编辑推荐：
这篇综述聚焦急性缺血性卒中（AIS）出血转化（HT）预测。通过对相关研究的系统分析，发现深度学习（DL）和影像组学模型预测潜力大，临床联合模型表现更优，但仍存在方法学问题，对 AIS 治疗策略优化有重要参考价值。
急性缺血性卒中与出血转化概述
急性缺血性卒中（Acute ischemic stroke，AIS）是导致死亡和发病的主要原因之一，出血转化（Hemorrhagic transformation，HT）作为其严重并发症，极大地影响患者的预后。准确预测 HT 对于优化 AIS 患者的治疗策略至关重要。在临床实践中，若能提前知晓患者发生 HT 的可能性，医生就能更有针对性地选择治疗方案，如是否进行溶栓、取栓等操作，从而降低患者的致残率和死亡率。
研究目的与方法
本研究旨在评估深度学习（Deep learning，DL）和影像组学通过影像学预测 HT 的准确性和实用性，为 AIS 患者的临床决策提供依据。研究人员在 PubMed、Scopus、Web of Science、Embase、IEEE 这五个数据库中进行了全面的文献检索，检索时间截至 2025 年 1 月 23 日。纳入的研究需涉及基于 DL 或影像组学的机器学习（Machine learning，ML）模型用于预测 AIS 患者的 HT。对训练模型、验证模型和临床联合模型的数据分别进行提取和分析，运用随机效应双变量模型计算合并敏感度、特异度和受试者工作特征曲线下面积（Area under the curve，AUC）。同时，使用方法学影像组学评分（Methodological Radiomics Score，METRICS）和 QUADAS - 2 工具对研究的质量进行评估。
研究结果
经过筛选，最终有 16 项研究纳入荟萃分析，共涉及 3083 名个体参与者。训练队列的合并 AUC 为 0.87，敏感度为 0.80，特异度为 0.85；验证队列的 AUC 为 0.87，敏感度为 0.81，特异度为 0.86；临床联合模型的 AUC 达到 0.93，敏感度为 0.84，特异度为 0.89。研究过程中注意到存在中等到严重的异质性，并采取了相应措施进行处理。进一步分析发现，DL 模型在预测 HT 方面的表现优于影像组学模型，而临床联合模型又比单纯的 DL 模型和影像组学模型更具优势。研究的平均 METRICS 评分为 62.85%，且未检测到发表偏倚。
模型优势分析
DL 模型凭借强大的自动特征提取能力，能够从复杂的医学影像中挖掘出深层次的特征信息。例如，它可以精准识别缺血区域的细微纹理变化、血流动力学特征等，这些特征对于预测 HT 具有重要意义。相比之下，影像组学模型虽然也能提取多种影像特征，但在处理复杂数据和发现潜在特征关系方面相对较弱。临床联合模型则整合了临床信息和影像特征，为预测提供更全面的依据。临床信息包括患者的年龄、基础疾病、症状表现等，这些因素与影像特征相结合，能够更准确地评估患者发生 HT 的风险。
研究局限性与展望
尽管 DL 和影像组学模型在预测 AIS 患者的 HT 方面展现出巨大潜力，但目前仍存在一些方法学问题。首先，不同研究的参考标准不一致，这使得研究结果之间的可比性受到影响。有的研究以临床症状结合影像学检查作为诊断 HT 的标准，而有的研究则仅依靠影像学表现，标准的差异可能导致对 HT 的诊断存在偏差。其次，外部验证有限，大部分模型在不同的医疗环境和患者群体中的泛化能力尚未得到充分验证。未来的研究需要统一参考标准，加强外部验证，提高模型的可靠性和稳定性，以便更好地将这些模型应用于临床实践，为 AIS 患者的治疗带来更大的益处。
