0 引言

       急性缺血性脑卒中（acute ischemic stroke, AIS）是指因脑供血动脉急性闭塞或严重狭窄，导致相应的供血区脑组织在短时间内发生缺血缺氧性坏死^[1]，AIS造成的全球疾病负担正持续加剧^{[2, 3]}。AIS病理上主要表现为缺血核心区神经元不可逆损伤及周围缺血半暗带形成，临床上急性起病并表现为偏瘫、失语、感觉障碍或意识障碍等局灶性神经功能缺损的临床综合征^{[4, 5]}。即使经过规范化治疗，仍有约30%~40%的AIS患者遗留不可逆的神经功能障碍^[6]。其中，我国AIS患者的1年复发率约为17.7%^[7]，显著高于欧美国家平均水平，给家庭及社会带来沉重的疾病负担^[8]。在AIS发病早期，采取适宜的干预措施可有效改善患者预后^{[9, 10, 11]}。因此，早期精准的预后评估对于制订AIS个体化的治疗方案、改善患者临床结局至关重要^[12]。

       传统AIS预后评估手段依赖美国国立卫生研究院卒中量表（National Institutes of Health Stroke Scale, NIHSS）评分、梗死体积测量等临床与影像指标，受医师临床经验、视觉评估主观性等因素影响，存在评估精度不足、标准化水平偏低等问题^[13]。机器学习（machine learning, ML）方法可自动挖掘影像与临床数据中的潜在规律，构建客观、量化的预后预测模型，目前已成为AIS诊疗领域的研究热点^[14]。

       近年来，国内虽有综述对ML在AIS预后预测中的应用进行了梳理，为该领域研究奠定了基础^{[15, 16]}。然而，既往综述多从临床预测模型或单一影像模态角度展开，部分侧重于临床变量、生物标志物或MRI应用，对CT平扫、CT动脉血管造影（computed tomography angiography, CTA）、CT灌注成像（computed tomography perfusion, CTP）及多序列MRI等影像数据的整合不足；同时，对传统ML、深度学习（deep learning, DL）及集成学习等模型的比较不够充分，亦未结合文献统计与可视化分析方法揭示该领域的研究格局、热点演变及发展趋势^{[15, 16]}。基于此，本文在既往综述基础上，结合文献统计与可视化分析方法、多模态影像数据及多类型ML模型，系统总结基于影像数据的ML方法在AIS预后预测中的研究进展、主要问题与未来方向，为临床医生利用影像数据和ML方法开展早期风险分层、预后评估及个体化诊疗决策提供一定的参考。

1 文献检索方法

       为全面系统地梳理基于影像数据的ML在AIS预后预测方面的研究情况，本文首先采用文献统计与可视化分析方法进行宏观态势分析，并在此基础上进行综述。文献统计与可视化分析的英文文献来源于Web of Science Core Collection数据库，主要是由于该数据库覆盖多个学科领域的高质量学术出版物，在文献统计、知识图谱及研究趋势分析中被广泛使用和认可^[17]，检索范围包括科学引文索引扩展版和社会科学引文索引。中文文献来源于中国知网和万方数据库。检索时间范围限定为建库至2026年4月。采用“主题”检索，英文检索式如下：Topic =（“machine learning” OR “deep learning” OR “ensemble learning” OR “stacking model”）AND Topic =（“radiomics” OR “computed tomography” OR “magnetic resonance imaging”）AND Topic =（“acute ischemic stroke” OR “ischemic stroke” OR “acute cerebral infarction” OR “cerebral infarction”）AND Topic =（“prognostic prediction” OR “outcome prediction” OR “prognosis” OR “outcome”）。中文检索式如下：主题=（“机器学习” OR “深度学习” OR “集成学习” OR “堆叠模型”）AND 主题=（“影像组学” OR “放射组学” OR “计算机断层扫描” OR “磁共振成像”）AND 主题=（“急性缺血性卒中” OR “缺血性卒中” OR “急性脑梗死” OR “脑梗死”）AND 主题=（“预后预测” OR “结局预测” OR “预后” OR “结局”）。纳入标准：（1）在指定时间内公开发表的原创性研究期刊论文；（2）研究的核心主要聚焦于ML在AIS预后预测中的相关研究。排除标准：（1）文献语种为英文或中文以外的期刊论文；（2）无法获取全文或数据提供不全的文献。最终纳入258篇英文文献和17篇中文文献作为后续分析的样本。随后采用CiteSpace（6.3.R1）作为文献统计与可视化分析工具，分别对英文文献和中文文献进行进一步分析。

2 文献统计结果

2.1 年发文量与发文趋势

       检索结果显示，全球范围内有关该主题的研究最早见于2013年，当年发文量为2篇。此后，相关研究规模逐步扩大，并表现出一定的阶段性增长特征。特别是2021至2025年间，年发文量呈持续上升态势，依次为23篇、41篇、49篇、51篇和70篇。我国在该领域的研究最早可追溯至2021年，随后几年保持了持续的增长。上述增长趋势共同反映了研究者对AIS临床预后的研究关注持续性提升，与此同时，神经影像学与人工智能方法的交叉应用也日益成为推动该领域发展的关键因素。近年来，神经影像学、生物标志物研究以及ML技术，尤其是DL的方法不断发展，为相关成果数量的增加提供了方法学的支撑。

       此外，发文量排名前5的国家是：中国（123篇）、美国（61篇）、德国（26篇）、韩国（22篇）、英国（15篇）。英文文献中，发文量排名前5的机构分别为首都医科大学（13篇）、德国汉堡-埃彭多夫大学医学中心（12篇）、汉堡大学（11篇）、南京医科大学（10篇）和德克萨斯大学（9篇）；中文文献中，各机构发文量整体偏少，其中南京医科大学附属南京第一医院发文量最高（2篇）。发文量排名前5的作者是：Fiehler Jens（11篇）、Wintermark Max（10篇）、Amador Kimberly（10篇）、Jiang Bin（7篇）、Guo Yingwei（6篇）。

2.2 被引文献分析

       在所有被引文献中，总被引次数最高的为BRUGNARA等^[18]在2020年发表的研究论文，被引28次。该研究利用梯度提升算法（gradient boosting classifier, GBC）对246例接受血管内治疗的AIS患者进行了多模态建模，多模态数据主要包括CT平扫、CTA、CTP、介入过程中的血管造影参数，以及治疗后的影像随访信息，结果显示该模型在预测90天预后方面的曲线下面积（area under the curve, AUC）为0.856，显著优于传统逻辑回归（logistic regression, LR）模型的0.790^[18]。其次为XIE等^[19]在2018年发表的研究论文，被引26次。该研究对512例AIS患者开展回顾性分析，旨在比较梯度提升机与极限梯度提升两种ML模型在预测患者长期功能恢复方面的性能，并整合了患者入院时及24小时内的人口学特征、临床评分、阿尔伯塔卒中项目早期CT评分（Alberta Stroke Program Early CT Score, ASPECTS）、CT显示的梗死体积与半暗带体积。结果发现，两种ML模型均能有效预测AIS患者的长期恢复情况；整合发病24小时后的临床与影像数据可显著提升预测准确性^[19]。BACCHI等^[20]在2020年发表的研究论文紧随其后，被引22次。其对204例接受静脉溶栓治疗的AIS患者进行了一项回顾性研究，旨在评估DL模型在预测患者功能预后方面的效能。研究对比了三种模型：仅使用临床数据的人工神经网络（artificial neural networks, ANN）、仅使用脑部CT平扫影像的卷积神经网络（convolutional neural network, CNN），以及整合了两种数据的组合模型（CNN+ANN）。研究发现，与仅使用单一类型数据的模型和传统临床评分系统相比，同时整合了临床数据和CT影像的组合模型（CNN+ANN）在预测患者短期（24小时）和长期（90天）功能预后方面均表现最佳，其预测90天良好功能预后的准确率达到74%。该研究证实了通过多模态数据融合的DL方法，在提升溶栓后AIS患者预后预测精度方面具有很大的潜力^[20]。

2.3 研究热点分析

       为探究ML在AIS预后领域的发展方向，我们进行了关键词共现及关键词聚类分析。关键词是凝练并标示论文核心主题的关键术语，其在文献标引与高效检索中扮演着至关重要的角色，通过对关键词进行共现分析，可以快速地了解某一领域的发展方向。英文文献中出现频率排名前10位的关键词包括：machine learning、acute ischemic stroke、ischemic stroke、risk、deep learning、score、artificial intelligence、thrombectomy、prediction model、thrombolysis，见图1。中文文献中排名前5位的关键词包括机器学习、影像组学、深度学习、静脉溶栓和预后。这些高频关键词的出现表明当前该领域的核心研究热点是应用ML与DL等人工智能技术，为AIS患者开发精准的预测模型，旨在超越传统评分系统，通过优化风险分层并辅助溶栓、取栓等关键治疗决策，最终实现个体化的精准医疗。

       关键词聚类分析是关键词共现分析的深化与延伸。它将通过共现分析识别出的高频关键词网络，进一步归纳为若干个明确的主题群落，从而在更高维度上系统性地剖析出该领域的核心研究方向及其内在关联。英文文献聚类分析共识别出以下12个主要聚类，包括：functional connectivity、thrombolytic therapy、magnetic resonance imaging、Shapley additive explanations、prediction model、acute ischemic stroke、mechanical thrombectomy、deep learning、prognosis prediction、cerebral blood flow、modified Rankin Scale、machine learning，见图2。中文文献聚类分析识别出4个主要聚类，分别为深度学习、静脉溶栓、无效再通以及超时间窗。聚类结果表明，当前主要以ML和DL为关键技术支撑，围绕MRI所获取的多维影像生物标志物展开整合研究，相关指标包括脑血流量和功能连接等。上述研究聚焦于AIS的核心临床问题，一方面，相关模型常以mRS作为结局指标进行临床结局预测；另一方面，借助沙普利可加性解释（Shapley additive explanations, SHAP）分析等方法提升模型决策过程的可解释性，从而增强其在溶栓、取栓等治疗策略选择中的临床辅助价值与应用可信度。基于上述研究热点，下文将按ML模型的类别，系统梳理不同ML方法在基于影像数据的AIS预后预测中的应用研究。

点击查看大图

图1  相关文献关键词共现可视化。每个节点对应一个关键词，节点尺寸越大，表示该关键词出现频率越高；节点间的连线数量与距离分别表征其关联强度与紧密程度。中介中心性数值≥0.1的关键词，将自动为其添加紫色外圈标识。出现频率排名前10位的关键词：machine learning、acute ischemic stroke、ischemic stroke、risk、deep learning、score、artificial intelligence、thrombectomy、prediction model、thrombolysis。
Fig. 1  Keyword co-occurrence visualization of related literature. Each node corresponds to a keyword, with larger node sizes indicating higher keyword frequency. The number and distance of connecting lines between nodes represent the strength and closeness of their associations, respectively. Keywords with a betweenness centrality value ≥ 0.1 will be automatically marked with a purple outer ring. Top 10 keywords by frequency: machine learning, acute ischemic stroke, ischemic stroke, risk, deep learning, score, artificial intelligence, thrombectomy, prediction model, thrombolysis.

点击查看大图

图2  相关文献关键词聚类可视化。每个聚类由若干高度相关的关键词构成。聚类编号越小，所含关键词数量越多，反映其在该研究领域中的重要性越高。
Fig. 2  Keyword clustering visualization of related literature. Each cluster consists of several highly correlated keywords. The smaller the cluster number, the more keywords it contains, reflecting its higher importance in the research field.

3 ML分类及其在AIS预后预测中的应用研究

3.1 ML方法及其在AIS预后预测中的应用研究概述

       在AIS预后预测领域，常用的ML算法依据架构特性与数据处理机制的差异，主要可划分为传统ML、集成学习与DL三大类别，各类算法适用于不同的临床数据场景。传统ML算法主要涵盖LR、支持向量机（support vector machine, SVM）、随机森林（random forest, RF）、极限梯度提升树（eXtreme gradient boosting, XGBoost）、轻量级梯度提升机（light gradient boosting machine, LightGBM）等。LR模型由于结构相对简单、参数含义明确，且决策过程便于解释，较适合用于构建面向AIS患者的低维临床—影像融合预后模型^[21]。相比之下，SVM利用核函数机制在高维空间寻找最优超平面，在处理单中心、小样本规模的影像组学（radiomics, RA）特征集时，倾向于表现出更清晰的分类边界与泛化能力^[22]。随着集成学习被广泛引入该领域，模型的拟合策略得到进一步拓展。其中，RF算法的核心优势源于其集成策略与双重随机性设计，从而显著增强了模型的抗过拟合能力。因此，该算法尤其适用于小样本临床研究，能够在数据稀疏的情况下依然保持模型的稳健与可靠^[23]。XGBoost依托梯度提升树的迭代建模过程，能够较充分地刻画数据中的非线性关联及特征间交互关系，因此在AIS预后预测任务中常表现出较好的稳健性和判别能力^[24]。LightGBM则以计算效率高、扩展性较强为主要特点，目前已被用于分类、回归和排序等多类任务^[23]。

       传统ML方法常用于整合临床信息与简化影像评分，以预测AIS患者功能结局^[25]。然而，对于来源多样、结构复杂的数据，单一算法往往难以兼顾不同层面的特征信息，近年来集成学习方法已逐步成为趋势^[26]。在各类集成学习策略中，Stacking模型是应用较多的一类方法^[27]，另外投票集成、权重自适应集成以及分层集成等改进方案也已得到研究应用^[28]。其中，采用分层建模的Stacking融合框架依靠二级学习机制，更适合处理复杂的多模态数据，并可通过权重组合的调整降低单一模型带来的预测偏倚^[29]，但其性能表现也与基础模型的选取密切相关。目前，集成学习方法已较多地用于联合临床变量与多模态影像数据，对AIS患者的最终梗死体积、血流再通等治疗结局以及神经功能预后进行预测^[30]。

       DL算法主要以CNN、循环神经网络（recurrent neural network, RNN）、Transformer模型为核心。CNN系列中的嵌套U型网络通过多尺度特征融合优化感兴趣区分割精度，而Vision Transformer（ViT）则克服了CNN局部特征提取的局限，擅长挖掘多模态影像间的全局关联。DL算法无需人工进行特征提取，即可自动提取深层语义特征，特别是在CT与MRI的跨模态融合场景的研究中，可提高AIS结局预测的准确性和有效性^[31]。

3.2 基于CT的ML在AIS预后预测中的应用研究

3.2.1 CT平扫图像

       CT平扫是AIS急诊评估中最常用、最易获得的影像方式，其优势在于检查速度快、适用范围广，尤其适合在时间窗内快速完成初步筛查。近年来，基于CT平扫的ML主要通过提取早期缺血改变、脑实质密度差异、梗死范围及纹理特征等信息，用于预测90天功能结局、早期神经功能恶化及出血转化风险。LI等^[32]的研究发现，在接受机械取栓的AIS患者中，平扫CT上大脑中动脉高密度征的RA特征与临床特征，尤其是术后NIHSS评分相结合，能显著提高对患者90天功能预后的预测效能，其中术后RA联合临床模型表现最佳，测试集AUC为0.894。该项研究决策曲线分析结果显示，当高风险阈值概率>0.5时，多数模型具有较好的临床净获益。GU等^[33]的研究证实，基于术后平扫CT的RA特征能够为入院NIHSS评分和高血压等传统临床危险因素提供显著的增量价值，从而构建出更强大的卒中预后预测模型。CT平扫模型的最大临床价值在于其高度可及性和急诊适配性，尤其适合基层医院或无法及时完成高级影像检查的医疗场景。但CT平扫对超早期缺血改变的敏感性有限，影像特征易受发病时间、扫描参数及伪影等因素影响。因此，CT平扫更适合作为AIS预后预测的基础影像来源，而非核心依据。若需进一步评估血管闭塞、侧支循环及缺血半暗带状态，仍应结合CTA、CTP等血管与灌注影像信息。

3.2.2 CTA与CTP图像

       与CT平扫主要反映脑实质改变不同，CTA能够显示责任血管闭塞部位、血栓负荷、侧支循环及血管解剖特征，ML模型在此场景下重点聚焦血管形态特征与供血区域功能特征的综合分析。AVERY等^[34]从入院CTA影像的大脑中动脉供血区提取了1116个RA特征，并利用SVM算法构建了预测大血管闭塞患者90天功能结局的模型，该模型在独立内部测试集上AUC为0.723。OZKARA等^[35]基于CTA和CTP提取的影像特征，采用XGBoost和RF等构建预测模型，发现仅纳入影像学特征的XGBoost模型在预测90天良好功能结局方面表现最佳，AUC达到0.907，Brier评分为0.167。此外，LIU等^[36]研究发现，将时间变异侧支评分与组织水平侧支指标低灌注强度比值及其他临床-影像特征联合建模后，RF模型在预测90天功能结局方面表现最佳（训练集AUC=0.964，测试集AUC=0.837），且SHAP分析显示低灌注强度比值是最重要的特征之一。然而，一项基于超3000名患者的大规模研究^[37]，发现将基线CTA影像的RA或DL特征与临床数据结合，虽然能显著提升对血管再通成功的预测性能，但对于90天良好功能结局的预测，与仅使用临床数据相比并无显著改善，该研究还借助SHAP分析对模型进行可解释性评估，结果显示年龄、基线NIHSS评分及卒中前mRS是功能结局预测中最重要的变量。CTA的优势在于其影像特征与AIS关键病理过程关系密切。侧支循环状态反映缺血组织对血流中断的耐受能力，血栓负荷和闭塞部位则影响最终梗死范围，因此这些特征具有较强的临床解释性。但CTA也有局限，单期CTA图像难以反映动态血流变化，侧支循环评估易受扫描时相影响。此外，AIS预后还与缺血核心、半暗带范围、再通时间和治疗方式有关。因此，CTA可补充CT平扫在血管信息方面的不足，但仍需结合CTP或MRI等组织水平影像，才能更全面评估AIS预后。

       CTP能够通过脑血流量、脑血容量、平均通过时间和达峰时间等参数评估缺血核心与半暗带，是连接血管闭塞和组织损伤的重要影像方法。它不仅能准确预测AIS患者的最终梗死体积，还能预测其在血管成功再通后的临床恢复潜力^[38]。WU等^[39]的研究结果提示融合了磁敏感加权成像（susceptibility-weighted imaging, SWI）和CTP两者RA特征的ML模型预测AIS梗死体积扩大最具价值，远好于任何一种模态的模型。作为本领域的发文量较多的作者，AMADOR等^[40]、WINDER等^[41]在基于CTP的AIS预后研究中，直接运用原始4D-CTP训练DL模型，从4D-CTP原始数据中提取与预后相关的DL特征，免去了对传统灌注模态参数的依赖。该方法的优势在于能够量化"可挽救脑组织"与"不可逆损伤脑组织"的比例，这与治疗决策和远期预后密切相关。但不同后处理软件、灌注阈值和扫描协议可能导致缺血核心及半暗带估计不一致，患者运动、心输出量、血管狭窄及延迟到达效应也会影响灌注参数的准确性。因此，未来可进一步探索CTP与CTA、临床评分及治疗信息的联合建模，以提升对AIS组织损伤程度和恢复潜力的综合评估能力。

3.3 基于MRI的ML在AIS预后预测中的应用研究

       MRI在AIS预后预测中的优势在于其组织分辨率高，且不同序列能够从多个角度反映缺血损伤过程。扩散加权成像（diffusion-weighted imaging, DWI）及其定量表观扩散系数值可敏感识别急性梗死灶，液体衰减反转恢复（fluid-attenuated inversion recovery, FLAIR）序列可反映水肿及病灶演变，SWI可显示出血转化和微出血风险。因此，基于MRI的ML模型不仅可量化急性梗死负荷，还可进一步评估脑组织损伤程度及病灶空间分布情况。

3.3.1 结构与扩散成像

       FLAIR能够较敏感地显示缺血区水肿，DWI则有助于早期识别梗死核心，因此二者均为ML模型构建中的重要影像数据来源。在定量评估方面，CUI等^[42]进一步开发了级联残差U-Net模型，实现了脑脊液和重度脑水肿的自动分割，并证实脑水肿体积是大面积半球梗死患者不良预后的独立预测因素，为病灶定量分析和预后评估提供了依据。在此基础上，DL模型有助于降低临床评估中的主观性。一项基于AIS患者DWI序列的DL模型研究实现了DWI-ASPECTS的自动评估，其结果与专家评分具有较高一致性，组内相关系数为0.87，提示该方法有助于提高评估的客观性和可重复性^[43]。此外，LIU等^[44]构建的基于DWI的DL特征联合临床模型在独立验证集中展现出较好的泛化能力（AUC=0.90）。结构与扩散序列的最大优势在于成像快速、获取便捷，且对急性梗死高度敏感，适合作为超急性期风险分层的一线工具。然而，其局限同样明显：DWI/FLAIR主要反映已发生的结构性损伤，属于"静态"表征，难以刻画缺血组织的血流动力学状态与可挽救潜能。

3.3.2 灌注加权成像与动脉自旋标记

       沿着从"结构"走向"功能"的思路，动态磁敏感对比灌注加权成像（dynamic susceptibility contrast perfusion-weighted imaging, DSC-PWI）可精准评估脑血流灌注缺损范围与程度。相关研究从“数据源”和“模型构建”两个维度进行了深入探索。在优化输入数据源方面，研究趋势已从分析传统灌注参数图转向挖掘更深层次的信息^[45]。例如，GUO等^[46]早期利用全脑DSC-PWI构建动态RA特征，而另一项研究直接利用原始灌注序列，证明了DL能捕捉到传统参数图丢失的高维动态信息，从而构建出性能更优的模型^[47]。在模型构建方面，信息融合成为提升性能的关键。一方面是影像学与非影像学信息的融合；另一方面是不同尺度的影像特征的融合。有学者研究采用改进型集成学习算法，融合DSC-PWI全脑特征与局部缺血区特征，预测AIS患者90天mRS评分的AUC达0.89，较传统灌注参数模型提升12%^[48]。此外，另一项研究开发的3D深度回归神经网络可从DSC-PWI中快速提取侧支循环特征，旨在全自动地生成多时相侧支循环灌注图谱，为AIS患者的治疗方案选择提供快速、客观的影像学支持^[49]。

       动脉自旋标记（arterial spin labeling, ASL）是一种无须使用对比剂的脑灌注成像技术，除了能够对脑血流进行有效评估外，还可对侧支循环情况进行检测甚至可在单个大动脉区域内进行选择性灌注标测和血流定量^[50]。已有研究报道利用ASL得到的定量血流参数能较有效评估卒中预后。LIU等^[51]研究发现ASL图像上的动脉通过伪影可作为良好侧支循环的定性标志。基于此，该研究进一步将动脉通过伪影的存在与否与基线NIHSS评分相结合，构建SVM模型，其预测良好预后的AUC达到了0.806，展现了融合影像与临床信息进行建模的巨大潜力。WANG等^[52]的研究从多个标记后延迟时间的ASL图像中提取全脑和梗死区的脑血流量图RA特征，并将其与临床信息相结合，使用多种常规ML模型，建立综合预后预测模型。结果显示，基于SVM的综合预测模型效能最好，预测不良的临床结局的AUC为0.904，精确率-召回率AUC为0.766，决策曲线分析显示，该模型在一定阈值概率范围内可获得较高净获益，提示其具有较好的临床应用价值，SHAP分析进一步表明，基线NIHSS评分是最重要的预测因子，其次为年龄，同时梗死区形状特征及全脑与梗死区的高阶统计和纹理特征也对模型预测起到关键作用^[52]。灌注成像的核心价值在于将预后评估从“损伤已成”的静态视角，推进到对“组织可挽救性”的动态判断，这与再灌注治疗的临床决策逻辑更为契合；而ASL的无对比剂特性进一步拓宽了其在肾功能不全及需重复随访患者中的适用性。

3.3.3 多序列MRI的ML融合模型

       多序列MRI特征融合能够弥补单一序列在病灶表征上的信息局限，而ML算法为跨序列特征的联合建模提供了方法基础。有研究整合了AIS患者梗死灶在DWI、FLAIR、SWI、T1加权成像和受试者工作特征五种MRI序列上的RA特征，并比较多种常规ML算法后发现，LightGBM模型在功能预后预测任务中表现最佳，交叉验证AUC为0.902^[26]。针对多序列数据样本有限及类别分布失衡等情况，OSAMA等^[53]提出并行多参数特征嵌入孪生网络，用于改善小样本条件下的预测性能。在一项双中心研究中，研究者首先利用最小绝对收缩和选择算子算法从T1加权成像、T2加权成像和DWI序列中筛选RA相关影像特征并构建RA评分，随后结合多变量逻辑回归识别出的临床危险因素，建立多模态逻辑回归预测模型。在独立验证集中，其AUC达到0.854，高于单纯RA模型（AUC=0.714）和临床模型（AUC=0.680），并显示出良好的校准表现^[54]。

       值得注意的是，近年来关于AIS预后前沿研究的关注重点已不再局限于局部病灶表征，而是逐步扩展至结构与功能网络的联合分析。WU等^[55]提出基于病灶连接组学的建模思路，通过描述病灶引起的远端结构断连来建立预测模型。与仅关注局部病灶特征的传统方法相比，该模型在长期功能预后预测中的表现更好。DRAGOS等^[56]则提出整合MRI的RA、小血管病标志物和功能连接指标，以脑储备和认知储备为框架预测卒中后认知障碍。PENG等^[57]构建连接组预测模型，发现急性期或1个月时的全脑功能连接可在特定卒中亚组中预测1个月或3个月时的mRS评分和Barthel指数，提示卒中后功能恢复与全脑网络重组密切相关。上述研究提示，结合局部病灶、全脑结构和功能连接特征可能进一步提高AIS预后预测的准确性和可解释性。MRI模型的价值不仅在于提高预测效能，更在于其可能反映患者的基础脑状态和脑储备。即使梗死体积相近，AIS患者的预后仍可能明显不同，这种差异或与脑萎缩、白质病变、小血管病负荷、既往脑损伤及脑网络代偿能力有关。

4 研究质量评价

       表1汇总了本综述参考文献中基于影像数据的ML方法在预测AIS预后相关研究的基本信息。从临床研究证据等级来看，目前该领域的研究多采用单中心、回顾性设计。在本综述纳入的相关研究中，仅4项为多中心研究^{[34, 37, 44, 54]}，其余均为单中心研究；仅4项采用前瞻性设计^{[37, 42, 51, 52]}，其余均为回顾性研究。此外，多数研究样本量偏小，甚至纳入样本不足100例^{[39, 40, 42, 43, 46, 47, 48, 51]}，且大部分研究仅进行了内部交叉验证，仅少数研究开展了外部验证^{[34, 44, 54]}。多数研究采用90天mRS评分评估功能预后，临床可比性较好，但在结局二分类阈值、影像采集时间窗、病灶分割方法及模型验证策略上仍存在差异^{[33, 36, 58]}。部分研究纳入独立验证集、多中心数据，或采用盲法评估影像和临床结局，证据等级相对较高^{[34, 37]}。相反，仅依赖内部交叉验证、缺乏外部验证和校准分析的研究，其临床应用价值仍需谨慎看待。未来研究应加强前瞻性设计和多中心外部验证，统一结局评价标准，规范影像标注流程，并遵循人工智能医学研究报告规范，以提高结果可信度和临床转化价值。

点击查看表格

表1  参考文献中基于影像数据ML方法在预测AIS预后相关研究的基本信息汇总
Tab. 1  Summary of basic information from studies on imaging data–based ML methods for predicting AIS prognosis in the references

5 ML在AIS预后预测中应用的不足与未来研究方向

       尽管ML在AIS预后预测中展现出良好前景，但当前研究仍存在数据异质性、影像标准化不足、独立外部验证缺乏、模型可解释性有限、临床变量和治疗因素整合不足，以及真实临床场景验证不足等问题。上述因素共同限制了模型从算法研究走向临床应用。基于当前证据基础和临床转化需求，未来发展可按照短期、中期和长期三个层次逐步推进。（1）短期方向应侧重于影像标准化与临床流程嵌入，以提升模型可落地性。应规范影像数据采集、存储和处理流程，优先保存DICOM格式原始影像，并根据研究需要转换为NIFTI等标准格式，同时记录扫描设备、层厚、矩阵、重建算法及扫描参数等元数据。对于影像组学研究，建议参考影像生物标志物标准化倡议等标准，以减少不同软件和参数设置造成的特征差异。此外，应推动ML模型与PACS、RIS、电子病历系统及卒中中心工作流程对接，实现影像自动获取、病灶或血管闭塞识别、风险分层结果回传和卒中团队预警。（2）中期方向应聚焦于多中心前瞻性验证和可解释建模，以提高模型可靠性。现有研究多为单中心回顾性设计，样本量有限，且不同中心影像采集和处理流程不一致，导致模型泛化能力不足。未来应开展多中心、前瞻性、大样本研究，统一数据采集、影像处理和结局评价标准，并通过独立外部验证评估模型稳定性。同时，应整合年龄、基线NIHSS评分、发病至治疗时间、血管再通状态、溶栓或取栓治疗、并发症、康复干预和随访数据等因素，构建多模态融合和动态预测模型。在可解释性方面，可采用SHAP、特征重要性排序及病灶贡献图等方法展示模型预测依据，并在临床部署后持续监测模型性能，必要时进行再训练或校准。（3）长期方向可探索联邦学习、病灶连接组学和脑网络模型，以推动精准化预后评估。未来AIS预后预测将逐渐由单中心、单模态和静态评估转向跨机构协同、多模态融合和脑网络层面的个体化预测。联邦学习可在不共享原始患者数据的前提下实现跨中心模型训练，有助于兼顾数据安全和模型泛化能力。此外，病灶连接组学、结构和功能连接、脑储备等指标有望解释梗死体积相近患者预后差异较大的现象。整合局部病灶特征与全脑网络信息，可能进一步提升AIS预后预测的精准性和个体化水平。

6 小结

       综上所述，基于影像数据的ML方法在AIS预后预测中展现出较高的研究价值和潜在的临床应用前景。现有研究表明，ML具有充分挖掘影像资料中定量特征的潜力，并结合临床信息构建预测模型评估患者的功能结局，相较传统预测方法具有明显优势。