这篇文档属于类型a，即报告了一项原创性研究。以下是针对该研究的学术报告：

主要作者及机构
本研究由Alan Flores（西班牙塔拉戈纳Joan XXIII大学医院神经内科卒中单元）、Xavier Ustrell（西班牙Pere Virgili卫生研究所）等来自西班牙、美国多家医疗机构的联合团队完成，通讯作者为Santiago Ortega-Gutierrez（美国爱荷华大学医院神经内科）。研究发表于《Journal of NeuroInterventional Surgery》（JNIS）2025年7月刊。

学术背景
研究领域：急性缺血性卒中（Acute Ischemic Stroke, AIS）的影像学评估与预后预测。
研究动机：当前，在延长治疗时间窗内，基于灌注成像（如CTP）的缺血核心体积（Initial Core Volume, ICV）评估对再灌注治疗（如溶栓或取栓）的决策至关重要。然而，CTP在资源有限地区普及率低，且可能因“幽灵核心”（ghost infarct core）现象高估梗死范围。非增强CT（NCCT）虽广泛可用，但传统Alberta卒中项目早期CT评分（ASPECTS）敏感性不足。
研究目标：验证一种基于深度学习算法的NCCT自动缺血核心体积（Automated ICV, AICV）评估工具（Methinks软件）的临床价值，探究其与患者90天功能预后及症状性颅内出血（Symptomatic Intracranial Hemorrhage, sICH）的关联。

研究流程与方法
1. 研究设计与人群
- 数据来源：前瞻性收集2021年1月至2024年5月三家综合卒中中心接受再灌注治疗的连续患者（n=658），基线改良Rankin量表（mRS）评分0-2分。
- 变量采集：包括人口统计学、临床指标（如NIHSS评分）、闭塞部位、工作流程时间（如发病至入院时间），以及ASPECTS评分、CTP估算的ICV（Perfusion ICV, pICV）。

1. 深度学习算法开发与验证

   • 算法架构：采用2D U-Net模型，结合InceptionV4编码器，输入NCCT图像（层厚2.5–5 mm），输出四类分割图（急性缺血病灶、高密度血栓、慢性病灶、急性出血）。
     
   • 训练细节：使用50个训练周期（epochs），AdamW优化器，学习率1e-3至1e-4动态调整，基于PyTorch框架在NVIDIA RTX 3090显卡上运行。
     
   • 创新性：算法通过多类别分割区分急性与慢性病变，减少误判风险（图1展示案例）。
     

2. 临床结局评估

   • 主要结局：90天功能独立（mRS 0-2）和sICH（依据SITS-MOST标准）。
     
   • 盲法设计：评估者对AICV结果不知情。
     

3. 统计分析

   • 相关性分析：AICV与ASPECTS、pICV的Spearman相关性。
     
   • 多变量回归：调整年龄、性别、ASPECTS后，分析AICV与预后的独立关联。
     
   • ROC曲线：确定AICV预测预后的最佳截断值（Youden指数）。
     

主要结果
1. AICV与功能预后
- 功能独立组AICV显著更低（12.9±26.9 mL vs. 34.9±40 mL, p<0.001）。 - 多变量回归显示，AICV每增加1 mL，功能独立概率降低1.7%（aOR 0.983, 95% CI 0.975–0.992）。 - ROC分析确定AICV≤35 mL为最佳阈值（AUC=0.69），其患者功能独立率是>35 mL组的2倍（68.5% vs. 36.1%）。

1. AICV与sICH风险

   • sICH组AICV更高（47.8±61.1 mL vs. 20.5±32 mL, p=0.001）。
     
   • AICV每增加1 mL，sICH风险上升1.4%（aOR 1.014, 95% CI 1.004–1.025）。
     
   • AICV≥35 mL组sICH发生率翻倍（11.1% vs. 5.02%, p=0.045）。
     

2. 时间窗分层分析

   • 早期时间窗（≤4小时）：AICV≤35 mL是功能独立的独立预测因子（aOR 2.918, p=0.024）。
     
   • 晚期时间窗（>4小时）：AICV预测效能与pICV相当，优于ASPECTS（p<0.001）。
     

3. 亚组验证

   • 静脉溶栓组：AICV≤35 mL与功能独立显著相关（aOR 2.748, p=0.027）。
     
   • 单纯取栓组：AICV与sICH的关联未达统计学意义（p=0.052）。
     

结论与价值
1. 科学价值
- 首次证实基于NCCT的深度学习算法（AICV）可替代CTP预测卒中再灌注治疗的预后，尤其在资源有限地区。
- 提出35 mL作为AICV的临床决策阈值，为延长治疗时间窗提供新依据。

1. 应用前景
   
   • 简化流程：避免CTP的对比剂使用和延迟，缩短Door-to-Puncture时间。
     
   • 全球可及性：适用于缺乏高级影像的基层医院，推动治疗公平性。
     

研究亮点
1. 方法创新：开发首个可区分急性/慢性病变的NCCT自动分割算法，解决ASPECTS的主观性局限。
2. 临床转化：AICV的预测效能跨越不同时间窗和治疗方式（溶栓/取栓），具有普适性。
3. 社会意义：为低收入国家扩展再灌注治疗适应症提供技术支撑，呼应WHO卒中防控战略。

局限性
1. 回顾性设计可能引入选择偏倚。
2. 未纳入最终再通状态（如mTICI评分）作为协变量。
3. 白质病变等非急性病灶可能干扰AICV评估。

未来方向
前瞻性试验（如DONE SIMPLE试验）将验证AICV在超时间窗（6–72小时）取栓中的指导价值。

（报告总字数：约1800字）