《Physiological Reports》：Mechanisms and integrative machine learning approaches to blood–brain barrier biomarker profiling for personalized ischemic stroke management
缺血性卒中仍是全球范围内导致死亡与残疾的首要病因，其中血脑屏障（Blood–Brain Barrier, BBB）破坏在血管源性水肿、神经炎症、出血性转化及继发性神经元损伤的发生发展中发挥核心作用。BBB是由内皮紧密连接、周细胞、星形胶质细胞及基底膜结构组成的特化神经血管单元（Neurovascular Unit, NVU），在缺血-再灌注损伤过程中会发生协调一致的分子与细胞改变，产生包含内皮功能障碍、氧化应激、炎症介质及细胞外基质重塑在内的多样化生物标志物特征。然而，传统生物标志物与影像学方法无法完全捕捉BBB损伤的动态性与异质性。对BBB来源生物标志物的有效解读需要明确其分子与细胞起源的机制学认知，因此将BBB病理生理学与计算建模相结合是实现临床转化价值的核心前提。近年来，机器学习（Machine Learning, ML）与深度学习（Deep Learning, DL）的发展使得整合神经影像、分子数据、临床信息与多组学数据成为可能，可用于表征BBB功能障碍并改善卒中预后预测。基于ML的模型已在识别与梗死进展、出血性转化及功能恢复相关的BBB特征谱中展现出应用价值，而深度神经网络进一步提升了病灶分割与预后建模的准确性。尽管取得上述进展，数据异质性、纵向数据集有限及模型可解释性等挑战仍是临床转化的主要障碍。本综述整合BBB破坏的分子与细胞机制与用于BBB生物标志物谱分析的机器学习方法，为迈向生物学指导下的缺血性卒中个体化诊疗提供了路径参考。
1 引言
缺血性卒中历经半个多世纪的研究与管理发展，仍持续超越医学创新速度，造成日益加重的全球健康负担。尽管预防与急性期救治不断进步，卒中仍是致死致残的首要原因，每年造成的经济损失超过8900亿美元（约占全球国内生产总值（Gross Domestic Product, GDP）的0.66%）。1990至2021年间，卒中发病率上升70%，死亡率上升44%，患病率上升86%，其中低收入与中等收入国家承担了近87%的死亡与89%的伤残调整寿命年（Disability-Adjusted Life-Years, DALYs）。近年来，机器学习技术，尤其是深度学习与神经网络，已成为卒中研究中的重要工具，可实现精准的影像检测、生物标志物谱分析及数据驱动的个体化诊疗，标志着向真正智能化、个体化的卒中管理模式的转变。
从机制与预测层面理解缺血性卒中，需要将分子与细胞损伤过程与可测量的生物标志物及计算模型相关联。在此背景下，血脑屏障（BBB）破坏是连接缺血性损伤与下游生物标志物释放的核心病理生理事件，也为数据驱动预测与精准建模提供了机制学基础。
BBB是维持中枢神经系统稳态的高度选择性界面，通过调控血液与脑组织间的分子交换发挥作用。其由紧密连接蛋白（闭锁蛋白occludin、闭合蛋白claudin-5、闭锁小带蛋白ZO-1与ZO-2）连接的内皮细胞构成，周细胞、星形胶质细胞终足及基底膜共同支撑以维持屏障完整性，保护神经组织免受毒素与病原体侵害。在缺血-再灌注损伤过程中，氧与葡萄糖剥夺继发的氧化应激与炎症应激会破坏上述结构组分，导致紧密连接蛋白降解、内皮功能障碍、肿瘤坏死因子-α（Tumor Necrosis Factor-alpha, TNF-α）、白细胞介素（Interleukin, IL）-1β与IL-6等细胞因子释放，并最终引发血管源性水肿。BBB的这种崩解会加剧神经炎症、水肿与神经元损伤，凸显其在卒中病理生理学中的关键作用，也使其成为生物标志物发现与高级计算建模的潜在靶点。
BBB在缺血性卒中中的关键作用提示，需要可靠的生物标志物来评估屏障完整性并指导卒中管理。尽管放射性标记化合物、葡聚糖、脑脊液蛋白等传统标志物，以及动态对比增强磁共振成像（Dynamic Contrast-Enhanced Magnetic Resonance Imaging, DCE-MRI）、动态磁敏感对比磁共振成像（Dynamic Susceptibility Contrast Magnetic Resonance Imaging, DSC-MRI）、动脉自旋标记（Arterial Spin Labeling, ASL）等影像学技术可提供有价值的参考，但尚无单一方法能完整捕捉BBB破坏的动态性与复杂性。
血液学生物标志物在评估BBB完整性方面具有应用前景，但普遍存在变异性大、灵敏度低的问题。近期研究显示，虽然神经元特异性烯醇化酶、胶质纤维酸性蛋白等生物标志物在急性缺血性卒中患者中升高，但其诊断效能在不同研究中存在显著差异。这些局限性凸显了计算与机器学习方法的潜力：这类方法可整合多模态数据，包括影像学、分子数据与外周血谱，以识别模式、预测结局并支持缺血性卒中的个体化诊疗。本综述整合BBB破坏的分子与细胞机制与用于BBB生物标志物谱分析的机器学习方法，阐明机制学指导的计算建模如何推动缺血性卒中的个体化预测、诊断与治疗策略发展。
2 缺血性卒中中血脑屏障功能障碍的病理生理学与时间动力学
2.1 血脑屏障：神经血管稳态中的结构与功能
BBB是通过协调的分子、细胞与信号机制维持中枢神经系统稳态的高度特化界面，由脑微血管内皮细胞经紧密连接蛋白（如claudin-5、occludin与VE-钙黏蛋白）相互连接构成，周细胞、星形胶质细胞终足与基底膜为其提供支持，共同组成神经血管单元（NVU）的一部分。BBB通过葡萄糖转运蛋白-1、大中性氨基酸转运体等特异性载体双向调控分子运动，同时P-糖蛋白等外排泵可阻止异物进入。免疫监视通过黏附分子的低表达与受调控的细胞因子信号实现。
BBB同时作为动态信号枢纽发挥作用，内皮细胞、星形胶质细胞与周细胞之间的相互作用可调节血管通透性与代谢耦联。内皮机械转导在此过程中发挥关键作用：内皮糖萼是延伸至血管腔内的糖蛋白-蛋白聚糖层，在BBB内皮细胞上高表达，已被证实可调节屏障通透性。在生理应激状态下，核因子红细胞2相关因子2（Nuclear factor erythroid 2-related factor 2, Nrf2）等氧化还原敏感通路可维持线粒体完整性，而血管内皮生长因子（Vascular Endothelial Growth Factor, VEGF）与基质金属蛋白酶（Matrix Metalloproteinases, MMP-2与MMP-9）则影响连接稳定性与细胞外基质重塑。在缺血性卒中中，上述通路失调会导致氧化损伤、紧密连接降解与炎症浸润，最终损害BBB完整性。
2.2 内皮糖萼脱落（超急性损伤期）
内皮糖萼脱落是缺血性卒中中导致BBB破坏与后续神经炎症的关键早期事件。缺血期间，氧与葡萄糖剥夺引发氧化应激、酸中毒与酶活性激活，尤其是C与透明质酸酶的激活，可降解糖萼的硫酸乙酰肝素与硫酸软骨素组分。这种酶解过程损害血管屏障功能，促进白细胞浸润与水肿形成。光血栓性卒中小鼠模型研究显示，糖萼降解伴随乙酰肝素酶活性升高与脑血管糖萼离子组成改变，证实了其在卒中急性期动态重塑的特征。
糖萼脱落并非全局发生，而是呈空间异质性分布，暴露于机械应力或氧化失衡的血管区域尤为易感。在脑内，这种局部降解会带来不成比例的严重后果：即便是轻微的BBB损害也会破坏神经血管单元稳态，加速缺血性损伤进展。
在分子层面，内皮糖萼降解会被丙烯醛等活性醛类放大，丙烯醛是缺血-再灌注损伤过程中产生的脂质过氧化毒性副产物。丙烯醛通过翻译后修饰位于6-kDa连接区附近的特定赖氨酸残基（Lys107、Lys139与Lys161）激活前乙酰肝素酶，从而将无活性的酶原转化为具有催化活性的形式。在脑血管中，卒中发作后前乙酰肝素酶表达显著升高，联合给予N-乙酰半胱氨酸与糖胺聚糖寡糖可减少梗死体积，效果优于单用N-乙酰半胱氨酸，表明氧化激活的前乙酰肝素酶直接参与糖萼降解与脑血管损伤。由于前乙酰肝素酶（而非成熟前乙酰肝素酶）可与硫酸乙酰肝素蛋白聚糖胞外结合，丙烯醛修饰的前乙酰肝素酶是糖萼丢失的关键胞外效应因子，也是内皮保护的潜在治疗靶点。
这种醛类驱动的通路将氧化应激、机械转导失败与糖萼降解、BBB渗漏相联结，放大血管易损性。随之暴露的内皮黏附分子，如细胞间黏附分子-1（Intercellular Adhesion Molecule-1, ICAM-1）与血管细胞黏附分子-1（Vascular Cell Adhesion Molecule-1, VCAM-1），可促进白细胞募集，进而传播神经炎症与继发性神经元损伤。近期研究显示，抑制乙酰肝素酶或MMP-9可减少实验性卒中中的炎症标志物并改善行为学结局，凸显了保护糖萼完整性的治疗潜力。
整合转录组学与先进影像的多模态研究揭示，缺血性卒中中的糖萼重塑是双向且细胞类型特异性的，同时影响内皮与白细胞表面。这提示内皮糖萼破坏不仅是结构恶化，更是连接血管炎症、BBB功能障碍与神经功能恢复受损的机制枢纽。机器学习与计算建模已被用于基于多模态数据预测BBB通透性，证明了建模BBB完整性与屏障破坏特征的可行性。未来通过机器学习框架整合分子、影像与生物力学数据，有望实现对糖萼动力学的精准表征与新治疗靶点的识别。保护糖萼（无论是通过抑制酶解、减轻氧化应激还是恢复生物合成通路）仍是保护BBB功能、改善缺血性卒中结局的有前景策略。这种早期糖萼破坏是BBB完整性发生的首个体征性结构崩解，启动了定义缺血进展的下游氧化与炎症损伤级联。
2.3 氧化应激与线粒体损伤（BBB损伤播散期）
在内皮糖萼降解与炎症激活之后，氧化应激成为神经血管损伤的核心介导因素，驱动线粒体功能障碍并放大血脑屏障崩解。线粒体衰竭损害氧化磷酸化，导致活性氧（Reactive Oxygen Species, ROS）蓄积、内质网应激，并通过Na+/K+ATP酶失效与Ca2+超载破坏离子稳态。升高的Ca2+激活蛋白激酶C，进而增强烟酰胺腺嘌呤二核苷酸磷酸（Nicotinamide Adenine Dinucleotide Phosphate, NADPH）氧化酶介导的ROS生成。过量ROS诱导脂质过氧化及对蛋白质、DNA与RNA的氧化损伤，最终导致神经元功能障碍与死亡。
缺血性卒中后，铁死亡的两大标志性特征——脂质过氧化与铁蓄积——均表现明显，同时谷胱甘肽过氧化物酶4（Glutathione Peroxidase 4, GPX4）、酰基辅酶A合成酶长链家族成员4（Acyl-CoA Synthetase Long-Chain Family Member 4, ACSL4）与溶质载体家族7成员11（Solute Carrier Family 7 Member 11, SLC7A11）等铁死亡相关基因的表达发生改变。这些过程进一步受到核因子红细胞2相关因子2（NRF2）-抗氧化反应元件通路介导的线粒体氧化应激调控。激活后，NRF2触发一系列抗氧化与细胞保护基因的转录。BBB破坏、兴奋性毒性与炎症的共同作用扰乱铁代谢，削弱脑内抗氧化防御系统，进而放大氧化失衡与铁依赖性神经元死亡。ROS激活核因子κB（Nuclear Factor Kappa-Light-Chain-Enhancer of Activated B Cells, NF-κB）信号与NLR家族pyrin结构域包含3（NLR Family Pyrin Domain Containing 3, NLRP3）炎症小体，导致IL-1β与IL-18等促炎细胞因子的转录与分泌。坏死性神经元死亡进一步放大局部炎症，募集免疫细胞并加剧BBB损伤。
缺血性卒中中的这些机制事件产生了可反映氧化与炎症损伤强度的可检测分子生物标志物。线粒体应激与脱氧核糖核酸（Deoxyribonucleic Acid, DNA）损伤可通过细胞周期蛋白依赖性激酶抑制剂1A（Cyclin-Dependent Kinase Inhibitor 1A, CDKN1A）捕获，该分子调控细胞周期进程与DNA修复；谷胱甘肽过氧化物酶4（GPX4）、过氧化物还原酶1（Peroxiredoxin 1, PRDX1）与过氧化物还原酶6（Peroxiredoxin 6, PRDX6）等抗氧化酶也可作为该类损伤的标志物，它们可减轻氧化应激与脂质过氧化。氧化还原敏感通路的激活还会产生可在转录与蛋白水平通过RNA测序或靶向检测测量的特征谱。
近期研究已将上述生物标志物整合到机器学习模型中。研究人员利用转录组数据，通过差异表达分析、加权基因共表达网络分析（Weighted Gene Co-expression Network Analysis, WGCNA）、蛋白质-蛋白质互作网络筛选与支持向量机、随机森林等机器学习分类器，结合特征交集分析，识别出CDKN1A、GPX4、PRDX1与PRDX6是与缺血性卒中结局相关的关键氧化应激-铁死亡生物标志物。加权基因共表达网络分析与单细胞RNA测序（Single-Cell RNA Sequencing, scRNA-seq）联合机器学习进一步验证了这些标志物在氧化应激与免疫反应通路中的相关性，凸显了其在患者分层与早期轨迹预测中的潜力。这些氧化与线粒体改变播散并放大了初始糖萼介导的BBB破坏，将早期结构损伤与广泛细胞功能障碍联系起来。
2.4 炎症信号与神经血管单元串扰
缺血性卒中诱导的氧化与线粒体损伤通过协调的细胞与分子反应破坏NVU，最终导致BBB功能障碍。活化的小胶质细胞释放IL-1β与TNF-α等促炎细胞因子，促进MMP-9上调与内皮通透性增加。星形胶质细胞代谢衰竭表现为乳酸穿梭受损与离子失衡，加重神经元损伤；周细胞脱落则破坏微血管稳定性，增加出血性转化风险。死亡的神经元释放ATP、高迁移率族蛋白1（High-Mobility Group Box 1, HMGB1）等损伤相关分子模式（Damage-Associated Molecular Patterns, DAMPs），激活模式识别受体（Toll样受体、嘌呤能受体P2X7）与NLRP3炎症小体，放大包含IL-1β、IL-6、IL-17与TNF-α的细胞因子级联反应。小胶质细胞、浸润的巨噬细胞、中性粒细胞与γδ T细胞驱动无菌性神经炎症，而调节性T细胞与转化生长因子-β1（Transforming Growth Factor Beta 1, TGF-β1）介导后期组织修复。同时存在的氧化与亚硝化应激损害线粒体呼吸与内皮完整性，通过上调黏附分子进一步强化BBB渗漏与白细胞跨内皮迁移。这一炎症阶段放大了早期的氧化与内皮损伤，将局灶性BBB破坏转化为系统性神经血管炎症级联。
小胶质细胞活化、星形胶质细胞应激、周细胞丢失、内皮功能障碍与免疫细胞浸润等多细胞过程，共同将氧化还原失衡与细胞因子信号传导与BBB崩解相关联。这类分子扰动可通过高通量细胞因子组合、转录组学谱（如缺血后内皮基因特征）与急性期卒中血浆蛋白质组学进行定量。
机器学习算法可整合这些数据集以识别关键生物标志物并支持个体化卒中预测。例如，在大型卒中队列中，研究人员将细胞因子谱与临床实验室、人口统计学数据结合，训练随机森林、支持向量机与梯度提升模型。随机森林模型内的特征选择与重要性排序显示，IL-6、IL-5、IL-10与IL-2是排名靠前的预测因子，最优模型在验证测试中AUC达0.74，显示出中等泛化能力。这些机器学习驱动的框架可实现生物标志物优先级排序与患者分层，支持以组学信息为指导、机器学习辅助的BBB谱分析与个体化神经血管保护。
2.5 血管重塑与内皮衰老（BBB功能障碍慢性期）
在缺血性卒中慢性期，持续的氧化应激、炎症与NVU破坏诱导适应性不良的血管重塑与内皮衰老，二者共同导致BBB持续渗漏，损害长期脑血管完整性。暴露于缺血后应激的内皮细胞表现出增殖能力下降与紧密连接恢复受损，而由MMP-9及其抑制剂组织金属蛋白酶抑制剂-1（Tissue Inhibitor of Metalloproteinases-1, TIMP-1）介导的细胞外基质周转失调，则导致血管僵硬与纤维化。一项前瞻性观察研究显示，缺血性卒中亚急性期与恢复期MMP-9与VEGF持续上调，且与神经认知结局和血管重塑相关。
衰老信号是缺血性卒中后慢性期功能障碍的关键驱动因素。近期实验模型的时空分析为缺血后脑内细胞衰老提供了直接证据：短暂性大脑中动脉闭塞雄性Wistar大鼠的梗死周边区域神经元与小胶质细胞/巨噬细胞，在再灌注后24小时即出现p16与p21表达显著升高、衰老相关β-半乳糖苷酶（Senescence-Associated β-Galactosidase, SA-β-gal）蓄积，以及衰老相关分泌表型（Senescence-Associated Secretory Phenotype, SASP）标志物（包括IL-6、IL-1β与TNF）的早期诱导。这一慢性重塑期是早期未解决的BBB损伤与炎症放大的长期后果。
这些衰老相关改变为卒中后观察到的后续神经血管与免疫变化提供了机制学基础。此外，DNA损伤与核应激标志物（包括Chk1、Chk2与Lamin B1）在损伤后14天仍存在改变，证实了恢复期存在持续性衰老。因此，这些机制将内皮与胶质细胞衰老与BBB修复受损、慢性炎症联系起来，确立细胞衰老为长期脑血管功能障碍与卒中后认知下降的核心影响因素。
端粒缩短进一步促进血管衰老与修复受损。近期研究显示，白细胞端粒较短（≤5.5 kb）的个体缺血性卒中风险升高近3倍，强调端粒长度是血管生物学衰老的生物标志物。支持这一结论的是，小鼠模型中的内皮特异性端粒酶失活会加速血管衰老并损害BBB恢复，而端粒侵蚀与基于甲基化的生物学衰老指数可预测更差的长期结局。因此，MMP-9、p16Ink4a、p21Cip1/Waf1与端粒缩短是反映适应性不良血管重塑与衰老驱动的BBB功能障碍的稳健慢性期生物标志物，代表了早期BBB损伤、炎症阶段的演变终点。
将这些纵向生物标志物整合到时间序列与生存机器学习模型中（如循环神经网络与基于Cox比例风险的算法），可提升对BBB恢复轨迹、卒中复发风险与认知下降的预测能力。时间序列模型可捕捉MMP-9或p16Ink4a的动态波动，而基于生存的框架可将衰老与端粒指标与长期血管结局相关联。这种系统层面的方法将分子衰老机制与临床进展联系起来，为缺血性卒中的个体化预后判断与治疗监测奠定基础。
2.6 时间分期与预测动力学
缺血性卒中中的BBB功能障碍是一个跨越超急性期、急性期、亚急性期的动态连续过程，具有独特的病理特征与生物标志物特征，反映了血管损伤与修复过程的时序性级联，而非屏障完整性的静态崩解。
超急性期（卒中后<6小时），缺血触发即刻的内皮能量衰竭、细胞骨架重排与紧密连接破坏，导致早期BBB渗漏。氧化应激与线粒体损伤占主导，CDKN1A、GPX4、PRDX1与PRDX6等生物标志物反映ROS诱导的细胞损伤。最小绝对收缩与选择算子（Least Absolute Shrinkage and Selection Operator, LASSO）回归与随机森林模型可基于早期屏障破坏对患者进行分层。活体双光子成像小鼠模型显示，BBB破裂沿动静脉轴在数分钟内发生，支持快速的阶段特异性血管反应。
急性期（卒中后6–72小时），BBB通透性达到峰值。活化小胶质细胞释放细胞因子（IL-1β与TNF-α），上调MMP-9并驱动内皮损伤，而星形胶质细胞代谢衰竭与周细胞脱落进一步加剧屏障功能障碍。这些动态的炎症与分子变化可通过循环神经网络、梯度提升机与深度学习自编码器进行捕捉，以建模多模态数据集中的复杂时间交互作用。
亚急性期（卒中后72小时至6周），随着紧密连接重组、内皮细胞恢复与炎症向修复表型转变，BBB开始部分恢复。对比增强MRI纵向研究显示BBB通透性逐渐恢复正常，而血浆MMP-9/TIMP-1比值、内皮外泌体miRNA与表观遗传修饰（如claudin-5与Rho GTP酶通路的DNA甲基化）可追踪持续的修复与重塑过程。整合这些标志物的多模态机器学习模型可预测恢复轨迹与功能结局。
慢性期（卒中后>6周）以血管重塑、内皮衰老与持续性低级别神经炎症为核心。MMP-9、CDKN2A（p16INK4a）、p21与端粒缩短等标志物反映适应性不良修复与血管僵硬。DeepSurv与Cox-机器学习等时间序列与生存导向的机器学习模型可整合这些慢性期信号，预测卒中复发、认知下降与功能恢复等长期结局。因此，这些阶段特异性的机器学习方法可实现患者特异性预后判断，将机制学洞见与缺血性卒中管理的预测精度相联系。这种时间建模方法允许将生物学损伤轨迹持续映射为临床可操作的预测输出。
BBB功能障碍的分子与细胞特征（如氧化应激标志物、炎症细胞因子、衰老指标与通透性改变）为计算建模提供了可测量的输入变量。将这些机制学特征与多模态数据（影像、转录组、蛋白质组与临床指标）整合，可使机器学习算法能够预测BBB破坏、卒中亚型与患者特异性结局。
3 面向个体化预测的多模态数据整合
3.1 BBB特征作为多模态机器学习的输入变量
准确预测BBB破坏与缺血性卒中结局日益依赖于跨分子、细胞与影像领域的异质性数据整合。关键BBB特征包括氧化应激与线粒体损伤标志物（GPX4与PRDX1/6）、炎症细胞因子（IL-1β与TNF-α）、衰老指标（p16INK4a与端粒缩短）、基质重塑蛋白（MMP-9），以及神经影像衍生指标（MRI、DCE-MRI与ASL），这些指标是BBB完整性的可量化指示剂。当与多组学谱（转录组、蛋白质组与代谢组）及临床数据（年龄、合并症与功能评分）结合时，可为预测性与机制学分析提供BBB状态的全面表征。通过将机制学BBB洞见转化为可量化的特征空间，机器学习框架可捕捉神经血管功能障碍的静态与动态维度，实现不断演变的生物标志物模式、影像信号与个体化卒中轨迹的显性关联，促进基于生物学的风险分层与结局预测。
3.2 数据整合与特征融合
特征融合是将不同类型的数据（如血液检测与脑部扫描）相结合以获得比单一数据源更清晰的全局图景的过程，可分为早期融合（从起始阶段混合原始信息）与晚期融合（先分别分析各类型数据再合并结果）。为避免数据过载，主成分分析（Principal Component Analysis, PCA）或自编码器等降维技术被用于简化信息并突出最关键信号。最后，SHapley加法解释（SHapley Additive exPlanations, SHAP）或注意力机制等方法可通过展示哪些特定数据点（如特定生物标志物）对结论影响最大，帮助提升模型预测的可解释性，将模型输出回溯至可解释的生物学或临床洞见。
近期研究证明了这些整合方法的效能：基于卷积神经网络的多组学整合（BioCNN）通过结合mRNA、miRNA、circRNA与DNA甲基化谱，在缺血性卒中亚型分类中准确率达97.9%；纳入临床与生化特征的堆叠多模态模型成功预测了卒中风险；应用于多通道MRI的深度学习在病灶分割中Dice相似系数达87.5%。时间建模也取得了进展：自编码器-长短期记忆网络（Autoencoder-LSTM）架构捕捉动态MRI特征以预测卒中结局（AUC 0.71，MAE 0.34）；整合3D脑影像与临床数据的自监督框架进一步提升了个体化风险预测能力。
临床影像研究也取得了并行进展：在卒中病灶分割中，专门设计的网络结合多类型MRI与CT灌注数据，通过改进特征提取实现了最高85.4%的准确率；在早期卒中识别中，利用先进学习技术整合视频与音频记录（如肢体运动与言语）的模型优于单源方法，可实现快速检测；预后预测通过集成模型得到优化，这类模型将影像特征与临床数据融合以更好地预测90天结局；复发风险预测通过融合MRI信号与生化数据的系统得到增强，准确率最高达95%，低密度脂蛋白水平与吸烟史是关键预测因子。因此，多维度融合模型（如采用跨模态注意力的模型）可通过整合影像、临床数据、治疗与并发症，提供经过交叉验证的患者特异性风险评估。
3.3 机制学生物标志物与预测谱
将这些机制学生物标志物整合到多模态模型中，可实现早期检测与患者分层。氧化应激与线粒体损伤生物标志物可与神经血管单元串扰标志物（IL-1β、TNF-α与外泌体miRNA）、慢性期血管重塑指标（MMP-9、p16INK4a与端粒缩短）相结合，构建全面的预测谱。LASSO回归、随机森林、梯度提升、循环神经网络与深度自编码器等机器学习算法可利用这些融合特征建模时间动力学，预测BBB破坏轨迹，并预测复发性卒中或认知下降等个体化结局。这种整合方法将详细的机制学洞见转化为可操作的个体化预测，是迈向精准神经血管医学的重要一步。将这些模型扩展纳入患者特异性遗传与表观遗传特征，可进一步提升对BBB易感性与治疗反应的预测能力。全基因组关联研究（Genome-Wide Association Studies, GWAS）与多组学研究已识别出与卒中易感性和血管功能障碍相关的基因位点。卒中后脑微血管的表观遗传谱分析揭示了数千个差异甲基化区域，影响内皮连接蛋白（occludin与claudin-5）、肌动蛋白重塑（ezrin）、Rho GTP酶信号传导及驱动内皮-间质转化的基因（Sox9与Snai1），且衰老会放大这些效应。将这些特征整合到预测模型中，可通过捕捉个体BBB修复动力学，提升缺血性卒中管理的精准度。
4 机器学习模型选择与验证
4.1 基于数据类型的算法选择
机器学习模型的选择由数据模态决定：表格型生物标志物与临床变量通常采用随机森林、梯度提升与LASSO回归进行分析，可实现可解释的特征排序；影像数据集采用卷积神经网络、非对称U-Net与CNN-Res架构进行处理，用于病灶分割与BBB通透性估计；多模态整合受益于注意力网络、堆叠集成与深度自编码器，可在降维的同时捕捉跨域交互作用。
在分子尺度，基于Transformer的模型（MegaMolBART结合XGBoost）可从化学描述符（SMILES）预测BBB通透性，AUC达0.88，并在人BBB球体模型中被验证。在患者层面，随机森林、梯度提升与支持向量机等监督模型整合临床与细胞因子数据以识别BBB破坏的生物标志物，其中IL-6、IL-5、IL-10与IL-2被排序为顶级预测因子。基于影像的放射组学与灌注模型进一步将BBB指标与出血性转化及神经功能恢复相关联。
4.2 模型验证与可解释性
基于临床变量的卒中预测研究已采用严格的模型比较与验证框架评估算法，包括逻辑回归、随机森林、梯度提升、支持向量机与深度学习网络。例如，研究人员报道逻辑回归与梯度提升在使用Kaggle卒中数据集时准确率达95.1%，ROC-AUC为0.836，随机森林识别出年龄、平均血糖水平与体重指数（Body Mass Index, BMI）为顶级预测因子；另一研究显示，在平衡数据集上训练的随机森林模型准确率达96%，精确率、召回率与F1分数均在90%左右，凸显了数据预处理对预测性能的影响。这些研究为基于机器学习的BBB研究提供了成熟基础，支持整合影像与临床数据以提升卒中预后判断。
然而，在转化整合与方法学一致性方面仍存在显著缺口：鲜有已发表模型在统一机器学习流程中直接结合BBB损伤的转录组或蛋白质组生物标志物、基于影像的通透性指标与临床特征。近期一篇荟萃综述强调了外部验证有限、校准报告不足以及可解释人工智能（Explainable Artificial Intelligence, XAI）在机制学解读中应用不充分的问题。缺乏整合分子、影像与临床层面的多模态数据集，限制了现有模型在急性期缺血性卒中中将BBB完整性表征为动态、基于生物学的过程的能力。这一局限凸显了对标准化流程的需求，这类流程需要能够同时捕捉BBB病理的结构与分子维度，同时保持跨临床队列的可重复性。
来自近期比较研究与影像-放射组学研究的 emerging 最佳实践推荐采用标准化的机器学习模型选择与验证方法：鼓励未来研究评估多种算法，包括经典模型（逻辑回归、支持向量机与随机森林）与深度学习模型（卷积神经网络与自编码器），同时在交叉验证折内进行特征选择以防止数据泄露。全面的模型评估应包括区分度（AUC）、校准度（Brier评分）与临床效用的决策曲线分析，并辅以灵敏度与特异度报告。纳入SHAP或注意力图等XAI工具可通过将模型预测与BBB破坏的可测量机制相关联，提升生物学可解释性。
联邦学习框架还可实现多中心BBB数据集的整合而无需共享患者级数据，在保护隐私的同时提升泛化性。自动超参数优化结合嵌套交叉验证可进一步提升模型鲁棒性与跨异质性临床队列的可重复性。
5 生物标志物引导的治疗决策支持
将多模态生物标志物谱与机器学习模型整合，构成了缺血性卒中精准治疗的基础。近期研究显示，可通过机器学习利用分子与免疫生物标志物指导个体化治疗。研究人员采用整合机器学习流程识别缺血性卒中的血液生物标志物与潜在治疗药物，揭示了可预测治疗反应的氧化与炎症网络。另有研究将机器学习与单细胞转录组分析结合，发现CDKN1A与IL-1β表达升高等免疫与内皮特征可界定BBB功能障碍，为抗炎或氧化还原调节干预提供参考。这些发现支持如下理念：BBB破坏的阶段特异性生物标志物（如氧化应激介质、炎症细胞因子与衰老指标p16INK4a、p21、端粒缩短）可为旨在减少神经元损伤、减轻水肿与保护神经血管完整性的治疗决策提供依据。
机器学习模型还可基于不断演变的BBB损害实现动态患者分层。PRECISE研究证实，深度学习可提取预测梗死扩大与治疗反应性的早期血浆生物标志物特征。循环神经网络或基于生存的模型（DeepSurv）等预测架构已显示出优化治疗干预时机与强度的潜力，通过整合时间生物标志物变化、临床与影像数据发挥作用。表现为高ROS与NF-κB激活的患者可能对抗氧化剂或氧化还原稳定剂产生应答，而存在周细胞丢失或内皮衰老的患者则可能从清除衰老细胞或血管保护性治疗中获益。这些机器学习驱动的方法通过根据实时生物学轨迹而非静态临床变量调整治疗建议，补充了当前的卒中管理策略。
可解释人工智能是将生物标志物引导的机器学习转化为临床实践的核心。研究人员利用SHAP与特征归因图可视化特定生物标志物与影像变量如何影响预测结局，提升了临床医师信任度。近期证据强调将可解释性框架与治疗指导算法整合，以平衡预测能力与透明度。可视化MMP-9或CDKN1A等生物标志物的SHAP重要性，可实现预测获益与BBB修复分子通路之间的机制学关联。因此，这些生物标志物驱动、可解释的机器学习系统为精准神经血管治疗提供了可行路径，可减少不良事件、优化治疗时机的选择，并改善缺血性卒中后的长期神经功能结局。
6 挑战、局限性与未来方向
尽管机器学习驱动、生物标志物指导的缺血性卒中管理具有广阔前景，若干挑战仍限制其即时临床转化。整合影像、组学与临床参数的多模态数据集往往存在异质性与不完整性，成像方案、生物标志物测量技术与患者人口统计学特征存在显著变异性。这种异质性增加了模型训练难度，阻碍跨机构的泛化性。因此，数据采集与生物标志物检测的标准化与协调化是提升可重复性与支持多中心机器学习研究的核心前提。
另一局限在于BBB功能障碍的时间演变特性，其在缺血性卒中全程持续发展。准确建模这些时间过程需要纵向生物标志物采样以捕捉动态分子与影像特征。然而，重复且有创的采样（尤其是脑脊液采集）存在显著的伦理与后勤障碍，限制了时间分辨数据集的可用性。此外，大多数基于组学的研究队列规模较小，限制了统计效力并增加了模型过拟合风险。通过多机构合作与联邦学习框架扩展数据集可缓解这些问题，确保模型鲁棒性并提升预测效度。
可解释性仍是临床转化的关键障碍。虽然深度学习模型在特征提取与非线性映射方面性能优异，但常作为“黑箱”运行，对生物学机制或治疗决策提供的洞见有限。SHAP值、Grad-CAM与注意力机制等XAI技术已显示出通过关联预测与关键机制驱动因素（如MMP-9、IL-6与CDKN1A）来弥合这一差距的潜力，但这些方法需要在临床环境中进行系统验证以确保可靠性。
展望未来，若干方向可提升机器学习驱动的精准卒中照护的转化潜力：首先，制定跨研究中心的数据采集与生物标志物检测标准化方案，将提升互操作性并促进大规模分析。其次，整合结合临床、影像、遗传与循环生物标志物信息的多模态纵向数据集，将提高模型灵敏度与特异度，但这需要先进的数据协调框架。第三，采用集成学习、迁移学习与混合深度架构等先进算法策略，可减少过拟合并更好地捕捉复杂的神经血管交互作用。最后，扩大患者队列并进行严格的外部验证，对于确保模型可靠性、临床可信度与监管接受度至关重要。因此，通过协调的数据流程、透明可解释的AI与协作学习联盟应对这些挑战，将是把机制学洞见转化为可操作的个体化干预措施的核心。这类努力将加速机器学习驱动的生物学标志物模型向真正的缺血性卒中个体化管理的临床转化。
7 结论
血脑屏障是神经血管稳态的核心调节者，其功能障碍在缺血性卒中病理生理学中发挥关键作用。包含氧化应激、线粒体损伤、神经血管单元串扰、血管重塑与内皮衰老在内的机制学洞见，揭示了一系列可被分子、细胞与影像生物标志物表征的复杂生物学事件级联。将这些多模态生物标志物与先进机器学习方法整合，可实现对BBB破坏、卒中进展与长期结局的动态、患者特异性预测。阶段特异性的机器学习架构（如LASSO回归、随机森林、循环神经网络与DeepSurv等基于生存的框架）为早期风险分层、轨迹建模与个体化治疗决策提供了稳健工具。
尽管存在数据异质性、队列规模小与模型可解释性等挑战，组学平台、高分辨率神经影像与可解释人工智能的进步持续提升可靠性与临床转化能力。因此，机器学习引导、生物标志物指导的框架代表了精准卒中管理的变革性一步，将血脑屏障功能障碍的机制学理解与可操作的临床干预及个体化神经血管照护联系起来。
