基于CT影像的机器学习模型评估大脑中动脉区缺血性脑卒中严重程度

为解决急性缺血性脑卒中（AIS）神经损伤严重程度评估依赖主观NIHSS评分的问题，成都第三人民医院等团队通过多中心回顾性研究，开发了一种基于CT影像特征（梗死体积、基底节区受累等）的机器学习模型。研究采用Logistic回归算法构建预测模型，训练集和测试集的AUC分别达0.815和0.780，可客观区分严重（NIHSS≥15）与非严重卒中，为伴神经系统病史患者提供更精准的评估工具。

　　

脑卒中作为全球第二大死因，其中缺血性脑卒中（AIS）占比超50%，其严重程度评估直接关系治疗决策与预后。目前临床主要依赖美国国立卫生研究院卒中量表（NIHSS）评分，但该量表对伴神经系统病史患者易高估损伤程度。更棘手的是，大脑中动脉（MCA）区梗死占AIS主要部分，其闭塞可导致意识、运动等多系统功能障碍。如何通过客观影像特征量化评估MCA区卒中严重程度，成为临床亟待解决的难题。

为此，成都市第三人民医院联合重庆多家医院组成研究团队，在《BMC Medical Imaging》发表了一项创新研究。他们收集了173例MCA区AIS患者的治疗前CT影像数据，通过分析梗死侧别、基底节区受累、MCA高密度征等特征与NIHSS评分的相关性，首次构建了基于机器学习的卒中严重程度分类模型。

研究采用多中心回顾性设计，关键技术包括：1）半自动3D-Slicer软件分割梗死体积；2）Spearman相关性与多元线性回归筛选独立预测因子；3）7种机器学习算法（XGBoost、Logistic回归等）对比优化；4）5折交叉验证确保模型稳健性。

主要结果发现

1. 相关性分析：梗死体积（β=0.023）、基底节区受累（β=2.730）、左侧梗死（β=-2.111）和MCA高密度征（β=3.529）与NIHSS评分独立相关（P<0.05）。尤其基底节区受累患者NIHSS中位数达16分，显著高于未受累者（12分）。

2. 模型构建：Logistic回归表现最优，测试集AUC达0.780，准确率81.4%。模型可视化呈现为诺模图，例如一例左侧梗死（134 cm³）伴基底节受累患者，严重卒中概率预测达95%。

3. 临床验证：模型分类的严重卒中组出血转化率达75%，较NIHSS评分分类组（70.1%）更显著，证实影像评估对并发症预测的优越性。

这项研究开创性地将CT影像特征与机器学习结合，解决了传统评分受既往神经疾病干扰的痛点。尤其对伴痴呆或陈旧性脑梗死的患者，模型通过客观影像标志物实现"去伪存真"的评估。未来若整合CT灌注成像与深度学习自动分割技术，有望进一步提升评估精度，为个体化溶栓决策提供新范式。