据统计，全世界每年大约有1500万人经历卒中。那些存活下来的人往往面临严重的功能障碍，导致整体生活质量下降。急性期—从卒中后第1天到第7天—急性缺血性卒中的长期预后的预测提供了个性化康复策略、进行有针对性的临床研究、优化资源分配的要求。

先前的研究旨在通过使用临床变量和放射逻辑特征与机器学习来预测患者忽悠，但这些方法是有限的。首先，它们通常取决于基于图像的特征，这并不是最佳的预测方法。其次，在这些方法中使用的一些临床变量不是在全科医疗保健中心常规获得的。此外，选择和提取相关成像特征的过程引入了额外的主观性信息，经常需要大量的、通常是手工的后处理资源。

现阶段，非对比增强CT （NCCT）用于急性期缺血性脑卒中成像。NCCT能够快速识别早期梗死征像、颅内出血以及受影响组织的定位。深度学习（DL）和卷积神经网络已经证明了解释放射图像的能力。通过从成像数据中学习，基于DL的方法可以最大限度地减少人类在特征选择中的偏见，并能够提取更多信息的特征。以前的研究已经使用深度学习来检测MRI扫描结果预测的相关特征。然而，文献中缺乏应用于NCCT的DL方法来预测临床结果。

最近，发表在Radiology 上的一篇文章采用融合非对比增强CT （NCCT）和脑卒中急性期临床信息的深度学习（DL）模型对卒中患者进行预后评估。

本项回顾性研究纳入了来自4个多中心试验和2个注册中心的6个患者数据集的数据。基于DL的成像和临床模型使用基线成像后1-7天的NCCT数据和临床数据。将该模型与仅基于NCCT或临床信息的模型进行比较。评估模型特异性mRS评分预测准确性、mRS评分与实际mRS评分1分以内的准确性、平均绝对误差（MAE）和识别不良结局（mRS评分>2）的表现。

研究共纳入1335例患者(中位年龄71岁；IQR， 60-80岁；674名女性患者)，通过六重交叉验证纳入模型开发和测试，在每六个交叉验证折叠中，训练集、验证集和测试集的分布分别为979、133和223名患者。融合模型预测具体mRS评分的MAE为0.94 (95% CI: 0.89, 0.98)，优于单纯成像模型(MAE, 1.10；95% ci: 1.05, 1.16；P < 0.001)和仅提供临床信息(MAE, 1.00；95% ci: 0.94, 1.05；P = 0.04)模型。融合模型预测不良预后的受试者工作特征曲线下面积（AUC）为0.91 (95% CI: 0.89, 0.92)，优于单纯临床信息模型(AUC, 0.88；95% ci: 0.87, 0.90；P <0 .001)和单纯成像模型(AUC, 0.85；95% ci: 0.84, 0.87；P < 0.001)。

表 临床、影像和融合模型中不良预后预测的性能比较

本项研究表明，基于DL的NCCT和临床模型在预测90天mRS评分方面优于单纯成像模型和单纯临床信息模型。

原始出处：

Yongkai Liu,Yannan Yu,Jiahong Ouyang,et al.Prediction of Ischemic Stroke Functional Outcomes from Acute-Phase Noncontrast CT and Clinical Information.DOI:10.1148/radiol.240137