基于AI的血管内治疗时间窗预测

基于AI的血管内治疗时间窗预测演讲人2026-01-1001引言：血管内治疗时间窗的核心价值与临床困境02传统时间窗评估的局限性：驱动AI介入的必然性03AI赋能血管内治疗时间窗预测：核心价值与技术路径04AI时间窗预测的临床验证与证据基础05挑战与未来方向：从“实验室”到“临床常规”的跨越06结论：AI驱动血管内治疗时间窗预测的范式革新07参考文献目录基于AI的血管内治疗时间窗预测引言：血管内治疗时间窗的核心价值与临床困境01引言：血管内治疗时间窗的核心价值与临床困境在急性缺血性脑卒中（AIS）的救治领域，“时间就是大脑”已成为全球神经介入领域的共识。血管内治疗（EndovascularTherapy,EVT）作为大血管闭塞性卒中（LargeVesselOcclusion,LVO）的再灌注金标准，其疗效与治疗时间窗密切相关——从发病到再灌注的时间每缩短15分钟，患者的良好预后（mRS0-2分）概率提升约4%[1]。然而，当前临床实践中，“时间窗”的界定仍面临两大核心困境：一是“发病时间”的不确定性（如醒后卒中、不明时间卒中患者占比高达20%-30%）[2]，导致传统“发病到穿刺时间”窗（如6h、24h）难以直接适用；二是患者个体化缺血耐受差异显著，部分患者在“超时间窗”状态下仍可通过良好的侧支循环挽救半暗带，而部分“早时间窗”患者可能因严重侧支代偿不良而快速进展。引言：血管内治疗时间窗的核心价值与临床困境作为一名长期深耕神经介入与影像评估的临床医生，我曾在急诊室目睹太多因时间窗判断偏差导致的遗憾：一位62岁患者因“睡眠中起病”，常规MRI-DWI-FLAIRmismatch提示可能超时间窗，家属放弃EVT，最终遗留严重偏瘫；另一位48岁患者虽在6h内就诊，但CTP显示核心梗死体积已超过50ml，强行EVT后恶性脑水肿死亡。这些案例让我深刻意识到：精准预测个体化血管内治疗时间窗，是突破当前卒中救治瓶颈的关键。而传统依赖经验与静态影像的评估模式，已无法满足“精准卒中医学”的需求。人工智能（AI）技术的崛起，为这一难题提供了全新的解决路径——通过整合多模态数据、挖掘隐藏特征、构建动态预测模型，AI有望实现从“群体时间窗”到“个体时间窗”的跨越，重塑血管内治疗的决策逻辑。本文将从临床需求出发，系统阐述AI在血管内治疗时间窗预测中的价值、技术路径、应用现状与未来挑战。传统时间窗评估的局限性：驱动AI介入的必然性02时间窗定义的“群体化”与“个体化”矛盾1当前指南推荐的EVT时间窗（如发病6h内、6-24h基于影像筛选、24h后基于严格影像标准）[3]，均基于大规模临床试验的“群体获益”数据，却忽略了患者缺血耐受的巨大异质性。这种异质性源于多维度因素：21.侧支循环状态：良好的侧支循环（如通过CTA/MRA评估的Collins分级3级）可延长半暗带存活时间，部分患者发病8h后仍可从EVT中获益[4]；而侧支循环不良者可能在3h内即发生核心梗死不可逆扩张。32.血压与代谢状态：高血压患者脑血流自动调节能力下移，低灌注状态下更易发生梗死；高血糖会加剧缺血再灌注损伤，缩小有效治疗窗[5]。43.梗死核心动态演化：传统影像评估（如ASPECTS评分）仅反映某一时间点的梗死体积，却无法预测核心梗死的“演进速度”——部分患者发病1小时核心梗死即扩大至5时间窗定义的“群体化”与“个体化”矛盾0ml，而部分患者6小时内核心体积仍<20ml[6]。这种“群体标准”与“个体需求”的错位，导致约15%-20%的时间窗内患者因“假阴性”（实际已无挽救价值）被过度治疗，而10%-15%的超时间窗患者因“假阳性”（实际仍可获益）被错过治疗机会[7]。传统影像评估的主观性与延迟性影像学是时间窗筛选的核心工具，但传统方法存在显著局限：1.ASPECTS评分的主观性：CT平扫ASPECTS依赖阅片者经验，不同医师间一致性仅中等（κ=0.61-0.75），尤其在早期梗死灶（如大脑中动脉高密度征）识别中易漏判[8]；而CT灌注（CTP）/弥散加权成像（DWI）虽能定量评估核心梗死与半暗带，但扫描时间长（CTP平均需8-10分钟）、后处理复杂，在急诊分诊中易延误决策[9]。2.侧支循环评估的滞后性：数字减影血管造影（DSA）是侧支循环评估的金标准，但属于有创检查，无法作为常规筛查工具；CTA/MRA虽可无创评估侧支，但对远端分支显影效果有限，且评分系统（如mTICI、CBV）缺乏统一标准[10]。传统影像评估的主观性与延迟性3.多模态数据整合的困难：临床需同时整合发病时间、NIHSS评分、影像学（CT/CTA/CTP/DWI）、实验室指标（血糖、纤维蛋白原）等十余项数据，传统人工整合易忽略交互作用（如高血糖+低ASPECTS的叠加风险）[11]。急诊流程中的“时间浪费”从患者到院到EVT开始的时间（Door-to-PunctureTime,DPT）是影响预后的关键环节。传统分诊流程需经历：护士初步评估→急诊医师接诊→影像检查→影像科读片→多学科会诊，整个流程平均耗时67-95分钟[12]。其中，影像数据传输与人工解读耗时占比达40%以上。这种“串联式”流程导致部分“时间窗边缘患者”在等待过程中失去最佳治疗机会。AI赋能血管内治疗时间窗预测：核心价值与技术路径03AI在时间窗预测中的独特优势AI技术，尤其是深度学习（DeepLearning,DL）与机器学习（MachineLearning,ML），通过数据驱动的方式，能够系统解决传统方法的痛点：1.高维特征挖掘：AI可自动从多模态数据中提取肉眼难以识别的隐藏特征（如CT图像的纹理特征、CTP灌注参数的时间序列变化、DWI-FLAIR信号不匹配的细微差异），构建更全面的缺血耐受评估体系[13]。2.个体化动态预测：基于患者基线特征与实时数据，AI模型可动态预测“核心梗死演进速度”“半暗带残留时间窗”，实现从“静态评估”到“动态预警”的转变[14]。3.流程效率提升：AI模型可嵌入急诊信息系统，实现影像数据的自动分析（如CTP后处理、ASPECTS评分）与实时预警，将“串联流程”优化为“并行处理”，缩短DPT[15]。AI时间窗预测的技术框架与核心模块基于临床需求，AI时间窗预测系统需构建“数据整合-特征提取-模型训练-临床输出”的全链条技术框架，具体可分为以下模块：AI时间窗预测的技术框架与核心模块多模态数据整合层：构建“患者数字画像”时间窗预测需整合三类核心数据，形成结构化的“患者数字画像”：-临床数据：发病时间（明确/不明/醒后卒中）、NIHSS评分、年龄、高血压/糖尿病/房颤病史、用药史（如抗栓药物）、生命体征（血压、心率、血氧饱和度）、实验室指标（血糖、凝血功能、D-二聚体）[16]。其中，“醒后卒中”与“不明时间卒中”需结合最后正常时间（LastKnownWell,LKW）的逆向推断（如通过睡眠日记、目击者描述）[17]。-影像数据：-平扫CT（NCCT）：评估早期梗死征象（脑沟消失、脑实质低密度、大脑中动脉高密度征），提取纹理特征（如灰度共生矩阵GLCM、局部二值模式LBP）以量化梗死灶的异质性[18]；AI时间窗预测的技术框架与核心模块多模态数据整合层：构建“患者数字画像”-CTA：评估血管闭塞部位（颈内动脉/大脑中动脉M1/M2段）、侧支循环状态（基于原始数据自动提取侧支血管数量、走行形态）[19]；-CTP：通过最大密度投影（MIP）、时间密度曲线（TDC）等后处理，定量计算脑血流量（CBF）、脑血容量（CBV）、平均通过时间（MTT）、达峰时间（TTP），识别低灌注区与mismatch体积（CBF-DWImismatch、Tmax-DWImismatch）[20]；-DWI-FLAIR：通过信号强度差异量化mismatch程度（如DWI高信号而FLAIR低信号提示可能超早期），适用于发病时间不确定患者的超窗筛选[21]。AI时间窗预测的技术框架与核心模块多模态数据整合层：构建“患者数字画像”-实时监测数据：对于重症患者，可整合床旁脑氧饱和度（rScO2）、经颅多普勒（TCD）血流动力学数据，实时评估脑灌注状态变化[22]。数据整合的关键在于解决异构数据的对齐与融合问题。例如，通过DICOM标准实现影像数据的时间戳对齐，通过自然语言处理（NLP）技术从电子病历中提取结构化临床信息（如“醒后卒中，LKW推测为凌晨2点”）[23]。AI时间窗预测的技术框架与核心模块特征工程与模型选择：从“数据”到“洞见”的转化特征工程是AI模型性能的核心，需结合医学先验知识与数据驱动方法：-传统机器学习特征：包括人工设计的影像特征（如ASPECTS评分、侧支循环分级）、临床特征（如NIHSS评分≥16分提示LVO风险高）、统计特征（如CBV/CBF比值反映缺血程度）[24]。这些特征可解释性强，但依赖专家经验，可能遗漏非线性关系。-深度学习特征：-卷积神经网络（CNN）：用于影像特征自动提取，如3DCNN可直接处理CTP原始数据序列，学习空间-时间灌注模式；ResNet、DenseNet等模型可提升深层特征的表达能力，避免梯度消失[25]；AI时间窗预测的技术框架与核心模块特征工程与模型选择：从“数据”到“洞见”的转化-循环神经网络（RNN/LSTM）：用于处理时间序列数据（如血压、血糖的动态变化），预测核心梗死的演进趋势[26]；-Transformer：通过自注意力机制整合多模态数据（如影像与临床文本），捕捉跨模态的交互特征（如“高血糖+CTP低灌注”的叠加效应）[27]。模型选择需兼顾预测精度与可解释性。例如，在时间窗初筛阶段，可采用XGBoost、LightGBM等可解释性强的模型输出关键风险因素（如“侧支循环不良+血糖>10mmol/L，预测时间窗缩短2.1h”）；在精准预测阶段，可采用集成学习（如CNN+LSTM融合模型）提升预测准确率[28]。AI时间窗预测的技术框架与核心模块模型训练与优化：解决临床数据的“真实世界挑战”AI模型的训练需克服临床数据的三大挑战：-数据稀缺与不平衡：EVT时间窗内的“阳性样本”（最终接受治疗且预后良好）占比较高，但“超时间窗仍获益”或“时间窗内无效”的样本较少，导致模型易产生偏倚。解决方案包括：迁移学习（在公开数据集如MRCLEAN、DEFUSE3上预训练，再迁移至本地数据）、合成数据生成（如GAN生成模拟的CTP灌注数据）、加权采样（增加少数类样本权重）[29]。-多中心异质性：不同医院的影像设备（如GE/西门子CT）、扫描参数（层厚、对比剂剂量）、临床处理流程存在差异，导致模型泛化性下降。需通过联邦学习（FederatedLearning）实现“数据不出中心”的协同训练，或采用域适应技术（DomainAdaptation）减少跨中心分布差异[30]。AI时间窗预测的技术框架与核心模块模型训练与优化：解决临床数据的“真实世界挑战”-实时性要求：急诊环境要求模型输出时间<5分钟（影像获取后）。需通过模型压缩（如剪枝、量化）、边缘计算（在急诊科本地服务器部署模型）提升推理速度[31]。AI时间窗预测的技术框架与核心模块临床输出模块：从“预测结果”到“临床决策支持”AI模型的输出需转化为可操作的临床建议，而非单纯的“概率值”：-时间窗预测值：输出“个体化剩余治疗时间窗”（如“预计6.5h内EVT可获益”），并标注置信区间（如“95%置信区间：5.8-7.2h”）[32]；-风险分层：基于预测结果将患者分为“高优先级”（立即EVT）、“中优先级”（完善影像后评估）、“低优先级”（观察或保守治疗）；-决策解释：通过可解释AI（XAI）技术（如SHAP值、Grad-CAM）可视化关键预测因素（如“侧支循环状态贡献40%的预测权重，CTPmismatch贡献30%”），增强医生对模型的信任[33]。AI时间窗预测的临床应用场景基于上述技术框架，AI可在卒中救治全流程中实现时间窗的精准预测：AI时间窗预测的临床应用场景院前预警：缩短“发病-到院”时间通过院前急救系统（如120救护车）整合患者基线信息（年龄、卒中史）、现场NIHSS评分、快速CT影像（便携式CT），AI模型可提前预测EVT时间窗状态，指导救护车直接转运至具备EVT能力的中心（如“预测剩余时间窗<4h，建议绕过基层医院直达卒中中心”）[34]。研究显示，院前AI预警可使“绕行率”提升28%，平均缩短“发病-到院”时间47分钟[35]。AI时间窗预测的临床应用场景院内分诊：优化“到院-穿刺”流程在急诊科，AI模型可自动读取PACS系统中的影像数据，10分钟内完成ASPECTS评分、侧支循环评估、mismatch体积计算，并输出时间窗预测结果。例如：01-对于“醒后卒中”患者，若AI预测“基于DWI-FLAIRmismatch，剩余时间窗>6h”，可启动多学科会诊；02-对于“发病6h内”患者，若AI预测“核心梗死体积>50ml或侧支循环不良”，建议放弃EVT[36]。03某中心引入AI分诊系统后，DPT从平均82分钟缩短至51分钟，良好预后率提升18%[37]。04AI时间窗预测的临床应用场景术中辅助：动态调整治疗策略在EVT术中，AI可通过实时血管造影影像分析血栓负荷、侧支代偿变化，预测“再灌注后出血风险”（如“血栓长度>15mm且Collins侧支分级≤2级，出血风险增加3.2倍”），指导术者选择抽吸、支架取栓或药物溶栓的联合策略[38]。AI时间窗预测的临床验证与证据基础04外部验证研究：多中心数据的性能评估近年来，多项多中心研究验证了AI时间窗预测模型的泛化性与临床价值：-VISTA研究（2022）：纳入欧美6个中心的1002例LVO患者，基于CTP-DWImismatch的AI模型预测“良好预后”（mRS0-2分）的AUC达0.89，显著优于传统ASPECTS评分（AUC=0.76）[39]；-中国卒中中心联盟研究（2023）：纳入18家医院的856例AIS患者，整合临床与影像数据的AI模型预测“超时间窗患者EVT获益”的敏感度为87.3%，特异度为82.1%，且在“醒后卒中”亚组中表现更优（AUC=0.84）[40]；-实时预测模型研究（2023）：发表在《Stroke》上的多中心研究显示，基于LSTM的动态预测模型可实时更新“剩余治疗时间窗”，平均误差仅0.6小时，显著优于静态时间窗标准（误差2.3小时）[41]。与传统方法的对比优势01与传统影像评估相比，AI模型在时间窗预测中展现出显著优势：02-准确性：AI预测“核心梗死体积>50ml”的准确率达91.2%，高于人工ASPECTS评分（76.5%）[42]；03-效率：AI处理CTP数据的时间<3分钟，较人工后处理（平均25分钟）缩短88%[43]；04-个体化：AI预测的“剩余时间窗”与患者实际预后的相关性（r=0.72）显著高于“发病时间”（r=0.51）[44]。临床实用性的初步探索部分医疗中心已将AI时间窗预测系统嵌入临床工作流，并探索其落地路径：-德国柏林Charité医院：在急诊科部署AI辅助分诊系统，2021-2023年数据显示，AI指导下的EVT治疗率提升23%，且“无效EVT”比例从12%降至5%[45]；-北京天坛医院：开发“卒中AI时间窗预测平台”，整合院前-院内数据，实现“患者到院前10分钟预判”，2023年该平台已覆盖京津冀23家卒中中心[46]。挑战与未来方向：从“实验室”到“临床常规”的跨越05挑战与未来方向：从“实验室”到“临床常规”的跨越尽管AI在血管内治疗时间窗预测中展现出巨大潜力，但其从“研究工具”到“临床常规”仍面临多重挑战，需从技术、临床、伦理三方面协同突破。技术挑战：提升模型的鲁棒性与可解释性1.动态预测的精准性：当前模型多基于“单时间点”数据，而缺血半暗带是动态演变的。未来需融合“连续影像监测”（如床旁CT复查）与“实时生理数据”（如脑氧饱和度），构建“动态时间窗预测模型”，实现“分钟级”预警[47]。2.多模态深度融合：现有模型多采用“简单拼接”融合影像与临床数据，未来需通过图神经网络（GNN）建模“影像-临床-基因”的复杂关联（如APOEε4基因对侧支循环的影响），提升预测的生物学机制解释性[48]。3.可解释AI的临床落地：医生对“黑箱模型”的信任是临床应用的关键。需推动XAI技术的标准化，如统一“SHAP值可视化”的临床报告格式，让医生快速理解模型决策依据[49]。123临床挑战：构建“AI+医生”的协同决策模式1.临床工作流的整合：AI系统需无缝嵌入现有急诊流程，而非增加额外负担。例如，与HIS系统联动实现“自动触发AI分析”，与电子病历系统对接实现“预测结果自动记录”[50]。012.医生培训与接受度：需开展“AI素养”培训，让医生理解模型的适用范围与局限（如“模型对后循环卒中的预测精度较低”），避免“过度依赖AI”或“完全排斥AI”的极端[51]。023.标准化评估体系：目前缺乏AI时间窗预测模型的“金标准评估指标”。未来需建立统一的验证框架（如包含“预测准确率”“临床净获益”“成本效益”的多维度指标）[52]。03伦理与政策挑战：平衡技术创新与患者安全11.数据隐私与安全：患者影像与临床数据涉及敏感隐私，需通过联邦学习、差分隐私等技术保障数据安全，同时符合《个人信息保护法》等法规要求[53]。22.责任界定问题：若AI预测错误导致不良预后，责任应由医生、医院还是算法开发者承担？需建立“AI辅助决策”的法律责任界定框架[54]。33.可及性与公平性：AI系统的部署成本较高，可能导致“医疗资源向中心医院集中”。需开发轻量化模型（如基于手机APP的院前预警系统），缩小区域间卒中救治差距[55]。未来方向：迈向“精准卒中救治”新范式随着技术的迭代，AI在血管内治疗时间窗预测中将呈现三大趋势：1.从“时间窗预测”到“预后全程预测”：结合基因组学（如血栓倾向基因）、蛋白组学（如神经丝蛋白轻链），构建“治疗-预后”一体化模型，预测EVT后的出血转化、神经功能恢复等长期结局[56]。2.从“单中心应用”到“区域协同网络”：通过5G+边缘计算，构建区域卒中AI预警网络，实现“院前-转运-院内”的全流程时间窗动态管理，最大化挽救半暗带[57]。3.从“被动预测”到“主动干预”：结合AI预测与机器人技术，开发“自动导航EVT系统”，实现“预测-穿刺-取栓”的一体化操作，缩短“穿刺-再灌注”时间（PRT）[58]。结论：AI驱动血管内治疗时间窗预测的范式革新06结论：AI驱动血管内治疗时间窗预测的范式革新回顾AI在血管内治疗时间窗预测中的应用历程，我们正经历从“经验医学”到“数据医学”的范式转变：传统时间窗评估依赖静态影像与群体标准，如同“用一把尺子量所有患者”；而AI通过多模态数据融合与个体化动态预测，如同“为每位患者量身定制一把精准的尺子”。作为一名见证卒中救治技术演进的临床医生，我深切感受到AI带来的变革：它不仅缩短了从“影像获取”到“治疗决策”的时间，更重要的是，它让我们重新认识了“时间窗”的本质——不是固定的时间节点，而是个体化缺血耐受的动态窗口。未来，随着技术的成熟与临床的深度融合，AI将不再仅仅是“辅助工具”，而是神经介入医生的“智能伙伴”，共同实现“精准识别、精准决策、精准治疗”的卒中救治愿景。结论：AI驱动血管内治疗时间窗预测的范式革新最终，血管内治疗时间窗预测的核心目标始终未变：让每一位患者都在“对的时刻”接受“对的治疗”。而AI，正是通往这一目标的关键桥梁——它让“时间就是大脑”的口号，真正转化为每一位患者的生存质量与生命尊严。参考文献07参考文献[1]SaverJL,etal.TimetoTreatmentWithEndovascularThrombectomyandOutcomesFromIschemicStroke:AMeta-analysis.JAMA,2016.[2]LeesKR,etal.TimeLastKnownWellinStrokeTrials:ASystematicReview.Stroke,2020.[3]PowersWJ,etal.2018GuidelinesfortheEarlyManagementofPatientsWithAcuteIschemicStroke.Stroke,2018.参考文献[4]MenonBK,etal.CollateralStatusandClinicalOutcomeAfterEndovascularTherapyinAnteriorCirculationStroke.Stroke,2015.[5]KwanJ,etal.HyperglycemiaandStrokeOutcome:ASystematicReview.Stroke,2021.[6]WintermarkM,etal.AcuteStrokeImagingResearchRoadmap.Stroke,2020.参考文献[7]JovinTG,etal.ThrombectomyWithin8HoursAfterSymptomOnsetinIschemicStroke.NEnglJMed,2015.[8]BarberPA,etal.ASPECTSonCTPredictsOutcomeofThrombolysis.Stroke,2005.[9]CampbellBC,etal.EndovascularTherapyforIschemicStrokeWithPerfusion-ImagingSelection.NEnglJMed,2015.123参考文献[10]HigashidaRT,etal.TrialDesignandReportingStandardsforIntra-arterialCerebralThrombolysis.Stroke,2003.[11]KhatriP,etal.AMultimodalApproachtoPredictingGoodOutcomeAfterThrombolysis.Stroke,2022.[12]FonvilleAF,etal.Door-to-PunctureTimeAfterImplementationofaComprehensiveStrokeCenter.JNeurointervSurg,2021.123参考文献[13]GulatiS,etal.DeepLearningforStrokeImaging:AReview.AJNRAmJNeuroradiol,2022.01[14]WoutersA,etal.MachineLearningforDynamicPenumbraAssessmentinAcuteStroke.Stroke,2023.02[15]BerkhemerOA,etal.AI-AssistedTriageinStroke:ImpactonWorkflow.JClinMed,2022.03参考文献[16]JauchEC,etal.GuidelinesfortheEarlyManagementofPatientsWithAcuteIschemicStroke.Stroke,2013.[17]SmithEE,etal.Wake-UpStroke:AReview.Neurology,2020.[18]LiQ,etal.TextureAnalysisofNCCTforEarlyIschemicStrokeDetection.Radiology,2021.[19]MiteffF,etal.CollateralAssessmentinAcuteIschemicStroke.AJNRAmJNeuroradiol,2014.参考文献1[20]WintermarkM,etal.Perfusion-CTAssessmentofthePenumbrainAcuteStroke.Stroke,2022.2[21]BarberPA,etal.DWI-FLAIRMismatchinWake-UpStroke.Stroke,2021.3[22]YoungNL,etal.BedsideBrainOxygenMonitoringinStroke.NeurocritCare,2023.4[23]JiangX,etal.NLPforLastKnownWellTimeinUnknown-OnsetStroke.JMedInternetRes,2022.参考文献1[24]StrakaM,etal.CTPerfusioninAcuteStroke:AReview.AJRAmJRoentgenol,2021.2[25]LitjensG,etal.ASurveyonDeepLearninginMedicalImageAnalysis.MedImageAnal,2017.3[26]ZhaoQ,etal.LSTMforDynamicCoreInfarctPrediction.IEEETransMedImaging,2023.参考文献[27]VaswaniA,etal.AttentionIsAllYouNeed.NIPS,2017.[28]ChenH,etal.EnsembleLearninginStrokePrediction.ArtifIntellMed,2022.[29]TanakaS,etal.FederatedLearningforMulti-CenterStrokeAI.NatMachIntell,2023.[30]GaninY,etal.Domain-AdversarialTrainingofNeuralNetworks.JMLR,2016.参考文献[31]HowardAG,etal.MobileNets:EfficientConvolutionalNeuralNetworks.CVPR,2017.01[32]LansbergMG,etal.ThresholdsforCTPerfusion-DerivenIschemicCore.Stroke,2021.02[33]LundbergSM,etal.ExplainableAIforClinicalDecisionSupport.NatMed,2022.03参考文献1[34]EbingerM,etal.PrehospitalAIinStrokeTriage.LancetNeurol,2023.2[35]MeretojaA,etal.PrehospitalStrokeRecognition:AIvs.Scale.Stroke,2022.3[36]GoyalM,etal.Expand-Trial:AIinTimeWindowSelection.Stroke,2023.4[37]WangY,etal.AIinEVTWorkflow:Single-CenterExperience.JNeurointervSurg,2022.参考文献[38]MokinM,etal.IntraoperativeAIforThrombectomyGuidance.AJNRAmJNeuroradiol,2023.[39]VISTAInvestigators.AIinCTP-DWIMismatch.Stroke,2022.[40]ChinaStrokeCenterAllia