《Translational Stroke Research》：Quantitative Cerebrovascular Analysis for Improved Prediction of Post-Stroke Complications
编辑推荐：
血管内机械取栓（EVT）已彻底改变急性缺血性脑卒中（AIS）的治疗。然而，相当比例的AIS患者尽管成功实现血管再通，仍出现不良预后，常由严重神经功能恶化或危及生命的并发症所致。早期识别这些高危患者仍是尚未满足的重要临床需求。本研究中，研究人员开发并验证了机器学
血管内机械取栓（EVT）已彻底改变急性缺血性脑卒中（AIS）的治疗。然而，相当比例的AIS患者尽管成功实现血管再通，仍出现不良预后，常由严重神经功能恶化或危及生命的并发症所致。早期识别这些高危患者仍是尚未满足的重要临床需求。本研究中，研究人员开发并验证了机器学习（ML）模型，整合自动化定量脑动脉形态学参数与侧支循环分级，以及人口学、临床、实验室和影像学变量，用于预测主要EVT后并发症及早期神经功能结局。研究人员基于一项前瞻性收集的727例接受EVT的AIS患者数据库，将患者特异性血管形态计量学与传统临床、实验室和影像学数据相结合，开发ML模型以预测早期神经功能恶化（END）、症状性颅内出血（sICH）、需手术减压的恶性脑水肿（MBE）以及需气管切开/胃造瘘的神经源性呼吸衰竭和吞咽困难（TC/PEG）的发生。形态学特征分析显示，血管迂曲度增加和管径减小与并发症密切相关。形态学信息（MI）模型在各结局预测中持续优于基线临床（BC）模型：END预测的受试者工作特征曲线下面积（AUROC）分别为0.81（MI模型）与0.73（BC模型）；sICH预测AUROC为0.68（MI）与0.56（BC）；MBE预测AUROC为0.67（MI）与0.56（BC）；TC/PEG预测AUROC为0.66（MI）与0.58（BC）。统计学检验证实END、sICH和改良Rankin量表（mRS）预测的AUROC改善具有显著性（p<0.05）。此外，患者特异性校准概率图谱实现了个体化、多维风险分层，揭示不同患者间并发症特异性风险模式的差异。这些发现表明，脑血管结构——这一常被忽视但在生理上决定缺血性损伤和再灌注动力学的基础因素——提供了标准临床或视觉影像评估无法捕捉的重要预测信息。自动化血管分割和侧支循环分级技术能够快速、客观地将脑血管指标整合入预后模型，为精准风险分层提供可扩展工具，支持更早干预、靶向监测和改善EVT后管理。
急性缺血性脑卒中（AIS）作为全球发病率和死亡率的主要原因之一，其急性再灌注治疗——包括静脉溶栓（IVT）和血管内机械取栓（EVT）——虽能恢复脑血流（CBF）并改善长期功能预后，但仍有相当比例患者预后不良。具体而言，尽管技术上成功实现血管再通（以改良脑卒中溶栓分级mTICI评估），30%-40%的AIS患者在接受EVT后仍持续存在显著病残，其中13%-29%的病死率与严重急性并发症直接相关。这种血管再通与临床结局之间的脱节，主要归因于残余低灌注、微血管栓塞和再灌注损伤等机制，这些因素驱动早期神经功能恶化（END）以及症状性颅内出血（sICH）、需减压性去骨瓣减压术（DHC）的恶性脑水肿（MBE）等严重并发症的发生。现有多种评分系统尝试预测早期并发症，但普遍存在敏感性不足、泛化能力有限及缺乏外部验证等局限；同时，这些模型大多忽视了患者特异性脑血管解剖和侧支循环架构——已知影响梗死进展、再灌注动力学和继发损伤易感性的关键因素——所提供的独特预测信息。在此背景下，将定量脑血管形态学与侧支循环指标整合入临床预测模型，有望突破传统方法的瓶颈，实现更个体化、更具生理学依据的EVT后管理框架。
该研究由Inova Fairfax Medical Campus与University of California, Riverside的研究人员合作完成，论文发表于《Translational Stroke Research》。研究团队开展了一项基于727例前瞻性收集的接受EVT治疗的AIS患者队列的回顾性分析，旨在构建并验证融合自动化定量脑血管形态学参数与侧支循环分级的机器学习预测模型。研究核心发现表明，纳入脑血管形态学指标后能显著提升对主要EVT后并发症及早期神经结局的预测效能，且患者特异性校准概率图谱支持个体化、多维风险分层，为精准医疗实践提供了新工具。
研究用到的主要关键技术方法包括：基于卷积神经网络（CNN）的自动化脑血管分割与骨架化技术，用于从CT血管造影（CTA）提取脑血管树的定量形态学特征（包括血管迂曲度、管径、总动脉长度、分支计数及分形复杂度等）；基于空间配准的标准化CT模板比较法计算定量侧支循环指数（qCI）；采用HistGradientBoostingClassifier梯度提升决策树算法构建预测模型，并通过5层分层交叉验证生成样本外概率估计，结合Sigmoid（Platt）校准获得校准后预测概率；运用DeLong检验比较模型AUROC差异，辅以净重分类改善指数（NRI）和综合判别改善指数（IDI）评估模型改进幅度；最终通过多任务学习框架整合各结局校准概率输出，构建患者级风险矩阵，并以层次聚类热图和雷达图可视化呈现。
研究结果部分围绕各并发症预测逐一展开。在早期神经功能恶化（END）预测方面，研究通过对比形态学信息（MI）模型与基线临床（BC）模型发现，MI模型达到AUROC 0.81（BC模型0.73），显著优于传统方法。这一改善源于血管迂曲度增加、管径减小及侧支循环降低等形态学特征对END风险的强预测价值，风险分层分析显示MI模型能更准确识别24-72小时内神经功能恶化的高危患者。
在症状性颅内出血（sICH）预测方面，MI模型AUROC达0.68（OOF验证0.76）优于BC模型的0.56。研究指出，血管迂曲度增高、管腔狭窄及不规则等结构异常与血管壁弱化、内皮功能障碍相关，共同促进再灌注后血脑屏障破坏和出血性转化。除传统风险因素外，中性粒细胞升高、吸烟史和舒张压增高亦被识别为sICH的关键预测因子，反映全身炎症、内皮功能障碍和血管应激的联合作用。
在恶性脑水肿需减压手术（MBE/DHC）预测方面，鉴于事件发生率较低（3%-5%），模型判别效能相对有限但仍有改善趋势（MI模型AUROC 0.67 vs BC模型0.56）。MBE更强烈地与炎症负荷和代谢应激标志物相关，包括血小板升高、白细胞计数、中性粒细胞淋巴细胞比值、血清肌酐和血糖升高，提示免疫激活、微血管损伤和组织清除受损在恶性水肿发病机制中的核心作用。
在气管切开/胃造瘘（TC/PEG）需求预测方面，MI模型AUROC为0.66，优于BC模型的0.58。该模型通过增加真阳性与假阳性病例的分离度，减少中等风险带的错误分类，改善了神经源性呼吸衰竭和吞咽困难高危患者的识别。
此外，研究还观察到MI模型在90天mRS不良预后预测和早期神经功能改善（ENI）预测中的获益，详细结果见补充材料。置换特征重要性分析揭示，qCI作为半球侧支充盈的替代指标，在各早期结局中均属最具信息量的预测因子之一，证实侧支循环在减轻缺血级联反应中的关键保护作用；而分形维数和qCI在低危患者中更高，提示其保护机制。
讨论部分，研究人员首先将本研究与现有预测评分系统（如HIAT2、SEDAN、DRAGON、EDEMA等）对比，指出这些传统评分依赖人工提取变量、缺乏外部验证和泛化能力，且未整合脑血管结构信息；而本研究引入的定量脑血管几何参数作为稳健影像生物标志物，通过严格验证的自动化流程，实现了传统方法无法企及的个体化概率风险评估。生物学层面上，形态学预测因子的机制解释与已知病理生理高度一致：侧支循环不良与慢性高血压、动脉硬化共同导致再灌注损伤、不完全微血管再灌注和持续代谢应激；血管迂曲度增高、血管稀疏化和管腔狭窄则与血管壁弱化相关，增加出血和水肿风险。临床转化层面，患者级校准风险图谱和清晰的风险带分层（低<0.2、中等0.2-0.5、高>0.5）为早期分诊、资源部署、家属沟通和共同决策提供了具体工具。
研究充分讨论了其局限性与未来方向：单中心数据来源可能限制泛化性，需多中心外部验证；自动化分割虽经验证，但成像伪影、严重低灌注可能影响特征提取；单相CTA作为静态快照可能低估延迟对比剂充盈患者的侧支循环，未来可整合多相CTA或动态血管成像；动脉树表示法可能因空间分辨率限制而遗漏桥接小血管，图补全算法或更高分辨率成像有望改善；静脉引流模式（如皮质静脉充盈评分COVES、PRECISE衍生静脉指标）的整合将提供更全面的脑血管网络模型。深度学习的多任务架构、CT灌注纹理特征融合亦是未来拓展方向。
研究结论部分指出：本研究框架聚焦于CTA衍生的动脉形态学和侧支循环架构，通过严格的分层交叉验证、校准概率和独立样本外测试，证实定量动脉几何学作为稳健影像生物标志物的价值。未来工作将包括多中心外部验证、CT平扫和CTP纹理特征整合，以及深度学习多任务架构的应用。将血管形态学嵌入常规卒中工作流程，有望从根本上推动EVT后管理从反应性向预测性转变，改善安全性、效率和长期康复。
