TMRKP：面向卒中相关肺炎与出血性转化的基于MRI的放射学知识感知型可信预测框架

《Neural Networks》：TMRKP: Trustworthy MRI-based Radiology Knowledge-aware Prediction Framework for Stroke-associated Pneumonia and Hemorrhagic Transformation

　　

• 采用2×2超序列配置，模拟放射科医生对四个MRI序列的整体阅读方式。
• 放射学知识感知的掩码建模策略增强了以WMH为焦点的MRI表征学习。
• 证据型多序列融合提高了SAP和HT预测的可靠性。
• 该框架在临床MRI数据上实现了SAP和HT预测的领先水平。

引言

卒中是全球死亡率和长期致残的主要原因，对全球公共卫生系统构成重大威胁（Ball等，2023）。脑部磁共振成像（MRI）（Billot等，2023）是诊断和评估急性缺血性卒中的核心技术。重要的是，预测卒中的下游并发症，即卒中相关肺炎（SAP）（Assefa等，2022）和出血性转化（HT）（Hong等，2021），对于优化患者管理和改善临床结局至关重要。具体而言，准确预测SAP和HT可以指导主动的临床干预措施，如制定个体化抗生素预防方案（Kishore等，2016）以及为溶栓或血管内治疗决策提供信息（Jiang等，2023）。除程序性决策外，神经保护药物治疗也已被积极研究，以减轻急性缺血性卒中后的脑损伤（Zhang等，2023b）。然而，此类疗法的治疗效果可能因SAP和HT等并发症而受到削弱，这进一步凸显了对其早期、可靠预测的重要性。在更广泛的卒中管理流程中，从早期预测到卒中后康复和辅助技术（Sepahi等，2018），并发症的准确预测是关键的上游组成部分。

在临床实践中，对SAP和HT等卒中相关并发症的评估——其临床表现往往复杂且交织在一起（Huang等，2024）——仍然严重依赖放射科医生对多序列脑部扫描的人工判读。该过程本质上耗时费力，且需要大量专业知识。诊断准确性可能易受观察者间变异和疲劳的影响，从而可能延误或遗漏对高风险患者的识别。因此，各种计算机辅助方法已被开发出来，包括基于临床评分的方法，如用于SAP的A2DS2评分（Kishore等，2016），以及整合扩散-灌注错配的影像组学模型（Wu等，2023）。然而，卒中病理的复杂和异质性表现对这些传统特征工程方法构成了重大挑战。因此，构建一个用于早期且可信地预测SAP和HT的自动化深度学习框架仍然是一个关键的未解决问题。

近年来，得益于深度学习在医学影像分析中的成功应用（Chang等，2025；He等，2025；Wang等，2026），已有大量研究致力于SAP和HT的预测（Ren等，2025；Zhou等，2024a）。这些方法可大致分为2D图像模型（Ozaltin等，2022）和3D多序列模型（Zhou等，2023a）。图像类方法从单个MRI序列预测SAP和HT。然而，由于单序列MRI表征能力有限，其在临床实践中的性能可能令人不满意。相比之下，多序列方法利用了各序列间的互补信息，从而能够捕获脑病变的全面病理表现。具体而言，特征级融合已成为多序列方法利用跨序列特征互补信息的主流策略，其中融合模块旨在从通道维度和序列维度整合特征关系。然而，现有的多序列方法仍存在两个关键局限性。在实际临床工作中，放射科医生并非孤立地查看每个MRI序列。相反，他们通常以网格布局同时分析多个序列（如DWI b0、DWI b1000、T1和FLAIR），并对其进行联合解读，如图1所示。这种整体阅读方式自然呈现了多个序列间的互补诊断线索。相比之下，当前大多数多序列模型仍将每个序列视为独立的输入流，并依赖简单的特征融合。具体而言，通道级拼接和基于注意力的重加权等融合操作主要聚合来自各个序列的高级描述符，但并未显式强制配准序列之间的空间对应关系。因此，放射科医生在比较同一层面序列时所依赖的跨序列线索并未被这些模型显式编码。尽管当前的预测模型利用通用视觉特征取得了有前景的结果（Zhou等，2023c），但它们很大程度上忽视了与卒中相关的影像模式，如脑白质高信号（WMH）。作为慢性小血管病和长期缺血损伤的生物标志物，WMH与卒中后并发症相关（Georgakis等，2019；Mok等，2015）。如图1所示，WMH的引导将模型指向临床关键区域和精细病变模式。如果没有WMH，模型倾向于忽视那些微妙但具有重要预后意义的病变。这种通用视觉建模与放射学知情推理之间的差距，限制了当前模型在卒中并发症预测方面的有效性和临床相关性。

为了解决这些问题，我们提出了一个基于MRI的可信放射学知识感知预测（TMRKP）框架，用于SAP和HT预测，该框架配备了放射学知识感知掩码建模（RKMM）和证据型多序列融合（EMF）。具体而言，TMRKP首先将四个序列组织为2×2超序列配置。这一结构模拟了放射科医生同时评估多个成像模态的方式。其次，为了将放射学知识注入表征学习中，我们明确以WMH作为本研究中的影像生物标志物。如上所述，WMH与SAP和HT具有临床相关性，并且可以在FLAIR图像上可靠识别。在自监督预训练期间，RKMM从FLAIR序列中分割WMH区域，并应用掩码策略引导模型关注这些区域，鼓励其学习具有临床意义的表征。第三，对于SAP和HT预测，EMF利用超序列和WMH感知掩码超序列的证据来建模预测不确定性，并通过Dempster-Shafer证据理论（DST）融合多序列证据以产生可信的预测。总结而言，主要贡献如下：

1. 提出了一种基于MRI的可信放射学知识感知预测（TMRKP）框架，用于SAP和HT预测。据我们所知，我们是最早采用2×2超序列配置来模拟放射科医生并排阅读多个配准序列的研究者之一。

2. 提出了放射学知识感知掩码建模（RKMM），该方法从FLAIR序列中分割WMH区域，并在自监督预训练期间应用掩码策略，引导模型关注这些区域以学习具有临床意义的表征。

3. 提出了证据型多序列融合（EMF），该方法利用超序列和WMH感知掩码超序列的证据建模预测不确定性，并通过Dempster-Shafer证据理论（DST）融合多序列证据以实现可信的结果。

**章节片段**

**SAP和HT的预测**

在近几十年中，SAP和HT的传统预测方法主要依赖临床评分、经典机器学习和基于影像组学的模型（Abujaber等，2025；Cao等，2025；Liu等，2025）。基于临床评分的方法在床旁提供了简单且可解释的风险分层。例如，Hoffmann等（2012）开发了A2DS2评分，该评分整合了……

**总体框架**

本文提出方法的总体框架如图2所示。它由序列拼接预处理、放射学知识感知掩码建模（RKMM）和证据型多序列融合（EMF）三部分组成。

具体而言，设??={???|??∈?}为MRI序列集合，其中索引集?={DWI b0, DWI b1000, T1, FLAIR}，第i个序列???∈?^??×??×??，其中H、W和D分别表示其高度、宽度和深度。首先，将原始集合??组织为2×2超序列??^super∈?^(2??×2??×??)，

**实验设置**

首先描述实验设置，包括数据集、评估指标和实现细节。

**结论**

本文提出了一种基于MRI的可信放射学知识感知预测（TMRKP）框架，用于预测卒中相关肺炎（SAP）和出血性转化（HT）。联合整合了放射学知识感知掩码建模（RKMM）和证据型多序列融合（EMF）以增强基于MRI的特征学习的可靠性。具体而言，RKMM鼓励视觉编码器关注具有临床意义的白质异常，而EMF则利用……

**CRediT作者贡献声明**

Chenyang Zhao：初稿撰写、可视化、软件、方法论。Yaoyao Yu：初稿撰写、正式分析。Tianyi Xia：审阅与编辑、监督、经费获取。Mengxuan Yuan：审阅与编辑、资源提供。Yunjun Yang：经费获取、数据管理。Chuanfei Hu：审阅与编辑、方法论、概念化。

**利益冲突声明**

作者声明不存在已知的可能影响本论文报告工作的竞争性经济利益或个人关系。

Chenyang Zhao | Yaoyao Yu | Tianyi Xia | Mengxuan Yuan | Yunjun Yang | Chuanfei Hu