《Frontiers in Neurology》：Rapid prediction of hemorrhagic transformation after endovascular thrombectomy: a multimodal model in patients with post-thrombectomy cerebral hyperdensities
编辑推荐：
背景与目的：出血性转化（Hemorrhagic Transformation, HT）是急性缺血性卒中（Acute Ischemic Stroke, AIS）患者接受血管内取栓（Endovascular Thrombectomy, EVT）术后的严重并发症，与
背景与目的：出血性转化（Hemorrhagic Transformation, HT）是急性缺血性卒中（Acute Ischemic Stroke, AIS）患者接受血管内取栓（Endovascular Thrombectomy, EVT）术后的严重并发症，与较差的功能预后相关。早期识别HT高危患者对于指导神经监测和血流动力学优化至关重要。因此，研究人员开发并验证了一种快速、半自动化的2.5D多模态深度学习框架用于预测HT。
方法：该回顾性多中心研究纳入了来自三个卒中中心的393例血管内取栓术后脑高密度征（Post-thrombectomy Cerebral Hyperdensities, PCHD）患者，分为训练集（n=214）、验证集（n=93）和外部测试集（n=86）。研究人员采用简化的2.5D计算策略，选取非对比计算机断层扫描（Non-contrast Computed Tomography, NCCT）上显示最大PCHD的层面及其相邻两个层面。研究人员使用ResNeXt50_32x4d主干网络提取影像特征，进行压缩后聚合成七个统计特征（DeepScores）。随后，研究人员将DeepScores与临床变量通过最小绝对收缩和选择算子（Least Absolute Shrinkage and Selection Operator, LASSO）回归相结合。研究人员采用传统机器学习算法和Transformer架构构建预测模型。最后，研究人员将最优模型与一名高级和两名初级神经放射科医师进行性能比较。
结果：EVT术后HT的总体发生率为70.5%（277/393）。在独立的外部测试集中，Fusion_Transformer模型表现最佳，曲线下面积（Area Under the Curve, AUC）为0.803（95%置信区间：0.708–0.898），灵敏度为0.672，特异度为0.955。在人机比较中，自动化Transformer模型显著优于所有人工阅片者，包括高级神经放射科医师（AUC 0.707，95%置信区间：0.596–0.818）。
结论：研究人员的2.5D多模态Transformer框架能够实现EVT术后HT的快速、半自动化和准确预测。通过有效整合靶向PCHD影像特征与临床数据，该工具超越人类专家，为急性临床分诊提供了实用的解决方案。
## 研究背景与问题
急性缺血性卒中（Acute Ischemic Stroke, AIS）由于其大血管闭塞导致严重的脑血流障碍，血管内取栓（Endovascular Thrombectomy, EVT）已成为该类疾病的标准治疗方案。尽管EVT技术不断进步且再通成功率较高，但临床实践中的"临床悖论"依然存在，即近半数接受治疗的患者未能实现功能独立。再灌注损伤，特别是出血性转化（Hemorrhagic Transformation, HT），是造成这一差距的主要 contributing factor。HT作为EVT术后最严重的并发症之一，多发生在术后24小时内，显著恶化患者预后。由于针对已发生出血的治疗手段有限，早期识别HT高危患者对于加强神经监护和及时优化血流动力学管理具有重要意义。因此，在临床高压的急诊环境中，亟需一种诊断准确且快速的预测工具来指导术后分诊。
磁振造影（Magnetic Resonance Imaging, MRI）和计算机断层扫描灌注成像（Computed Tomography Perfusion, CTP）虽能提供详细的生理学信息，但获取耗时且设备普及率有限。非对比计算机断层扫描（Non-contrast Computed Tomography, NCCT）作为术后评估的一线影像手段，具有普及性高的优势。术后脑高密度征（Post-interventional Cerebral Hyperdensities, PCHD）即EVT术后即刻NCCT上出现的脑实质高密度区，是血脑屏障破坏的关键生物标志物，而血脑屏障破坏是水肿和出血形成的重要病理生理前驱环节。尽管PCHD对HT具有预测价值，但其量化面临瓶颈，传统的影像组学方法依赖人工容积分割或主观视觉评分，存在劳动强度大、观察者间一致性差、不适用于实时临床决策等缺陷。近年来人工智能技术的发展为全自动化分析提供了可能，但全脑容积分析可能引入计算噪声和冗余信息。基于此，研究人员提出一种靶向计算策略，聚焦于损伤"震中"即PCHD面积最大的单个轴位NCCT层面，以最小化推理时间并最大化信号相关性。同时，鉴于临床决策本质上是多模态的，研究人员认为需要构建一种融合靶向二维影像分析与标准临床指标的协同框架，以实现全面的风险评估。
## 关键技术方法
研究人员采用回顾性多中心队列设计，样本来自浙江省三家综合卒中中心（浙江大学医学院附属第四医院、嘉兴市第一医院、浙江省立同德医院）2016年7月至2023年12月期间就诊的患者。纳入标准包括：计划行EVT的急性缺血性卒中患者，且术后行头颅NCCT或MRI检查。排除标准涵盖EVT因血管解剖不利终止或转为药物治疗者、术后即时NCCT未检测到PCHD者、PCHD或出血评估受金属或运动伪影干扰者、术后首次头颅NCCT距EVT超过1小时者、术后NCCT随访时间不足19小时者，以及术前CT使用碘对比剂影响HT判定者。最终纳入393例患者，内部数据集307例来自中心1，按7:3随机分为训练集和验证集；外部数据集86例来自中心2和中心3，作为独立测试集。
在影像特征提取方面，研究人员构建了三种输入维度：2D模型仅使用显示最大PCHD范围的单个轴位NCCT层面；2.5D模型使用该最大层面及其紧邻的两个层面（±1层面）组成三通道输入，当相邻层面不可用时复制最大层面以保持输入维度一致；3D模型则堆叠包含PCHD的所有连续层面的感兴趣区域（Region of Interest, ROI）构建容积输入。所有输入均经脑窗预处理（窗宽90亨氏单位
，窗位40 HU），重采样至224×224像素并进行Z-score标准化，训练时采用随机水平翻转和裁剪等数据增强技术。
研究人员以ImageNet预训练的多种深度转移学习架构进行评估，最终选定ResNeXt50_32x4d作为最优影像特征提取器，因其与临床变量融合后在下游多模态任务中AUC最高。该网络通过随机梯度下降（Stochastic Gradient Descent, SGD）优化进行微调，初始学习率0.01，余弦退火衰减50个周期，批次大小为32。高维特征向量从全局平均池化层提取后，依次经过Mann-Whitney U检验筛选（p<0.05）、Spearman秩相关过滤（|ρ|>0.9时采用贪婪递归删除策略），以及LASSO回归进行特征选择（10折交叉验证确定最优正则化强度λ）。随后对精选特征进行主成分分析（Principal Component Analysis, PCA）压缩至256个潜在成分，最后应用七种不变统计池化函数生成核心深度学习签名（DeepScores）：总和、均值、中位数、绝对值之和、L2范数、平方均值和平方中位数。
在模型构建方面，研究人员开发了四种模型：基线临床模型（Clinic_XGBoost）仅使用经特征选择后的临床变量；孤立深度学习模型（Deep_XGBoost）仅使用七个DeepScores；机器学习融合模型（Fusion_XGBoost）将DeepScores与临床变量整合后经三阶段特征选择，比较LightGBM、XGBoost、ExtraTrees和随机森林算法后选定XGBoost作为分类器；以及基于Transformer架构的多模态融合模型（Fusion_Transformer），利用自注意力机制捕捉复杂的跨模态交互。在模型验证阶段，研究人员采用受试者工作特征曲线下面积（AUC）、灵敏度、特异度、阳性预测值和阴性预测值评估性能，并通过决策曲线分析（Decision Curve Analysis, DCA）和校准曲线评估临床效用，使用DeLong检验进行AUC的成对比较。
## 研究结果
**患者特征与队列分析**
最终分析纳入393例术后脑高密度征患者，HT总体发生率为70.2%（276/393）。三组间年龄、高血压、高脂血症、HUmax≥90、前循环受累和发病至穿刺时间的分布存在显著差异（p<0.05）。
**模型构建与主干网络筛选**
在深度学习特征提取器筛选阶段，ResNeXt50_32x4d架构提取的特征与临床变量融合后表现最优，故被确定为最终深度影像特征提取器。对于经典机器学习模型，XGBoost在验证队列中AUC最高（0.691），优于随机森林（0.636）、ExtraTrees（0.660）和LightGBM（0.687），故被选为标准机器学习分类器。
**输入维度验证**
为实证2.5D输入策略的选择合理性，研究人员比较了三种空间维度DeepScores的预测性能。2D模型训练集AUC达0.998但验证集仅0.511，3D模型训练集0.993而验证集0.580，均存在严重过拟合；2.5D模型训练集AUC为0.965，验证集达到0.630，泛化性能最优。因此，2.5D策略被选定为所有后续下游深度学习模型的最终输入维度。
**预测模型的诊断性能**
训练队列中，Fusion_XGBoost表现最佳（AUC 0.993），但Fusion_Transformer已呈中等性能（AUC 0.846）。验证队列中，Fusion_Transformer显示出优越的泛化能力，AUC达0.812，超过Clinic_XGBoost（0.708）和Fusion_XGBoost（0.691）。在独立外部测试队列中，Fusion_Transformer达到最高AUC（0.803，95% CI: 0.708–0.898；灵敏度0.672，特异度0.955），显著优于Clinic_XGBoost（AUC 0.623，p=0.003）、Deep_XGBoost（AUC 0.657，p=0.021）和Fusion_XGBoost（AUC 0.698，p=0.023）。Fusion_Transformer模型的校准曲线在测试队列中显示出预测风险与实际观察概率的中等一致性，Brier分数为0.1680。DCA曲线表明，在广泛的临床相关阈值概率范围内，该模型较其他模型提供更高的净临床效益。
**人机比较**
在外部测试队列的人机比较中，高级神经放射科医师表现最佳（AUC 0.707，95% CI: 0.596–0.818），显著优于两名初级医师（AUC分别为0.629和0.614）。然而，Fusion_Transformer模型显著超越所有人工阅片者，包括高级神经放射科医师。
## 讨论与结论
研究人员在本多中心研究中开发并验证了一种多模态深度学习框架，用于EVT术后HT的快速预测。Fusion_Transformer模型整合临床变量与2.5D NCCT输入的深度特征，在内部和外部队列中均取得良好预测性能（外部AUC: 0.803），超越了标准机器学习算法和经验丰富的神经放射科医师，彰显了其作为临床决策支持工具的潜力。
研究人员部署的2.5D输入策略以PCHD优势层面为中心，有效提升了诊断性能。既往3D全脑容积分析计算成本高、需空间配准且引入噪声，手动3D分割高密 lesions 劳动强度大且不适用于实时分诊。通过聚合最大PCHD层面及其两个相邻层面构建2.5D空间表征，该模型在捕捉损伤解剖"震中"的同时降低了计算开销。七种统计运算的应用进一步简化了临床应用，实现了术后即刻NCCT的近乎瞬时风险分层，无需复杂容积处理即可保证诊断准确性。
比较分析揭示了Transformer架构在多模态特征整合方面较传统机器学习分类器的优越性。XGBoost融合模型存在严重过拟合，而Fusion_Transformer保持了高泛化能力。这种差异源于特征性质——Transformer利用自注意力机制，为影像签名和临床危险因素动态分配不同注意力权重，有效捕捉复杂的跨模态协同关系，防止模型记忆训练集噪声。PCHD作为核心影像生物标志物的选择根植于卒中病理生理学。缺血-再灌注损伤触发快速演变的病理生理级联反应，术前影像往往无法捕捉异质性组织损伤的真实状态；而早期PCHD（尤其术后1小时内获取）高度一致地反映这些急性机制，高密度区的亨氏单位直接作为血脑屏障破坏严重程度的替代指标。将深度学习特征提取器靶向这些高密度区域，使模型直接查询最易发生HT的组织微环境。
研究亦存在若干局限：尽管设有独立外部验证，仍需前瞻性真实世界研究确认泛化性；模型将所有HT亚型作为复合终点未按Heidelberg分类进一步分层，限制了对临床意义更显著结局（如有症状HT）的特异性预测，鉴于队列规模进一步分层存在数据稀疏和过拟合风险；模型仅利用术后即刻NCCT，整合连续影像或动态生理数据或可进一步细化时间预测；靶向三层面方法虽计算高效且临床直观，但可能遗漏全3D容积分析或可捕捉的远端或多灶微血管改变；模型校准曲线视觉呈波折状，归因于样本量相对有限，虽Brier分数定量证实了令人满意的校准，仍需更大队列进一步验证；此外，伦理部署需对 demographic 亚组进行严格的偏倚审计以保证公平性。
研究结论：PCHD优势NCCT层面的数学聚合深度特征与基线临床数据的整合，为血管内取栓术后脑高密度征患者的术后出血性转化提供了一种快速、自动化且准确的预测方法。该多模态Transformer框架在超越专家人工评估的同时保持强可解释性，为标准化高质量术后护理和改善这一脆弱患者群体的预后提供了关键工具。
