOI: 10.1161/01.str.0000027437.22450.bd.
[3]
SUN P Z, WANG E F, CHEUNG J S. Imaging acute ischemic tissue acidosis with pH-sensitive endogenous amide proton transfer (APT) MRI: correction of tissue relaxation and concomitant RF irradiation effects toward mapping quantitative cerebral tissue pH[J]. Neuroimage, 2012, 60(1): 1-6. DOI: 10.1016/j.neuroimage.2011.11.091.
[4]
SONG G D, CHEN Y H, LUO X J, et al. Amide proton transfer-weighted MRI features of acute ischemic stroke subtypes[J/OL]. NMR Biomed, 2023, 36(10): e4983 [2026-01-01]. https://pubmed.ncbi.nlm.nih.gov/37259224/. DOI: 10.1002/nbm.4983.
[5]
张倩瑜, 刘架伸, 田士峰, 等. 酰胺质子转移成像与动态对比增强MRI评估宫颈癌神经侵犯的价值[J]. 磁共振成像, 2024, 15(8): 39-45. DOI: 10.12015/issn.1674-8034.2024.08.006.
ZHANG Q Y, LIU J S, TIAN S F, et al. The value of amide proton transfer weighted combined with dynamic contrast-enhanced MRI in evaluating cervical cancer nerve invasion[J]. Chin J Magn Reson Imaging, 2024, 15(8): 39-45. DOI: 10.12015/issn.1674-8034.2024.08.006.
[6]
董宛, 陈安良, 刘爱连, 等. 初探酰胺质子转移加权和T2 mapping对直肠癌化疗和未化疗的定量对比研究[J]. 磁共振成像, 2021, 12(7): 24-28. DOI: 10.12015/issn.1674-8034.2021.07.005.
DONG W, CHEN A L, LIU A L, et al. Comparation of amide proton transfer-weighted and T2 mapping in quantifying rectal cancer with and without chemotherapy: a preliminary study[J]. Chin J Magn Reson Imaging, 2021, 12(7): 24-28. DOI: 10.12015/issn.1674-8034.2021.07.005.
[7]
马长军, 刘爱连, 田士峰, 等. 酰胺质子转移加权成像联合T2 mapping序列对子宫内膜癌术前风险评估的价值初探[J]. 磁共振成像, 2021, 12(9): 69-72. DOI: 10.12015/issn.1674-8034.2021.09.016.
MA C J, LIU A L, TIAN S F, et al. Preliminary study of APT combined with T2 mapping sequence in preoperative risk assessment of endometrial carcinoma[J]. Chin J Magn Reson Imaging, 2021, 12(9): 69-72. DOI: 10.12015/issn.1674-8034.2021.09.016.
[8]
FAN J H, LI X G, YU X Y, et al. Global burden, risk factor analysis, and prediction study of ischemic stroke, 1990-2030[J/OL]. Neurology, 2023, 101(2): e137-e150 [2026-01-01]. https://pubmed.ncbi.nlm.nih.gov/37197995/. DOI: 10.1212/WNL.0000000000207387.
[9]
PRADO C M, LIEFFERS J R, MCCARGAR L J, et al. Prevalence and clinical implications of sarcopenic obesity in patients with solid tumours of the respiratory and gastrointestinal tracts: a population-based study[J]. Lancet Oncol, 2008, 9(7): 629-635. DOI: 10.1016/S1470-2045(08)70153-0.
[10]
PICKHARDT P J. Value-added opportunistic CT screening: state of the art[J]. Radiology, 2022, 303(2): 241-254. DOI: 10.1148/radiol.211561.
[11]
FITZGIBBONS T P, CZECH M P. Epicardial and perivascular adipose tissues and their influence on cardiovascular disease: basic mechanisms and clinical associations[J/OL]. J Am Heart Assoc, 2014, 3(2): e000582 [2026-01-01]. https://pubmed.ncbi.nlm.nih.gov/24595191/. DOI: 10.1161/jaha.113.000582.
[12]
LIU L, JIA C Y, XING C F, et al. Predictive value of epicardial adipose tissue for hemorrhagic transformation and functional outcomes in acute ischemic stroke patients undergoing intravenous thrombolysis therapy[J]. J Inflamm Res, 2024, 17: 11915-11929. DOI: 10.2147/JIR.S499351.
[13]
CHO K I, KIM B J, CHO S H, et al. Epicardial fat thickness and free fatty acid level are predictors of acute ischemic stroke with atrial fibrillation[J]. J Cardiovasc Imaging, 2018, 26(2): 65-74. DOI: 10.4250/jcvi.2018.26.e1.
[14]
中华医学会神经病学分会, 中华医学会神经病学分会脑血管病学组. 中国急性缺血性脑卒中诊治指南2018[J]. 中华神经科杂志, 2018, 51(9): 666-682. DOI: 10.3760/cma.j.issn.1006-7876.2018.09.004.
Chinese Medical Association Society of Neurology, Cerebrovascular Disease Group of Chinese Medical Association Society of Neurology. Chinese guidelines for diagnosis and treatment of acute ischemic stroke 2018[J]. Chin J Neurol, 2018, 51(9): 666-682. DOI: 10.3760/cma.j.issn.1006-7876.2018.09.004.
[15]
ADAMS H P, BENDIXEN B H, KAPPELLE L J, et al. Classification of subtype of acute ischemic stroke. Definitions for use in a multicenter clinical trial. TOAST. Trial of Org 10172 in Acute Stroke Treatment[J]. Stroke, 1993, 24(1): 35-41. DOI: 10.1161/01.str.24.1.35.
[16]
ZHOU H Y, PAN Y X, DU J, et al. Association of epicardial fat volume with the severity of coronary artery disease: a preliminary study on risk prediction of obstructive coronary heart disease[J/OL]. BMC Cardiovasc Disord, 2025, 25(1): 293 [2026-01-01]. https://pubmed.ncbi.nlm.nih.gov/40247180/. DOI: 10.1186/s12872-025-04743-3.
[17]
WANG M, WEI T L, SUN L, et al. Incremental predictive value of liver fat fraction based on spectral detector CT for major adverse cardiovascular events in T2DM patients with suspected coronary artery disease[J/OL]. Cardiovasc Diabetol, 2025, 24(1): 151 [2026-01-01]. https://pubmed.ncbi.nlm.nih.gov/40176017/. DOI: 10.1186/s12933-025-02704-w.
[18]
HUANG Y L, CUN H X, MOU Z L, et al. Multiparameter body composition analysis on chest CT predicts clinical outcomes in resectable non-small cell lung cancer[J/OL]. Insights Imaging, 2025, 16(1): 32 [2026-01-01]. https://pubmed.ncbi.nlm.nih.gov/39912982/. DOI: 10.1186/s13244-025-01910-0.
[19]
BORYS K, LODDE G, LIVINGSTONE E, et al. Fully volumetric body composition analysis for prognostic overall survival stratification in melanoma patients[J/OL]. J Transl Med, 2025, 23(1): 532 [2026-01-01]. https://pubmed.ncbi.nlm.nih.gov/40355935/. DOI: 10.1186/s12967-025-06507-1.
[20]
CHEN X S, CHEN X L, ZHAO X M, et al. Subcutaneous adipose tissue [18F] FDG uptake and CT-derived body composition variables for predicting survival outcomes in patients with locally advanced gastric cancer[J]. Eur J Nucl Med Mol Imaging, 2025, 52(11): 4139-4150. DOI: 10.1007/s00259-025-07296-x.
[21]
ZHU W W, LIU Q Y, YAN Z M, et al. Sex-specific body composition profile determined by pelvic computed tomography associated with mortality in older patients with hip fracture[J/OL]. J Am Med Dir Assoc, 2025, 26(4): 105502 [2026-01-01]. https://pubmed.ncbi.nlm.nih.gov/39961357/. DOI: 10.1016/j.jamda.2025.105502.
[22]
CASTRO-BARQUERO S, CASAS R, RIMM E B, et al. Loss of visceral fat is associated with a reduction in inflammatory status in patients with metabolic syndrome[J/OL]. Mol Nutr Food Res, 2023, 67(4): e2200264 [2026-01-01]. https://pubmed.ncbi.nlm.nih.gov/36416291/. DOI: 10.1002/mnfr.202200264.
[23]
WANG Y Y, LIN S Y, CHUANG Y H, et al. Adipose proinflammatory cytokine expression through sympathetic system is associated with hyperglycemia and insulin resistance in a rat ischemic stroke model[J/OL]. Am J Physiol Endocrinol Metab, 2011, 300(1): E155-E163 [2026-01-01]. https://pubmed.ncbi.nlm.nih.gov/20978230/. DOI: 10.1152/ajpendo.00301.2010.
[24]
KIM H K, KIM C H. Quality matters as much as quantity of skeletal muscle: clinical implications of myosteatosis in cardiometabolic health[J]. Endocrinol Metab (Seoul), 2021, 36(6): 1161-1174. DOI: 10.3803/EnM.2021.1348.
[25]
SHIRAISHI A, YOSHIMURA Y, WAKABAYASHI H, et al. Prevalence of stroke-related sarcopenia and its association with poor oral status in post-acute stroke patients: Implications for oral sarcopenia[J]. Clin Nutr, 2018, 37(1): 204-207. DOI: 10.1016/j.clnu.2016.12.002.
[26]
STYCZEN H, MAUS V, WEISS D, et al. Impact of imaging biomarkers from body composition analysis on outcome of endovascularly treated acute ischemic stroke patients[J]. J Neurointerv Surg, 2025, 17(12): 1308-1313. DOI: 10.1136/jnis-2024-022275.
[27]
ZOPFS D, PINTO DOS SANTOS D, KOTTLORS J, et al. Two-dimensional CT measurements enable assessment of body composition on head and neck CT[J]. Eur Radiol, 2022, 32(9): 6427-6434. DOI: 10.1007/s00330-022-08773-9.
[28]
VAN DEN BROECK J, SEALY M J, BRUSSAARD C, et al. The correlation of muscle quantity and quality between all vertebra levels and level L3, measured with CT: An exploratory study[J/OL]. Front Nutr, 2023, 10: 1148809 [2026-01-01]. https://pubmed.ncbi.nlm.nih.gov/36908909/. DOI: 10.3389/fnut.2023.1148809.
[29]
DOUKBI E, SOGHOMONIAN A, SENGENÈS C, et al. Browning epicardial adipose tissue: friend or foe [J/OL]. Cells, 2022, 11(6): 991 [2026-01-01]. https://pubmed.ncbi.nlm.nih.gov/35326442/. DOI: 10.3390/cells11060991.
[30]
NDREPEPA G. Epicardial adipose tissue: an anatomic component of obesity & metabolic syndrome in close proximity to myocardium & coronary arteries[J]. Indian J Med Res, 2020, 151(6): 509-512. DOI: 10.4103/ijmr.ijmr_2692_19.
[31]
CHEN Q, CHEN X Z, WANG J F, et al. Redistribution of adipose tissue is associated with left atrial remodeling and dysfunction in patients with atrial fibrillation[J/OL]. Front Cardiovasc Med, 2022, 9: 969513 [2026-01-01]. https://pubmed.ncbi.nlm.nih.gov/36035916/. DOI: 10.3389/fcvm.2022.969513.
[32]
GAETA M, BANDERA F, TASSINARI F, et al. Is epicardial fat depot associated with atrial fibrillation A systematic review and meta-analysis[J]. EP Eur, 2017, 19(5): 747-752. DOI: 10.1093/europace/euw398.
[33]
WOLF P A, ABBOTT R D, KANNEL W B. Atrial fibrillation as an independent risk factor for stroke: the Framingham Study[J]. Stroke, 1991, 22(8): 983-988. DOI: 10.1161/01.str.22.8.983.
[34]
CASEY J R, GRINSTEIN S, ORLOWSKI J. Sensors and regulators of intracellular pH[J]. Nat Rev Mol Cell Biol, 2010, 11(1): 50-61. DOI: 10.1038/nrm2820.
[35]
DING Y, CHEN S N, SUN Q, et al. Correlation of circadian rhythms and improvement of DepressiveSymptoms in acute ischemic stroke patients[J]. Curr Neurovascular Res, 2024, 21(1): 15-24. DOI: 10.2174/0115672026288134231228091756.
[36]
PARK J E, JUNG S C, KIM H S, et al. Amide proton transfer-weighted MRI can detect tissue acidosis and monitor recovery in a transient middle cerebral artery occlusion model compared with a permanent occlusion model in rats[J]. Eur Radiol, 2019, 29(8): 4096-4104. DOI: 10.1007/s00330-018-5964-3.
[37]
SONG G D, LI C M, LUO X J, et al. Evolution of cerebral ischemia assessed by amide proton transfer-weighted MRI[J/OL]. Front Neurol, 2017, 8: 67 [2026-01-01]. https://pubmed.ncbi.nlm.nih.gov/28303115/. DOI: 10.3389/fneur.2017.00067.
[38]
BIANCO F J. Nomograms and medicine[J]. Eur Urol, 2006, 50(5): 884-886. DOI: 10.1016/j.eururo.2006.07.043.
[39]
TURC G, APOIL M, NAGGARA O, et al. Magnetic resonance imaging-DRAGON score: 3-month outcome prediction after intravenous thrombolysis for anterior circulation stroke[J]. Stroke, 2013, 44(5): 1323-1328. DOI: 10.1161/strokeaha.111.000127.
[40]
FLINT A C, CULLEN S P, FAIGELES B S, et al. Predicting long-term outcome after endovascular stroke treatment: the totaled health risks in vascular events score[J]. AJNR Am J Neuroradiol, 2010, 31(7): 1192-1196. DOI: 10.3174/ajnr.A2050.

上一篇 精准的体成分影像评价与临床应用述评
下一篇 基于腹部CT体成分分析结合扩散峰度成像术前预测T3~T4期直肠癌肿瘤出芽级别的价值
  
友情链接: 国家卫生健康委员会 中国科协 中华医学会 学术不端检测系统 中信所 北大图书馆 CSCD
诚聘英才 | 广告合作 | 免责声明 | 版权声明
联系电话：010-67113815
京ICP备19028836号-2