急性前循环大血管闭塞性卒中再灌注治疗预后预测的影像组学研究进展

急性前循环大血管闭塞性卒中再灌注治疗预后预测的影像组学研究进展【摘要】急性前循环大血管闭塞性卒中（ALVOS）是急性缺血性卒中（AIS）的常见类型，再灌注治疗为其急性期治疗的主要方法之一，但疗效差异显著，与是否有效再通、再通后并发症等有关。因此，预测ALVOS再灌注治疗预后对于受益病例选择并降低并发症的意义重大。临床指标与影像学形态特点对于ALVOS预后预测价值有限。随着计算机技术的发展，影像组学可提取医学影像的高通量特征，有效反映ALVOS再灌注治疗后的病理生理变化，改善了ALVOS再灌注治疗责任血管再通、神经功能结局、出血转化、无效再通及恶性脑水肿的评估。本文就ALVOS再灌注治疗预后预测的影像组学研究现状进行综述。【关键词】卒中；脑缺血；再灌注；影像组学；预后急性缺血性卒中（acuteischemicstroke，AIS）约占脑卒中的70%，其中前循环急性大血管闭塞性卒中（acutelargevesselocclusivestroke，ALVOS）为其重要类型，占比30%［12］，严重影响国人健康。早期再灌注为ALVOS有效治疗方法，包括静脉溶栓（intravenousthrombolysis）与机械取栓（mechanicalthrombectomy），闭塞血管再通率高达85%，但仍有50%~70%的患者可能预后不良，其主要机制包括无效再通、出血性转化以及恶性脑水肿等［34］。早期进行上述不良预后因素影像学评估，预测再灌注疗效，并根据不良事件风险进行干预，可能有利于改善预后。但常规影像的形态学指标难以全面反映ALVOS病理生理变化的深层信息，因此对于其临床治疗决策的价值有限。近年来人工智能（artificialintelligence）快速发展，被广泛用于医学领域，能够缩短影像评估时间，有助于提取更多超越视觉分辨力范围的病变异质性信息，具有预测功能预后与疗效的潜能，主要方法包括影像组学（radiomics）、机器学习（machinelearning）、深度学习（deeplearning）、人工神经网络等，正逐步成为脑卒中研究的有效手段；其中影像组学（图1）在ALVOS患者再灌注治疗责任血管再通、神经功能结局、无效再通、出血转化及恶性脑水肿发生风险等方面的预测研究已取得了较多成果，预计将成为ALVOS再灌注治疗评估的重要手段。本文就影像组学预测ALVOS再灌注治疗的责任血管再通、神经功能结局、无效再通、出血转化及恶性脑水肿发生风险预测的研究进展进行综述。我们采用以下英文关键词：“acuteischemicstroke”“largearteryocclusion”“thrombectomy”“reperfusiontherapy*”“mechanicalthrombectomy”“endovasculartreatment”“intravenousthrombolysis”“radiomics”“textureanalysis”“artificialintelligence”“outcome”“prognosis”“recanalization”“firstpass”“hemorrhagictransformation”“malignantcerebraledema”“futilerecanalization”在PubMed、WebofScience、Embase数据库中检索英文文献；使用中文关键词“急性前循环大血管闭塞”“急性脑卒中”“影像组学”“纹理分析”“人工智能”“再灌注治疗”“取栓”“静脉溶栓”“预后”“出血转化”“无效再通”“恶性脑水肿”在中国知网、万方数据库检索中文文献。文献检索起止时间为建库至2025年12月，主要结果见表1。一、预测责任血管再通ALVOS责任血管成功再通的定义是治疗后即刻改良脑梗死溶栓（modifiedThrombolysisinCerebralInfarction，mTICI）分级达到2b~3级［5］。既往研究发现，多模态CT血栓常规影像学指标（如长度、体积、负荷及通透性）为责任血管再通与否的预测因素［6］，但血栓人工测量具有一定主观性，一致性欠佳，且指标较少。影像组学通过像素级特征量化分析，评估血栓形态与纹理异质性，更为客观，且指标较多，有利于反映与再通相关的病理特征，目前已在预测责任血管再通方面取得了肯定效果。PortoÁlvarez等［7］的91例机械取栓治疗研究中，提取术前非增强CT（noncontrastCT，NCCT）血栓组学特征，预测责任血管再通的曲线下面积（areaunderthecurve，AUC）为0.890。Hofmeister等［8］基于156例血栓抽吸术后患者的术前NCCT研究的结论类似，支持向量机（supportvectormachine，SVM）血栓影像组学特征模型预测责任血管再通的AUC为0.881。Patel等［9］的74例机械取栓研究同样发现术前NCCT血栓影像组学特征有助于预测机械取栓后成功再通（AUC为0.787）。Xiong等［10］提取双中心203例机械取栓患者的NCCT图像血栓影像组学特征，发现其预测再通的效能较高（AUC为0.805）。上述研究采用手动或半自动分割血栓，而NCCT仅能显示27%~54%病例的责任血管血栓［11］，因此未显示血栓者无法纳入影像组学分析，存在选择偏倚。但少数研究未取得肯定性结论，如vanVoorst等［12］的699例机械取栓前静脉溶栓桥接治疗患者中，术前NCCT影像组学研究结果显示，影像组学模型与影像组学临床综合模型预测成功再通的预测效能均较差（AUC分别为0.52、0.52）。推测造成上述差异的原因可能是Hofmeister等［8］和Patel等［9］的研究病例数较少（分别为156例和74例），而提取的组学特征过多，可能导致过度拟合与稳健性欠佳；而vanVoorst等［12］的研究例数较多，更能准确反映真实世界中基于NCCT组学的预测能力。此外，vanVoorst等［12］研究的病例均行静脉溶栓，可能改变了血栓结构及其影像特点，并因此影响了影像组学指标的预测能力；而Hofmeister等［8］未纳入静脉溶栓患者；Patel等［9］研究中静脉溶栓患者占比较低，约37%。因此，不同治疗方案下血栓影像组学对成功再通的预测价值尚需进一步研究。除了治疗前预测再通，影像组学还有助于预测机械取栓治疗后责任血管二次闭塞。如Yusuying等［13］针对61例机械取栓治疗患者进行研究发现，基于NCCT血栓组学特征与临床指标综合模型对二次闭塞预测效能较高（测试集AUC为0.762）。因此，NCCT血栓影像组学预测责任血管再通具有一定价值，但研究间结论不一，可能与样本量、特征选择、是否接受静脉溶栓等因素有关，上述研究存在的共同问题是缺乏外部验证，除了Xiong等［10］的研究，其余均为单中心数据，存在选择偏倚和过度拟合的缺点；另外，影像学方法较单一，缺乏深度反映血栓特征的新技术研究。因此应开展多中心、大样本、前瞻性的再通成功预测研究，并基于能量CT、定量磁敏感成像（quantitativesusceptibilityimaging）、弥散加权成像（diffusionweightedimaging，DWI）等有利于反映血栓异质性的影像资料提取信息，可能有利于进一步提高预测效能。除了预测有效再通，影像组学也有助于预警ALVOS无效再通（futilerecanalization），提取信息的兴趣结构包括梗死核心区及周围脑组织。无效再通是指患者机械取栓后闭塞血管已成功复流（mTICI≥2b级），但术后90d神经功能预后仍然不良（改良Rakin量表评分>2分），未达到再通治疗的目的。术前识别无效再通风险有利于避免不必要的有创治疗。如DaRos等［14］对70例完全再通患者（mTICI3级）进行的研究，提取了NCCT上基底节和半卵圆中心层面梗死区21个特征，构建集成学习模型，纳入临床指标后，预测无效再通的AUC从0.62上升至0.84，提示影像组学特征结合临床指标预测无效再通风险的有效性；但该研究仅考察完全再通（mTICI3级）患者，未包括mTICI2b级患者，因此推广价值有限。Sun等［15］进一步评估了mTICI2b级患者，同样发现综合临床NCCT影像组学特征模型预测无效再通效能较高，AUC为0.755。上述研究结果提示，术前NCCT影像组学模型可能有助于无效再通危险分层和治疗决策。除了基于治疗前影像的组学研究，再灌注治疗后影像组学同样具有预测价值，如Dong等［16］提取398例ALVOS患者再通后NCCT脑实质高密度区纹理特征，联合临床指标构建列线图模型，预测无效再通的AUC为0.870。但上述研究存在的问题是基于单一成像方法或成像序列提取信息，未能全面反映再通治疗后病理生理特点，包括局部微循环状态、血管内皮损伤，因此价值有限。总之，无效再通预测研究仍处于起步阶段，现有模型多基于NCCT，未能充分融合多模态影像数据，未来研究应结合灌注成像等功能MRI序列提取更多与无效再通病理变化相关的特征，进一步提高预测精度与效能。综上所述，基于多模态影像的组学分析既有利于预测机械取栓术后再通，也具有预测无效再通的前景，且影像组学指标与临床结合可进一步改善预测效能，但由于当前研究多基于NCCT资料，样本量较小、缺乏外部验证、数据过拟合等导致结果差异明显，且缺乏基于多模态MRI和其他功能成像的探索，如磁敏感加权成像、DWI等，尚待今后进行多模态影像指标、多中心病例研究进一步探讨或验证上述结论。二、预测ALVOS再灌注治疗后神经功能预后目前用于ALVOS再灌注后神经功能预后预测的影像组学基于NCCT、CTA、DWI、MRI灌注成像等，均被证明具有一定价值，其中以基于NCCT数据的研究居多。（一）基于血栓影像组学的预测研究ALVOS患者再灌注治疗后神经功能预后与病情严重程度、治疗时机与方式、基础疾病等因素密切相关，差异较大。基于血栓的影像组学研究结果提示其有助于预测治疗后神经功能预后，影像检查包括NCCT、CTA、能量CT。Li等［17］提取了102例机械取栓治疗ALVOS患者NCCT血栓的影像组学特征，结合常规影像学指标，综合模型预测神经功能预后的AUC为0.894。Zhang等［18］提取110例机械取栓患者CTA静脉期图像的血栓影像组学特征，联合临床指标、侧支循环评分及影像组学特征构建的极端梯度提升模型预测神经功能改善，AUC为0.889。该研究的重要之处在于首次提取静脉期血栓特征，反映血栓通透性及异质性，不足之处是未与CTA动脉期血栓特征研究对照，难以说明其优于常规动脉期分析法。CTA显示血栓比平扫更为确切，有利于准确设定提取信息的兴趣区，但CTA图像上血栓密度既受血栓本身密度影响，还取决于血栓通透性，可能影响血栓特征提取，尚需采用新技术如能量CT等克服这一不足。Ma等［19］发现能量CT的碘图可直接反映血栓通透性，碘图提取的影像组学指标预测神经功能预后优于CTA模型，而综合NCCT与碘图影像组学特征的多模态模型进一步提高了ALVOS预后预测能力（AUC可达0.92）。与上述研究结论不同的是，其他一些研究未得出类似的肯定结论。如vanVoorst等［12］的多中心大样本研究，基于血栓影像组学的随机森林（randomforest）模型预测机械取栓治疗ALVOS患者神经功能预后，AUC仅0.50，原因可能是影像设备与扫描方案的差异：Li等［17］、Zhang等［18］及Ma等［19］的单中心研究设备一致；vanVoorst等［12］则基于多中心、多CT机型的数据，扫描参数不一致，且仅为单期相CTA，可能高估了血栓范围。因此，尚需多中心、大样本、标准化图像采集进一步验证血栓CTA影像组学的预测价值。另外，联合临床指标对于改善神经功能预后预测的研究值得注意，如Sarioglu等［20］基于64例机械取栓治疗ALVOS患者NCCT提取纹理特征，联合临床指标预测神经功能预后的准确率为80%。Liu等［21］提取单中心246例患者机械取栓术后脑实质高密度区影组学特征，构建临床影像组学预测模型AUC为0.894。另一方面，取栓次数增多与神经功能预后不良有关，而影像组学也用于预测ALVOS达到成功再通所需要的取栓次数。如Hofmeister等［8］发现，血栓组学特征模型预测的取栓次数与实际取栓次数相关性较强，Pearson系数为0.73。此外，影像组学可用于评估血栓期龄，进而间接预测取栓次数与神经功能预后。如Wang等［22］针对104例接受机械取栓治疗ALVOS患者的研究结果显示，影像组学模型有利于区分新鲜和陈旧血栓（测试集AUC为0.773），陈旧血栓功能预后较差（P=0.031），且取栓操作次数增加。但上述关于取栓次数、血栓期龄的影像征组学研究较少，缺乏大样本机多中心分析，其结论尚需进一步研究证实。总之，基于血栓影像组学有利于预测ALVOS再灌注治疗后神经功能预后，进一步结合血栓周围脑实质和能量CT改善了预测准确度，但当前预测再灌注后神经功能预后的影像组学研究纳入病例数较少，多为单中心研究，存在选择偏倚和方法学的异质性，缺乏基于多模态MRI的研究，因此尚需基于大样本多中心、多模态成像研究进一步证实其对神经功能预后预测的价值。（二）基于栓塞血管周围结构的影像组学预测价值栓塞血管周围脑实质影像组学特征也具有类似的功能预后预测价值。如Li等［23］发现，联合血栓及其周围1mm范围内组织（血管壁及血管周围脂肪等）的CT影像组学特征对机械取栓后ALVOS患者功能结局的预测效能最佳（AUC为0.87），且基于血栓周围结构影像组学特征模型预测效能（AUC为0.80）优于血栓本身特征模型（AUC为0.70），原因是血栓周围组织的影像组学特征反映了血脑屏障完整性或局部微循环状态，从而提示继发性血管源性水肿以及再灌注损伤、出血性转化风险，而这些病理变化与神经功能预后息息相关。上述基于CT的栓塞血管周围结构影像组学研究较少，且效能有待于进一步提高，可能与CT检查指标单一、提取的信息有限有关。与CT比较，DWI能更好地反映AIS所致细胞毒性水肿，因此DWI提取的栓塞血管周围脑实质影像组学特征预测ALVOS再灌注治疗后神经功能预后的效能较高。一项360例机械取栓治疗的ALVOS研究中，提取DWI急性梗死区影像组学特征构建的SVM模型预测神经功能预后AUC为0.801［24］。杨东等［25］通过联合临床指标进一步提高SVM模型预测效能（AUC为0.935），提示临床指标包含与预后相关的重要信息。Xu等［26］提取257例患者静脉溶栓治疗前DWI及FLAIR序列图像上的急性梗死区影像组学特征，并以影像组学特征联合临床指标构建列线图模型，预测神经功能预后的训练集和测试集AUC分别为0.941、0.937，外部验证AUC分别为0.947、0.900。Pei等［27］进一步融合多模态MRI影像（DWI、FLAIR序列、T1WI）与ResNet101网络，构建临床、影像组学与深度学习特征联合模型，预测机械取栓患者神经功能预后的AUC为0.908。郭毅等［28］进一步联合治疗前、后DWI影像组学特征，得到的内部测试集及外部验证集预测AUC分别为0.960、0.901，但该研究未比较治疗前、后DWI影像组学特征的预测能力，不能说明联合治疗前后DWI预测优于二者之一。因此，栓塞血管周围结构的DWI影像组学对于神经功能预测具有一定价值，结合临床指标构建列线图可实现精准化预测，但尚需与常规MRI序列的组学预测效能进行比较，并应考虑治疗前后的差异。总之，无论是基于CT还是基于DWI序列，栓塞血管周围脑实质提取的组学特征均可用于ALVOS患者再通治疗后神经功能预后预测，当前相关研究存在的问题是模态单一，仅少数具有外部验证结果，未来应比较不同模态之间以及联合临床指标构建综合模型和列线图的预测价值，为临床转化奠定方法学基础。（三）基于灌注成像的神经功能预后预测研究灌注加权成像（perfusionweightedimaging，PWI）显示局部脑血流动力学状态，直接反映再通治疗后局部血流代偿程度，因此有助于ALVOS再通治疗后神经功能预后评价，主要方法包括动态增强对比灌注加权成像（dynamiccontrastenhancementperfusionweightedimaging，DCEPWI）、动脉自旋标记（arterialspinlabeling）、动态磁敏感对比灌注加权成像（dynamicsusceptibilitycontrastperfusionweightedimaging，DSCPWI），目前仅检索到DCEPWI和DSCPWI相关影像组学的神经功能预测研究。Yang等［29］提取76例ALVOS患者再灌注前DSCPWI缺血半暗带组学特征，预测神经功能预后的AUC高达0.915。Yassin等［30］进一步提取70例治疗前、后3DDSCPWI影像组学特征，构建集成机器学习模型，预测神经功能预后显著优于单一模型（准确率为0.93，F1分数达0.94）。上述研究证明了基于PWI影像组学的预测价值，但这些灌注成像检查需注射对比剂，扫描时间较长，一定程度上限制其常规应用。综上所述，基于PWI影像组学预测再通后神经功能预后研究涉及的方法限于DCE和DSC，主要局限性是需要注射对比剂，且不同方法之间缺乏比较，研究样本量较小，可能存在过度拟合，未来研究可进行多中心、大宗病例研究，并设置合理的外部验证，并应探索基于无需使用对比剂的动脉自旋标记灌注成像影像组学的预测价值，消除对比剂相关的不良反应。总之，基于CT及功能MRI影像组学模型有助于预测ALVOS患者再灌注治疗后神经功能预后，提取信息的部位包括血栓本身、栓塞血管周围结构以及缺血区域灌注成像。但血栓感兴趣区勾画及扫描方案存在差异，样本量较小，模态较单一，大部分研究缺乏外部验证，尚需多中心及标准化图像采集进一步验证。未来应纳入更多成像方式以及联合多模态CT、MRI，并综合有效临床指标，进一步提高再通治疗后神经功能预后的预测效能。三、预测ALVOS再灌注治疗后不良事件风险ALVOS再灌注治疗后不良事件是导致其预后不良的主要原因之一，这些不良事件包括出血转化（hemorrhagictransformation）、无效再通、恶性脑水肿（malignantcerebraledema，MCE）。目前研究已证明，基于CT和MRI的影像组学可提取并筛选ALVOS再灌注治疗术前及术后可预测不良事件的特征。（一）再灌注治疗后出血转化由于再灌注损伤，ALVOS闭塞血管再通后出血转化发生率较高，预后较差，死亡率较高［31］。因此，如何有效预测再灌注治疗后出血转化，以便进一步采取必要措施降低出血转化风险十分重要。目前研究证明，基于CT的影像组学模型有助于预测再灌注治疗后出血转化。Gong等［32］提取118例机械取栓治疗后ALVOS大脑中动脉血栓NCCT影像组学特征，以临床影像组学联合模型预测出血转化的AUC为0.877。该研究采用多中心数据，但样本量较少，同时缺乏外部验证。另一项研究［33］进一步提取NCCT、CTA图像血栓及血栓周围影像组学特征，构建的临床影像组学特征综合模型预测出血转化效能较高（AUC为0.850），但该研究未涉及取栓次数以及是否进行静脉溶栓桥接治疗等与出血转化风险密切相关的因素。Wen等［34］提取105例机械取栓治疗的ALVOS患者的大脑中动脉供血区NCCT纹理特征，其测试集预测出血转化的AUC为0.797。季丹丹等［35］提取NCCT与DWI配准后的316例静脉溶栓治疗患者的NCCT影像组学特征，构建临床影像组学模型，预测症状性颅内出血（symptomaticintracranialhaemorrhage，sICH）的AUC为0.763；但该研究仅纳入49例sICH，可能导致数据不平衡及模型学习不充分，因此需进一步平衡数据以提高模型稳健性。除了采用影像组学，还有作者联合应用深度学习与影像组学，进一步提升了预测出血转化效能。如Jiang等［36］提取239例ALVOS患者的机械取栓术后NCCT图像上脑实质高密度区的影像组学特征，构建深度学习模型，预测出血转化的AUC达0.887，效能优于单一常规影像组学模型，提示深度学习与影像组学结合有助于改善常规影像组学模型对出血转化预测能力。但以上研究均未考虑不同脑区梗死出血转化风险的差异。另外，尚未检索到针对出血转化不同分型预测的研究，包括出血性梗死（hemorrhagicinfarction，HI）及脑实质出血（parenchymalhemorrhage，PH），二者在出血程度、治疗及神经功能影响等方面均明显不同，准确预测HI与PH具有重要临床价值。因此，虽然基于NCCT和CTA的影像组学有助于反映ALVOS局部病变的异质性，对于再通后出血转化预测具有一定价值，但其效能仍有待提高，解决途径可能是采用更有效的深度学习方法，并融合临床指标的模型，构建个体化预测的列线图，从而实现临床转化。目前用于ALVOS患者再灌注后预测出血转化影像组学研究的MRI研究较少，提取数据的序列包括DWI和其他常规形态成像序列（如T1WI、T2WI、FLAIR序列等）。如缪丽琼等［37］提取214例ALVOS患者机械取栓治疗前的急性梗死区DWI及Tmax图像的影像组学特征，构建SVM模型，预测出血转化的AUC达0.921。而伊木然·苏比等［38］提取静脉溶栓治疗624例AIS患者的多模态MRI（T1WI、T2WI、FLAIR序列、DWI）影像组学特征，效能较低，内部验证集预测出血转化的AUC为0.872，外部验证集AUC为0.828。但相关探索较少，缺乏基于其他功能MRI如定量MRI、血管通透性成像以及NCCT与MRI之间的比较分析。因此，未来可联合常规及其他功能MRI序列，进一步提高影像组学预测ALVOS再灌注治疗后出血转化风险预测效能。总之，影像组学有助于预测ALVOS再灌注术后出血转化风险，但其预测效能差异较明显，且多数研究基于NCCT，MRI相关研究较少，尚未检索到不同出血转化亚型预测的文献，同时缺乏基于血管通透性和定量MRI的相关研究。未来需进一步行不同出血转化亚型及不同序列影像组学模型效能的比较，并纳入反映脑微循环特征的功能成像数据。（二）再灌注治疗后MCEMCE是ALVOS患者再灌注治疗后严重并发症之一，主要危害是造成占位效应，继而诱发脑疝与加剧脑缺血，死亡率较高，常需手术治疗。ALVOS再灌注治疗后MCE风险预测有助于分层治疗，既往采用临床指标（血糖、卒中病史、再灌注治疗）及影像学形态征象（中线移位、基底池闭塞）评估，而影像学形态征象往往出现于MCE晚期，因此不利于早期预警。目前研究已证明基于CT的影像组学有助于早期预测再灌注治疗后MCE。Wen等［39］提取111例机械取栓治疗患者的大脑中动脉供血区NCCT影像组学特征，结合临床指标，预测模型的AUC达0.879。但该研究仅比较了AUC值差异，未进行校准曲线、决策曲线分析，未能证明该方法的预测增益效能。Wang等［40］提取406例ALVOS患者机械取栓术前NCCT、CTA图像血栓及血栓周围区域影像组学特征及深度学习特征，构建MCE预测模型，外部验证集AUC为0.869，且发现血栓周围影像组学预测效能较高，提示血栓微环境特征可早期反映血脑屏障破坏。另外，机械取栓术后脑实质高密度区的组学特征也能反映血脑屏障破坏，进而提高MCE的预测效能。如Hu等［41］基于机械取栓术后脑实质高密度区影像组学特征构建的极端梯度提升模型训练集AUC为0.999，验证集为0.938。此外，有研究认为，ALVOS早期水肿源于脑脊液，推测基于脑脊液组学分析有助于预测MCE［42］。Jiang等［42］提取212例机械取栓治疗ALVOS患者的DWI图像上脑梗死区域以及FLAIR序列和DWI图像上脑脊液区的影像组学信息，发现DWI梗死区域及FLAIR图像提取的脑脊液影像组学特征联合预测MCE效能较好，且与DWI梗死区及DWI图像提取的脑脊液影像组学特征联合模型预测效能差异无统计学意义（P>0.05），测试集AUC为0.86，外部验证集AUC为0.84。但类似研究较少，未来尚需多中心及更多MRI常规序列（如T2WI）研究进一步验证。综上所述，基于NCCT和DWI的影像组学具有ALVOS再通后MCE风险的价值，但多模态CT与MRI的影像组学探索仍较少，现有研究多基于单一时间点的静态影像，未考虑ALVOS水肿动态演变过程。未来仍需进一步探索基于多时序及多模态影像组学对于ALVOS再灌注治疗后MCE风险的预测价值。四、小结与展望总之，基于CT和MRI的影像组学具有预测ALVOS再灌注治疗后预后及不良事件的良好前景，有利于提取常规形态学分析难以分辨的预后相关深度影像信息。大部分研究结果证明影像组学指标与临床指标联合可改善对ALVOS患者血管再通、神经功能预后、再灌注后不良事件的预测效能。但目前研究集中于有效和无效再通、远期神经功能预后、再灌注后不良事件预测等方面，且多为单中心、回顾性分析。未来应进行外部验证及数据标注标准研究，并进行治疗前后或不同治疗方案的对比分析，除了基于快速、经济的CT检查数据，随着影像设备效能的提高和普及，未来可提取更能反映ALVOS病理生理特征的多时序、多模态MRI的信息。关于人工智能分析方法，尚需采用潜力更大的深度学习和可解释性神经网络方法，综合相关临床和实验室指标，并由此建立标准化评估流程，易化病变分割与信息提取，提高自动化预测能力，构建普适性良好的预测模型，为大规模临床转化提供方法学和理论基础。参考文献[1]HilkensNA,CasollaB,LeungTW,etal.Stroke[J].TheLancet,2024,403(10446):2820-2836.DOI:10.1016/S0140-6736(24)00642-1.[2]阴均涛,冯丽,贾亚男,等.颈动脉蹼相关的急性前循环大血管闭塞的临床特征及预后[J].中华神经科杂志,2025,58(6):599-606.DOI:10.3760/113694-20240912-00619.YinJT,FengL,JiaYN,etal.Clinicalcharacteristicsandprognosisofcarotidweb-associatedacuteanteriorcirculationlargevesselocclusion[J].ChinJNeurol,2025,58(6):599-606.DOI:10.3760/113694-20240912-00619.[3]YaoZ,MaoC,KeZ,etal.Anexplainablemachinelearningmodelforpredictingtheoutcomeofischemicstrokeaftermechanicalthrombectomy[J].JNeuroInterventionalSurgery,2023,15(11):1136-1141.DOI:10.1136/jnis-2022-019598.[4]BaigAA,BouslamaM,TurnerRC,etal.MechanicalthrombectomyinlowAlbertastrokeprogramearlyCTscore(ASPECTS)inhyperacutestroke-asystematicreviewandmeta-analysis[J].BrJRadiol,2023,96(1152):20230084.DOI:10.1259/bjr.20230084.[5]中国研究医院学会介入神经病学专业委员会.颅内动脉粥样硬化性急性大血管闭塞血管内治疗中国专家共识[J].中国脑血管病杂志,2025,22(1):63-73.DOI:10.3969/j.issn.1672-5921.2025.01.010.ProfessionalCommitteeofInterventionalNeurologyinChineseResearchHospitalAssociation.Chineseexpertconsensusonendovasculartreatmentforacutelargevesselocclusionwithintracranialatherosclerosis[J].ChinJCerebrovascDis,2025,22(1):63-73.DOI:10.3969/j.issn.1672-5921.2025.01.010.[6]HeG,DengJ,LuH,etal.ThrombusenhancementsignonCTangiographyisassociatedwiththefirstpasseffectofstentretrievers[J].JNeurointervSurg,2023,15(2):146-152.DOI:10.1136/neurintsurg-2021-018447.[7]Porto-ÁlvarezJ,MartínezFernándezJ,MosqueiraMartínezAJ,etal.Ispersonalizedmechanicalthrombectomybasedonclotcharacteristicsfeasible?AradiomicsmodelusingNCECTtopredictFPEinAISpatientsundergoingthromboaspiration[J].JClinMed,2025,14(12):4027.DOI:10.3390/jcm14124027.[8]HofmeisterJ,BernavaG,RosiA,etal.Clot-basedradiomicspredictamechanicalthrombectomystrategyforsuccessfulrecanalizationinacuteischemicstroke[J].Stroke,2020,51(8):2488-2494.DOI:10.1161/STROKEAHA.120.030334.[9]PatelTR,SantoBA,BaigAA,etal.Histologicallyinterpretableclotradiomicfeaturespredicttreatmentoutcomesofmechanicalthrombectomyforischemicstroke[J].Neuroradiology,2023,65(4):737-749.DOI:10.1007/s00234-022-03109-2.[10]XiongX,WangJ,KeJ,etal.Radiomics-basedintracranialthrombusfeaturesonpreoperativenoncontrastCTpredictssuccessfulrecanalizationofmechanicalthrombectomyinacuteischemicstroke[J].QuantImagingMedSurg,2023,13(2):682-694.DOI:10.21037/qims-22-599.[11]AykacO,OzdemirAO,CenikliU.Isitpossibletopredicttheoutcomeofendovascularthrombectomyforhyperdensemiddlecerebralarterysignatthetimeoffirstadmission?[J].NigerJClinPract,2022,25(10):1674-1680.DOI:10.4103/njcp.njcp_2050_21.[12]vanVoorstH,BruggemanAAE,YangW,etal.Thrombusradiomicsinpatientswithanteriorcirculationacuteischemicstrokeundergoingendovasculartreatment[J].JNeurointervSurg,2023,15(e1):e79-e85.DOI:10.1136/jnis-2022-019085.[13]YusuyingS,LuY,ZhangS,etal.CT-basedthrombusradiomicsnomogramforpredictingsecondaryembolizationduringmechanicalthrombectomyforlargevesselocclusion[J].FrontNeurol,2023,14:1152730.DOI:10.3389/fneur.2023.1152730.[14]DaRosV,CavalloA,DiDonnaC,etal.Ensemblemachinelearningtopredictfutilerecanalizationaftermechanicalthrombectomybasedonnon-contrastCTimaging[J].JStrokeCerebrovascDis,2024,33(11):107890.DOI:10.1016/j.jstrokecerebrovasdis.2024.107890.[15]SunT,YuHY,ZhanCH,etal.Non-contrastCTradiomics-clinicalmachinelearningmodelforfutilerecanalizationafterendovasculartreatmentinanteriorcirculationacuteischemicstroke[J].BMCMedicalImaging,2024,24(1):178.DOI:10.1186/s12880-024-01365-7.[16]DongM,ChenC,ChenW,etal.ACTtexture-basednomogramforpredictingfutilereperfusioninpatientswithintraparenchymalhyperdensityafterendovascularthrombectomyforacuteanteriorcirculationlargevesselocclusion[J].FrontNeurol,2024,15:1327585.DOI:10.3389/fneur.2024.1327585.[17]LiL,LiM,ChenZ,etal.Prognosticvalueofradiomics-basedhyperdensemiddlecerebralarterysignforpatientswithacuteischemicstrokeafterthrombectomystrategy[J].FrontNeurol,2023,13:1037204.DOI:10.3389/fneur.2022.1037204.[18]ZhangX,YangX,XingZ,etal.Venous-phaseclotradiomicsandarterial-levelcollateralscorecanpredictneurologicalimprovementafterthrombectomy[J].JStrokeCerebrovascDis,2025,34(12):108461.DOI:10.1016/j.jstrokecerebrovasdis.[19]MaY,ZhaoY,DaiY,etal.Dual-energyCT-basedthrombusradiomicscanpredictfunctionaloutcomeofintravenousthrombolysisinacuteischemicstroke[J].TranslStrokeRes,2025,16(5):1733-1744.DOI:10.1007/s12975-025-01344-2.[20]SariogluO,SariogluFC,CaparAE,etal.TheroleofCTtextureanalysisinpredictingtheclinicaloutcomesofacuteischemicstrokepatientsundergoingmechanicalthrombectomy[J].EurRadiol,2021,31(8):6105-6115.DOI:10.1007/s00330-021-07720-4.[21]LiuF,HongJ,ChenY,etal.DevelopmentandvalidationofaCT-basedmulti-omicsnomogramforpredictinghospitaldischargeoutcomesfollowingmechanicalthrombectomy[J].FrontNeurosci,2025,19:1643014.DOI:10.3389/fnins.2025.1643014.[22]WangC,LiT,JiaZ,etal.Radiomicsfeaturesoncomputedtomographyreflectthrombushistologicalagepriortoendovasculartreatmentofacuteischemicstroke[J].JStrokeCerebrovascDis,2023,32(11):107358.DOI:10.1016/j.jstrokecerebrovasdis.2023.107358.[23]LiM,JiangJ,GuH,etal.CT-BasedIntrathrombusandperithrombusradiomicsforpredictionofprognosisafterendovascularthrombectomy:aretrospectivestudyacross2centers[J].AmJNeuroradiol,2025,46(4):681-688.DOI:10.3174/ajnr.A8522.[24]郭群,吴含,彭明洋,等.基于DWI的影像组学和机器学习预测急性脑卒中机械取栓后预后[J].磁共振成像,2021,12(10):32-35,48.DOI:10.12015/issn.1674-8034.2021.10.007.GuoQ,WuH,PengMY,etal.CombiningmachinelearningwithimagingomicscharacteristicsbasedonDWIinpredictingoutcomeaftermechanicalthrombectomyofacutestroke[J].ChineseJournalofMagneticResonanceImaging,2021,12(10):32-35,48.DOI:10.12015/issn.1674-8034.2021.10.007.[25]杨东,姚维和,朱武生,等.基于扩散加权成像影像组学特征和临床因素构建急性前循环大血管闭塞性卒中机械取栓预后预测模型的价值分析[J].中国脑血管病杂志,2025,22(9):587-600.DOI:10.3969/j.issn.1672-5921.2025.09.001.YangD,YaoWH,ZhuWS,etal.Adiffusionweightedimagingradiomicsandclinicalcharacteristics-basedpredictionmodelforprognosisofmechanicalthrombectomyinacuteanteriorcirculationlargevesselocclusionstroke[J].ChineseJournalofCerebrovascularDiseases,2025,22(9):587-600.DOI:10.3969/j.issn.1672-5921.2025.09.001.[26]XuQ,ZhuY,ZhangX,etal.ClinicalfeaturesandFLAIRradiomicsnomogramforpredictingfunctionaloutcomesafterthrombolysisinischaemicstroke[J].FrontNeurosci,2023,17:1063391.DOI:10.3389/fnins.2023.1063391.[27]PeiL,HanX,NiC,etal.PredictionofprognosisinacuteischemicstrokeaftermechanicalthrombectomybasedonmultimodalMRIradiomicsanddeeplearning[J].FrontNeurol,2025,16:1587347.DOI:10.3389/fneur.2025.1587347.[28]郭毅,陈罕奇,王同兴,等.机械取栓治疗前后扩散加权成像影像组学结合机器学习预测卒中的预后[J].中国医学影像学杂志,2022,30(6):535-540.DOI:10.3969/j.issn.1005-5185.2022.06.002.GuoY,ChenHQ,WangTX,etal.Combiningmachinelearningwithradiomicsbasedondiffusionweightedimagingbeforeandaftermechanicalthrombectomyinpredictingoutcomeofstroke[J].ChineseJournalofMedicalImaging,2022,30(6):535-540.DOI:10.3969/j.issn.1005-5185.2022.06.002.[29]YangH,GuoY,LuJ,etal.OptimizingacuteischemicstrokeoutcomepredictionbyintegratingradiomicsfeaturesofDSC-PWIandperfusionparametermaps[J].FrontNeurol,2025,16:1528812.DOI:10.3389/fneur.2025.1528812.[30]YassinMM,ZamanA,LuJ,etal.Leveragingensemblemodelsandfollow-updataforaccuratepredictionofmRSscoresfromradiomicfeaturesofDSC-PWIimages[J].JImagingInformMed,2025,38(3):1467-1483.DOI:10.1007/s10278-024-01280-x.[31]SunJ,LamC,ChristieL,etal.Riskfactorsofhemorrhagictransformationinacuteischaemicstroke:asystematicreviewandmeta-analysis[J].FrontNeurol,2023,14:1079205.DOI:10.3389/fneur.2023.1079205.[32]GongC,LiuY,MaW,etal.Thevalueofradiomics-basedhyperdensemiddlecerebralarterysigninpredictinghemorrhagictransformationinacuteischemicstrokepatientsundergoingendovasculartreatment[J].FrontNeurol,2024,15:1492089.DOI:10.3389/fneur.2024.1492089.[33]LiM,ZhouJ,ShengK,etal.RadiomicsofintrathrombusandperithrombusregionsforPost-EVTintracranialhemorrhageriskPrediction:amulticenterCTstudy[J].EurJRadiol,2024,178:111653.DOI:10.1016/j.ejrad.2024.111653.[34]WenX,XiaoY,HuX,etal.Predictionofhemorrhagictransformationviapre-treatmentCTradiomicsinacuteischemicstrokepatientsreceivingendovasculartherapy[J].BrJRadiol,2023,96(1147):20220439.DOI:10.1259/bjr.20220439.[35]季丹丹,王天乐,朱丽,等.临床因素联合平扫CT影像组学预测前循环缺血性脑卒中静脉溶栓后症状性出血转化的价值[J].中华放射学杂志,2024,58(10):1021-1027.DOI:10.3760/112149-20240115-00026.JiDD,WangTL,ZhuL,etal.Thevalueofacombinedmodelofclinicalfactorsandnon-contrastCTradiomicsinpredictingsymptomatichemorrhagictransformationafterintravenousthrombo