人工智能在急性缺血性脑卒中经血管内血栓切除术的预后预测研究中的应用进展

The Application Progress of Artificial Intelligence in Prognostic Prediction for Endovascular Thrombectomy in Acute Ischemic Stroke

摘要: 急性缺血性脑卒中(AIS)是一种严重影响人类健康相关的疾病，其拥有高发病率和高死亡率，并与吸烟、高脂饮食等不良生活习惯相关，人工智能(AI)比如机器学习(ML)和深度学习(DL)，可以实现从临床及辅助检查尤其是成像学检查中提取特征数据，经过算法处理，得出可信结果。近几年AI更多地应用于医院系统的工作中，并成为临床工作及科研项目有力的帮手。本文全面综述了AI预测急性缺血性脑卒中(AIS)患者在经过血管内治疗，尤其是经过血栓切除术治疗后的预后情况，从而实现精准有效的临床管理和护理决策。此外，本文还批判性地评估了现有研究的局限性，并且指出了新的研究方向，最终目标是提高AIS患者的生存率。

Abstract: Acute ischemic stroke (AIS) is a serious human health-related disease that is characterized by elevated morbidity and mortality rates. It is often linked to detrimental lifestyle behaviors, including smoking and high-fat dietary intake. The advent of artificial intelligence (AI), encompassing machine learning (ML) and deep learning (DL) methodologies, facilitates the extraction and analysis of feature data derived from clinical and ancillary assessments, particularly imaging studies. These data are processed through sophisticated algorithms to yield reliable outcomes. In recent years, AI has been increasingly integrated into hospital systems, emerging as a formidable tool in both clinical practice and research initiatives. This paper presents a comprehensive analysis of AI applications in predicting the prognosis of acute ischemic stroke (AIS) patients following endovascular interventions, with a particular focus on thrombectomy procedures. The objective is to enhance the accuracy and efficacy of clinical management and care decision-making processes. Furthermore, the study critically examines the limitations inherent in current research and identifies prospective avenues for future investigation, ultimately aiming to improve the survival outcomes of AIS patients.

1. 背景

急性缺血性脑卒中(AIS)是一种严重影响人类健康相关的疾病，其拥有高发病率和高死亡率[1]。中国的脑卒中死亡率高于其他国家，并且仍然呈现快速增长的趋势[2]。大约80%的中风都是急性缺血性卒中(acute ischemic stroke, AIS)，这是中风最常见的类型。AIS以高残疾率、高死亡率和高复发率著称[3]，并且常常叠加多种慢性疾病，严重危害人类健康。而卒中发作往往是急性起病，卒中的一个重要预后指标是良好的侧支状态，这通常与疾病的恢复和复发密切相关[4] [5]。因此，建立良好的侧支循环成为卒中治疗重要的理念，其治疗效果是远优于其它对症不对本的治疗方式，因此血管内治疗(endovascular therapy, EVT)被推出，特别是支架辅助血管内机械取栓治疗，已成为脑卒中急性期的一种新的治疗方式，并已被国家和国际指南一致推荐[6]。

此前，静脉溶栓作为卒中主要的治疗方式，新英格兰医学杂志报道了2015年卒中超急性期的4项临床试验：SWIFT PRI [7]、MR CLEA [8]、ESCAPE [9]和EXTEND IA [10]。五项主要试验表明，在症状开始后6小时内静脉溶栓加支架辅助机械溶栓(也称为“桥接治疗”)比单独静脉溶栓更安全、有效且更成功，这一发现被认为是脑血管疾病即时治疗的重大进展。尽管近年来机械取栓术(EVT)的使用显著增加，但仍难以预测卒中后的长期预后，并且对于该手术对预后的影响、术后并发症的可能性以及出血或死亡的消退的研究仍然缺乏。是选择单独溶栓？还是单独进行血管内机械取栓术？亦或者两者结合？是否可以提前预测到预后情况，从而采取合适有效的治疗手段及时进行干预，进行个性化医疗，提高患者生存率？目前，使用机器学习(machine learning, ML)和深度学习(deep learning, DL)模型来预测单独静脉溶栓后缺血性卒中的短期预后更为常见[11]-[17]，关于使用AI预测EVT术后的预后情况的研究也逐渐增多，本文将对其进行整合。为了标准化预测和治疗，引入了人工智能，人工智能(AI)在医学上的发展促进了对机械取栓术治疗的预后和复发风险预测的研究[18] [19]。总体的流程为人工智能进行预测标志物的筛选，进而构建预测模型。关于预后标志物的选择，除了专业人员选择的因素外，通过统计测试获得的因素或通过机器学习或深度学习算法自动计算筛选出的标志物已被用于寻找预后结果的独立决定因素[19] [20]。那么，对于机械取栓术后的预后标志物的选择，通常为影像学标志物和临床数据标志物，针对影像学标志物，可以应用机器学习(ML)和深度学习(DL)与成像组学联合，通过对影像学信息的标准化提取及测量，可以从医学图像中提取肉眼无法看到的复杂信息，从而大大受益[21] [22]。

本文描述了血管内血栓去除术对AIS患者的优秀的治疗作用及用于预测卒中经机械取栓术后预后情况的人工智能(AI)技术的发展[23]。根据病人的临床或非临床特征，预测病人在某一特定时期出现某种特定健康问题的风险和可能性，被称为预后预测[24]。主要目的是提高医学专业人员和放射科医师对机械取栓术后急性缺血性脑卒中不良预后的临床和影像学指标的识别能力，改进对EVT后AIS患者各种预后的诊断和治疗策略，为精准和个性化医疗的应用奠定基础。

2. 血管内取栓术治疗急性缺血性脑卒中的情况

血管内取栓术治疗大面积脑梗死的缺血性脑卒中(AIS)患者的有效性可以被清楚地证明。Doheim等人[25]使用PubMed和MEDLINE数据库分析数据，确定独立性(mRS 0~3: RR = 1.78, 95% CI [1.28, 2.48], P = 0.0006)和功能独立性(mRS 0~2: RR = 2.54, 95% CI [1.85, 3.48], P < 0.001)的动态状态。巧合的是，Goyal等人[26]发现，血管内取栓导致90天残疾显著降低(校正后的cOR 2.49, 95% CI: 1.76~3.53; P < 0.0001)，该研究包括1287例患者(近前动脉循环闭塞) (634例接受EVT，653例接受其他干预)。此外，许多研究发现，血管内血栓切除术已成为急性缺血性卒中(AIS)的关键治疗方法，并且比其他可用的治疗方法提供更好的治疗效果。因此，预测血栓切除术后恢复情况，有利于进一步改善患者的生活质量，提高个性化医疗水平，并且进一步提高患者生存率。

3. 利用人工智能结合不同预测标志物预测预后情况

在使用人工智能预测缺血性卒中患者血管内取栓术后长期预后的研究中，标志物大多数选择了临床变量和成像生物标志物[27] [28]，人工智能通过整合多模态临床与影像学数据(如CT、MRI、DECT等)，结合机器学习与深度学习算法(如CNN、XGBoost、LightGBM等)，在急性缺血性脑卒中(AIS)患者血管内血栓切除术(EVT)后的预后预测中展现出显著潜力，能够提升个性化医疗决策的精准度。

3.1. 长期预后

3.1.1. 临床标志物和影像学标志物相结合

人工智能中包含了机器学习，机器学习中包含了深度学习，卷积神经网络(CNN)是一种专门从事深度学习和复杂模式学习的多层人工神经网络。CNN可以使用监督和无监督学习技术来分析各种成像数据集。这种集成可以发生在端到端处理中，当图像直接转换为输出信号时，或者在放射电子学工作流程中的特定点上。CNN可以通过多种成像方式(包括超声、CT、MRI、正电子发射断层扫描(PET)和组织学)提高AIS患者的预后预测准确性，通过迭代过程提高预测准确性[29]。CNN在处理多模态信息上具有显著优势，因此在结合临床和影像学这两者信息上首先被纳入分析。长期取栓结果是完全可以通过卷积神经网络进行预测的。通过结合临床和人口统计信息，Martín Vicario等人[30]创建预测模型。他们表明，深度学习策略可以得出预测模型，并且可以比较与每种预测相关的不确定性值，从而增强脑卒中患者EVT后结果的长期预后预测效果。

Brugnara等人[31]将临床和常规影像学数据结合起来，开发了一种准确率为0.711 (95% CI: 0.705~0.717)、工作特征曲线下面积为0.740 (95% CI: 0.733~0.747)的预测模型。他们发现单独使用影像学CT灌注高水平成像对预测性能(个体工作特征曲线下面积)没有增强作用。准确率仅为0.720 [(95% CI: 0.714~0.727); P = 0.150; 0.747 (95% CI: 0.740~0.755)]。进一步结合血管造影和介入后特征后(受试者工作特征曲线下面积，0.856 [95% CI: 0.850~0.861]；准确率显著提升为0.804 [95% CI: 0.799~0.810]; P < 0.001)。这意味着通过机器学习评估结合临床、多模态成像和血管造影特征可以准确预测急性缺血性卒中血管内治疗后的临床结果。大多数研究在使用影像学信息时，大多使用的是普通CT或CTA检查，但Hamann等人[32]推陈出新，使用磁共振成像(magnetic resonance imaging, MRI)特征来预测预后。研究队列包括在血管内取栓后6小时内大脑中动脉M1段阻塞的患者。弥散加权序列(diffusion weighted sequences, DWI)和灌注序列是主要选择的MRI序列，与单独使用临床变量的预测有效性相比，影像学数据的纳入增强了对脑卒中患者预后的预测，但是提升效果并不明显。可能是因为它只包括了两个MRI序列的数据，因此进一步的研究是必要的。为了检验治疗效果，许多其他研究[33]也同样纳入了临床和影像学信息，调整不同的机器学习策略，构建了不同的模型对长期预后进行分析[34]。

3.1.2. 仅临床标志物

在一项研究中，Petrovi等人使用基于年龄、美国国立卫生研究院卒中量表(NIHSS)基线值、中性粒细胞与淋巴细胞比值(NLR)、国际标准化比值(INR)、外周动脉疾病(PAD)、基线血糖和病前改良Rankin量表(pre-mRS)信息构建了一个初始的预测模型(仅使用基线数据)，之后在基线数据的基础上加入穿刺到手术结束(“PET”)和开始穿刺(“OPT”)。这两个术中信息使用同样的机器学习策略构建了一个预测模型，第一种模型的曲线下面积(AUC)为0.792，第二种模型的AUC值为0.837，证明了加入术中的临床信息能够提高预测模型的有效性。早期神经功能恶化(END)是血管内血栓切除术治疗后的急性缺血性卒患者恐怖的并发症，Yang等人[35]使用常规临床信息建立预测模型，应用的机器学习方法包括逻辑回归(LR)、随机森林(RF)、支持向量机(SVM)和极端梯度提升(XGBoost)，受试者工作特征曲线下面积(AUC)作为主要的评估指标，并且使用Shapley加法解释(SHAP)来解释预测模型的结果，在使用的模型中，XGBoost具有最高的预测能力(AUC = 0.826, 95% CI: 0.781~0.871)，远远优于其它机器学习模型，SHAP方法显示血糖是最重要的预测变量，这对之后研究预后标志物及机器学习策略的选择具有极大的帮助。

3.1.3. 仅影像学标志物

CT或/和CTA

单独使用院前CT平扫数据对脑出血或血肿形成的影像标记物进行机器学习分析、构建机器学习模型可以进行患者的长期预后预测。CT平扫(non-contrast CT, NCCT)的放射学评分可以预测出血扩大和患者取栓后死亡情况，在一项研究中，Liu等人[36]创造了一种机器学习模型，使用了CT平扫的放射学评分，预后结果为出血扩大和取栓后死亡情况，实现的AUC值为0.91。Sommer等人[29]根据入院“CTA”图像、“CTA + 治疗”(包括血栓切除术和再灌注成功时间信息)和“CTA + 治疗 + 临床”(包括入院年龄、性别和NIH卒中量表)训练了单独的结局预测模型，基于预先训练的ResNet-50 3D卷积神经网络在数据集上进行训练，分别实现了0.79、0.86、0.86的AUC值。结果表明了一个端到端的自动化模型的可行性，可以准确地通过入院CTA判断患者经血管内取栓后的预后情况。Hilbert等人[37]选择优化机器学习模型，基于CT血管造影图像，将深度学习模型与使用传统放射图像生物标志物的机器学习模型进行了比较，应用了残差神经网络(ResNet)架构，用结构化感受野(RFNN)和自动编码器(AE)对其进行了调整，最终的功能结果(平均AUC为0.71)和再灌注的所有折叠(平均AUC)的四个交叉验证折叠中的3个优于使用传统放射学图像生物标志物的模型。

MRI

Zhang等人[38]没有手动提取放射学特征，而是利用机器学习算法自动化提取入院前的MRI信息中的321个放射组学特征，这是比起之前的研究进步的一点，把经治疗后最终改良的脑梗死溶栓(mTICI)评分作为结局标准，并且再度使用机器学习算法构建预测模型，实现了0.74的AUC值，表明使用治疗前MRI可以很好地预测治疗后的结局，从而对术前筛选和术后治疗提供有效的帮助。在一项研究中，Liggins等人[39]没有使用机器学习算法，采取有监督学习的思路证明了年龄和DWI体积是脑卒中患者接受血管内治疗后预后结局的预测因子，此后Li等人[40]利用这个特点用DWI体积构建了一个深度学习模型，达到了很好地预测长期预后的效果。因为DWI与ADC (apparent diffusion coefficient)序列均是反应弥散的序列，Oura等人[41]就从ADC序列中提取有效信息构建了高效的预测模型。

可以看出，在仅使用影像学标志物的情况下，通过MRI构建模型要优于通过CT构建模型。

3.2. 短期预后

临床标志物和影像学标志物相结合

双能CT (dual-energy CT, DECT)

Heo等人[42]构建了基于术后双能CT的卷积神经网络(CNN)深度学习模型，用于预测血管内取栓术后72小时内出血转归。血管内取栓术最关键的并发症之一是出血转归，出血转归即脑组织缺血导致血脑屏障破坏，脑血管功能受损[43]，而其恰恰可以精准反映短期预后情况，预测血管内血栓切除术后出血转归对于预测术后恢复结果和护理决策是至关重要的[44]，DECT可以显示碘泄漏(血脑屏障破坏) [45]，这是出血转化的标志。与NCCT相比，双能CT和磁化率加权成像的特点之一是能够在EVT术后早期区分造影剂外渗和出血转化[46]。他们开发了一个深度学习模型，对于完整的训练数据集，平均AUC为0.867 (95% CI: 0.815~0.902)，AUC为0.952 (95% CI: 0.923~0.980)。在测试集上进行测试时，深度学习模型正确识别出AUC为0.911的出血转化患者，灵敏度为83%，特异性为94.1%，阳性预测值(PPV)为94%，阴性预测值(NPV)为83%。当与机器学习相结合时，DECT可以为血管内血栓切除术后的患者管理提供精确、及时的决策支持。

NCCT

Heo等人[47]开发了一种深度学习算法，通过提取非对比CT扫描构建的纹理特征来预测血管内血栓切除术后的出血转归，进而预测短期预后。这对于没有DECT的机构来说很重要，因为在接受血管内治疗(EVT)的急性缺血性卒中(AIS)患者中，非对比CT (NCCT)上的密度改变是一种常见的术后现象[46]。血管内取栓后，纹理特征可用于预测出血转化易感性。具有所有影像学组织学特征的Light GBM模型的曲线下面积(AUROC)为0.986 (95% CI: 0.971~1.000)，显著高于其他模型。他们的研究结果表明，基于组织学特征的深度学习模型和基于NCCT的深度学习模型可以可靠地预测条件不足的机构出血转化的结果可能性，有助于指导护理和治疗决策。

除了出血转化外，恶性脑水肿(MCE)和脑疝(CH)也会导致较差的短期结果。Zeng等人[48]根据临床和NCCT资料，使用LR-Stacking模型，该模型经过多次验证，可以可靠地预测出出血转化、脑疝(CH)和恶性脑水肿(MCE)，从而可以采取早期干预措施，改善预后。

使用NCCT预测血管内取栓后不良临床结果的价值不可低估，因为大约25%的血管内取栓后大血管闭塞(LVO)引起的急性缺血性卒中(AIS)患者表现出不良临床结果，即无效再通(FR) [49]。如果发生FR，对远期预后的预测就失去了价值。Da Ros等人[50]收集了70例机械取栓(MT)患者的NCCT数据和临床特征，采取EML作为预测模型，准确率为0.76，灵敏度为0.88，特异性为0.69，NPV为0.90，PPV为0.64，AUC为0.84。这表明使用NCCT信息，用机器学习方法进行特征提取，结合临床信息预测AIS患者在血管内取栓后出现无效再通(FR)方面是可行的。

4. 限制、未来和期望

尽管使用人工智能(AIS)预测中风在预测血管内治疗(主要是血管内血栓切除术)后的短期和长期预后方面显示出有希望的结果，但一些客观方面尚未得到解决。首先，从样本量及研究设计的角度分析，许多研究的样本量相对较小，尤其是单中心研究。例如，某些研究的样本量仅为几十到几百例患者。小样本量可能导致模型的过拟合，降低模型的泛化能力。小样本量可能导致研究结果的统计效力不足，无法充分捕捉到不同患者群体之间的差异，从而影响模型的预测准确性。此外，小样本量也可能导致模型在外部验证时表现不佳，限制了其在实际临床中的应用。大多数研究是回顾性设计，依赖于已有的临床和影像学数据。回顾性研究容易受到选择偏倚和数据不完整的影响。回顾性研究的设计可能导致数据的质量不一致，例如，某些关键变量可能缺失或记录不完整。此外，回顾性研究无法控制混杂因素，存在过度拟合和发表偏倚的风险，可能影响研究结果的可靠性。前瞻性研究虽然更为理想，但由于成本和时间限制，实施起来较为困难。过度拟合和发表偏倚可能源于大多数研究的回顾性设计和小样本量。模型的可信度被较大的误报率所削弱，可以通过创建多机构协作数据库来降低误报率。

其次就是数据质量的问题，数据质量是影响AI模型性能的关键因素。现有研究中，数据的标准化程度不一，尤其是影像学数据的采集和处理方式可能存在差异。数据质量的不一致性可能导致模型的预测性能下降。例如，影像学数据的采集参数(如CT或MRI的扫描参数)不同，可能影响特征的提取和模型的训练。此外，临床数据的记录不完整或不准确也会影响模型的预测效果。尽管深度学习模型(如卷积神经网络，CNN)在预测性能上表现出色，但其“黑箱”特性使得模型的决策过程难以解释。在临床实践中，医生和患者通常希望了解模型的决策依据。缺乏可解释性可能限制AI模型在临床中的接受度和应用。尽管一些研究尝试使用SHAP (Shapley additive explanations)等方法来解释模型的预测结果，但这仍然是一个需要进一步研究的领域。尽管在之前的研究中已经建立了许多模型(表1)，但大多数模型都强调部分受欢迎的特征和机器学习算法，并不是包罗万象的；现有研究大多仅使用单一的影像学或临床数据，缺乏多模态数据的整合。例如，很少有研究同时整合CT、MRI和临床数据进行预测。并且尚未有研究包含了多模态的影像学信息，比如同时整合CT、CTA和MR多序列信息进行独立预测或结合临床信息联合预测，单一数据源可能无法全面反映患者的病情。多模态数据的整合有望提高预测模型的准确性，但目前的研究在这方面仍显不足。未来的研究应探索如何更好地整合多模态数据，以提高模型的预测性能。目前尚未有研究从头到尾均采取深度学习自动化模型，譬如影像学纹理信息和临床信息的自动化提取，预测模型的自动化输出等。

大多数研究仅在单一机构或数据集上进行训练和验证，缺乏外部验证，缺乏外部验证可能导致模型的泛化能力不足，无法在其他机构或患者群体中有效应用。为了确保模型的广泛适用性，未来的研究应进行多中心的外部验证。不同种族和地理区域的患者可能存在不同的临床特征和预后情况。缺乏多样化的数据可能导致模型在其他群体中的预测性能下降。未来的研究应纳入更多来自不同地理区域和种族群体的数据，以提高模型的普适性，他们应该结合最好的可用数据，并使用包含来自不同地理区域的种族群体的数据库，并使用各种分割算法来消除人群之间的群体差异，以便产生更准确的预测。

从研究意义层面上讲，现有研究大多关注短期预后(如术后72小时内的出血转化)，而对长期预后(如术后6个月或1年的功能恢复)的研究较少。长期预后对患者的康复和生活质量至关重要。缺乏对长期预

Table 1. Current status of research on the application of artificial intelligence in prognostic prediction for endovascular thrombectomy in acute ischemic stroke

表1. 人工智能在急性缺血性脑卒中经血管内血栓切除术的预后预测研究中的应用现状

作者/年份	处理方式	对象	预测指标	统计学方法	使用的人工智能模型	预测标准	结果
Sommer等人[29] 202408	EVT	496 vs.95	临床数据 + 影像学数据(CTA)	Logistic回归	ResNet-503D卷积神经网络(“MedicalNet”)和RFC模型	预测前循环大血管闭塞(LVO)取栓术后3个月的预后	“CTA”, AUC: 0.70 (95% CI: 0.59~0.81) “CTA + Treatment”, AUC 0.79 (95% CI: 0.70~0.89) “CTA + Treatment + Clinical” and “CTA + Treatment”, AUC 0.86 (95% CI: 0.79~0.94) A “Treatment + Clinical” logistic regression model: AUC 0.86 (95% CI: 0.79~0.93)
Hilbert等人[37] 20191222	EVT	1526	临床数据 + 影像学数据(CT and CTA)	Logistic回归	RFNN-ResNet模型	良好的功能结局(mRS ≤ 2)和良好的再灌注(mTICI ≥ 2b)	良好的功能结局：AUC: LR 0.68 (95% CI: 0.66~0.69) RFC 0.66 (95% CI: 0.64~0.69) RFNN-ResNet 0.67 (95% CI: 0.59~0.73) 良好的再灌注：AUC: LR 0.52 (95% CI: 0.51~0.54), RFC 0.52 (95% CI: 0.50~0.55), RFNN-ResNet0.65 (95% CI: 0.55~0.72)
Martín Vicario等人[30] 20240306	EVT	220	临床数据 + 影像学数据	logistic回归	考虑不确定性的图深度学习模型	三个月修订Rankin量表(mRS)和死亡率	图卷积网络(GCN)用于mRS预测：AUC 0.87 全连接网络(FCN)用于死亡率预测：AUC 0.86
Heo等人[42] 202305	EVT	202	影像学数据(DECT)	曼–惠特尼U检验、皮尔逊卡方检验、德隆检验	三维卷积神经网络(CNN)	出血性转化	深度学习模型平均AUC: 0.867 (95% CI: 0.815~0.902) AUC：0.911 (95% CI: 0.774~1.000) 基于临床变量的逻辑回归模型平均AUC: 0.775 (95% CI: 0.709~0.842) AUC: 0.634 (95% CI: 0.385~0.883) 放射组学模型在测试数据集上的表现显著优于临床模型(P  <  0.001)
Heo等人[47] 202406	接受溶栓治疗或血栓切除术	(7:3 比例)	影像学数据l (NCCT)		LightGBM模型	24小时后(MRI)评估出血性转化	LightGBM模型：AUROC 0.986 (95% CI: 0.971~1.000) ExtraTrees模型：AUROC 0.845 (95% CI: 0.774~0.916) 临床普通模型：AUROC 0.544 (95% CI: 0.431~0.658)
Da Ros等人[50] 20240111	EVT	70 (7:3比例)	临床数据 + 影像学数据(NCCT)		集成机器学习非对比脑CT (NCCT)影像预测模型	无效再通(FR)	EML模型结合临床数据显示，准确率为0.76，灵敏度为0.88，特异性为0.69，NPV为0.90，PPV为0.64，AUC为0.84
Brugnara等人[31] 202012	EVT	246	临床数据 + 影像学数据(CT)		使用梯度提升分类器的机器学习	90天时的改良Rankin量表(mRS)评分(mRS-90)	临床和常规影像特征包括血管造影和介入后特征，显著性(AUC: 0.856 [95% CI: 0.850~0.861]；准确率，0.804 [95% CI: 0.799~0.810]；P < 0.001)
Hamann等人[32] 2020104	EVT	222	临床数据 + 影像学数据(MRI)	二元或顺序logistic回归 模型	有利功能结局的 预测模型	90天时的改良Rankin量表(mRS)评分(mRS-90)	PtC: AUC 0.654 (95% CI [0.582, 0.726]) PtC + MRI: AUC 0.675 (95% CI [0.602, 0.748])
Li等人[40] 20220828	EVT	182 vs. 78	影像学数据(DWI)	独立样本t检验和卡方检验	预测预后的模型	机械取栓后的预后	训练集：AUC 0.945 (95% CI: 0.890∼0.975) 测试集：AUC 0.920 (95% CI: 0.849∼0.981)

后的研究可能限制了AI模型在临床决策中的全面应用。未来的研究应加强对长期预后的预测，以提供更全面的临床决策支持。

5. 结论

总之，利用人工智能对经过血管内治疗尤其是血栓去除术(EVT)的急性脑卒中患者(AIS)进行预后预测，预后判断和术后生存期预测取得的进展是比较令人欣喜的，然而，现有的研究涉及术后恢复脑功能预测的文献很少，尤其是急性脑卒中患者(AIS)在经过血管内治疗后的情况下。利用医学成像学中的先进特征提取技术来识别难以察觉的特征，并开发结合临床和成像组学数据的预测模型，可以帮助临床医生做出及时有效的临床决策，从而改善治疗效果，及时识别不良预后加以干预，降低术后不良结局的概率，并最终提高AIS患者的术后生存率。我们可以根据脑功能成像如BOLD序列MRI成像，识别AIS经EVT术后会损伤的具体核团，结合临床数据，建立全面的、无创的风险预测模型，从而可以设计针对性的药物进行提前干预。据推测，人工智能的进步，特别是在术后的干预决策、成像组学及深度学习领域，可以在AIS患者的血管内治疗特别是EVT治疗后的预后效果方面取得重大进展，最终改善更多人群的临床结果。

致 谢

在此，我衷心感谢所有在我完成论文过程中给予帮助和支持的人。首先，我要感谢我的导师沈思教授，感谢您在学术研究、论文写作过程中提供的宝贵指导和悉心教诲。您的专业知识和严谨的态度深深影响了我，也让我在科研道路上受益匪浅。

感谢暨南大学第一临床医学院提供的研究平台和资源支持，使我能够顺利开展研究工作。特别感谢他们在研究过程中提供的帮助和建议。你们的合作与支持让我度过了许多难忘的时光。

最后，感谢所有曾经给予我帮助的人。正是因为你们的帮助和支持，我才能顺利完成这篇论文，迈向新的学术征程。

NOTES

^*第一作者。

^#通讯作者。