基于2.5D MRI与临床特征融合的自动编码器模型预测缺血性脑卒中患者术后功能与预后

《BMC Medical Imaging》：AI post-intervention operational and functional outcomes prediction in ischemic stroke patients using MRIs

本研究针对急性缺血性脑卒中(AIS)患者术后短期住院时长(LOS)和90天改良Rankin量表(mRS)预测的临床难题，创新性地提出采用自动编码器(AE)融合2.5D弥散加权成像(DWI)与电子健康记录(EHR)数据的方法。研究团队在包含2164例患者的公开数据集上验证显示，该模型预测LOS>8天的AUC达0.817，mRS>2的AUPRC达0.685，较传统卷积神经网络(CNN)方法具有计算效率优势，为临床决策提供了新型智能化工具。

　　

在每年约70万例美国急性缺血性脑卒中(AIS)患者中，术后功能恢复预测始终是临床决策的痛点。当前指南对住院时长(LOS)和90天改良Rankin量表(mRS)等关键预后指标缺乏精准预测手段，而传统机器学习方法多依赖电子健康记录(EHR)，忽视了弥散加权成像(DWI)等影像学标志物的空间信息价值。

美国弗吉尼亚大学(University of Virginia)等机构的研究人员开发了创新性的自动编码器(AE)融合方法，通过整合2.5D DWI与42项临床特征，在ICPSR数据库2164例患者中实现了优于传统模型的预测性能。该研究发表在《BMC Medical Imaging》的论文显示，新方法预测严重LOS(>8天)的AUC达0.817，识别长期残疾(mRS>2)的F1-Score达0.626，且模型参数较Resnet减少26%，展现出显著的临床应用潜力。

关键技术包括：1) 采用ICPSR数据库中1491例LOS和974例mRS数据建立分层训练集；2) 开发2.5D自动编码器提取DWI特征嵌入；3) 融合图像衍生特征(IDF)如病灶体积与血栓位置；4) 对比传统CNN与新型DAFT融合方法；5) 使用Grad-CAM可视化模型决策区域。

方法学创新

研究团队提出模块化两阶段建模策略：先通过AE无监督学习压缩2.5D DWI为128维嵌入向量，再与EHR特征联合训练分类器。这种设计较传统端到端CNN训练速度提升40%，且支持跨模态扩展。

预测性能比较

在LOS预测中，AE+IDF组合的AUPRC(0.573)显著高于单纯EHR模型(0.470)；对于mRS预测，Resnet+IDF取得最高AUPRC(0.685)，但AE模型标准差降低37%，显示更稳定的泛化能力。值得注意的是，病灶体积与两种结局均显著相关(p<0.01)，证实影像特征的预后价值。

临床决策可视化

Grad-CAM热图显示模型能准确定位DWI上的梗死区域，

尤其在大型病灶中决策权重集中，而小病灶时则更多依赖临床特征，反映模型具备类人的综合判断能力。

讨论与展望

该研究首次证实自动编码器在脑卒中预后预测中的技术优势：1) 特征提取与预测任务解耦，支持多结局预测；2) 嵌入向量可跨序列复用，降低75%计算成本；3) 较传统ASPECTS评分更全面捕捉空间信息。局限性在于缺乏外部验证，且未纳入治疗方式变量。未来可通过纳入CTP序列和多时间点MRI进一步提升预测精度。

这项研究为智能化卒中管理提供了新范式，其模块化设计特别适合医疗信息化系统部署。AE方法在保持预测性能的同时显著降低实施门槛，使基层医院也能受益于AI决策支持，有望推动卒中预后预测的临床普及。