王霞，彭明洋，王鹏，谢光辉，陈国中，王同兴，陈云云

急性缺血性脑卒中具有发病率高、致残率高及病死率高等特点。机械取栓治疗可使闭塞的血管快速再通，改善卒中患者预后，但有高达35.2%的患者机械取栓后24 h内发生早期神经功能恶化(END)，导致预后不良[1]。以往的研究[2-4]显示，梗死范围增大、出血转化及脑水肿等均可引起END。Jiang等[4]的灌注加权成像(PWI)相关研究显示，较大的脑血流量更易发生END。Simonsen等[2]认为，END可通过更大的灌注损伤来预测，但基于DWI和PWI的缺血半暗带在预测END中的价值仍有待研究。近年来，机器学习成为医学诊疗的研究热点，其可综合大数据影像资料，深度挖掘多维影像学信息，实现精准诊断及预测[5]。然而目前基于DWI和PWI的机器学习在急性脑卒中END的评估中尚未见报道。本研究基于DWI和PWI图像，采用影像组学方法获取大量特征，旨在探讨基于机器学习技术构建急性脑卒中机械取栓后END的预测模型。

1 对象与方法

1.1 对象 收集2017年1月至2020年6月在南京市第一医院就诊的急性脑卒中患者300例，其中男191例，女109例，平均年龄(67.87±15.49)岁。纳入标准：(1)年龄大于18岁；(2)发病时间为24 h以内；(3)机械取栓治疗前接受MRI(DWI+PWI)检查；(4)接受机械取栓治疗。排除标准：(1)颅内出血、肿瘤或创伤；(2)MRI有运动伪影图像无法评估。END定义为机械取栓治疗后24 h内NIHSS评分较前增加≥4分或死亡。采用随机分层抽样的方法将上述300例患者随机分为训练集210例，测试集90例。另以同样入组标准及排除标准纳入2017年1月至2020年6月在东南大学附属中大医院就诊的急性脑卒中患者100例作为验证集，其中男60例，女40例，平均年龄(67.66±14.69)岁。……