基于深度学习的情境脑年龄预测急性缺血性脑血管病卒中复发风险

《npj Digital Medicine》：Deep learning-based brain age predicts stroke recurrence in acute ischemic cerebrovascular disease

本文推荐一项关于急性缺血性脑血管病(AICVD)卒中复发预测的创新研究。为解决AICVD高复发率难题，研究人员开发了掩模脑年龄估计网络(MBA Net)，通过掩蔽急性梗死区域预测非梗死区情境脑年龄(CBA)。结果显示脑年龄差(BAG)可独立预测3个月和5年卒中复发风险，且优于实际年龄。将BAG纳入临床预测模型显著提升判别性能，为AI驱动的卒中二级预防策略提供新工具。

　　

急性缺血性脑血管病(AICVD)如同一个潜伏的健康"刺客"，其高复发率特性让患者和医生时刻保持警惕。尽管现代医学已经能够通过基因指导的抗血小板治疗将复发率控制在6%左右，但这一数字背后仍然意味着大量患者面临二次卒中的威胁。更为棘手的是，当前临床实践中缺乏能够精准评估个体复发风险的生物标志物，导致预防策略往往"一刀切"，难以实现真正的个体化治疗。

在这一背景下，一个新兴的概念——"脑年龄"引起了研究人员的注意。脑年龄是指通过人工智能算法从神经影像数据中推导出的大脑健康综合指标，而脑年龄差(BAG)则是脑年龄与实际年龄的偏差。越来越多的证据表明，BAG可作为评估与神经退行性疾病、卒中及精神疾病相关的大脑衰老的敏感标志物。然而，在急性缺血性脑血管病患者中，脑年龄预测面临独特挑战：急性期磁共振成像(MRI)表现如梗死核心和缺血半暗带会快速变化，这为准确评估脑年龄带来了巨大困难。

为了解决这一难题，来自首都医科大学北京天坛医院、北京航空航天大学等机构的研究团队在《npj Digital Medicine》上发表了最新研究成果。他们开发了一种创新的掩模脑年龄估计网络(MBA Net)，专门针对AICVD患者设计，通过掩蔽急性梗死区域来预测非梗死区的情境脑年龄(CBA)，从而减少急性期神经影像中动态梗死带来的混杂效应。

这项研究的技术方法核心在于MBA Net的构建与应用。研究人员首先使用5353名健康个体的T2-FLAIR图像训练模型，采用自动计算算法生成图像掩模。随后将模型应用于包含10890名AICVD患者的多中心前瞻性队列中。关键技术包括：基于nnUNet模型的急性缺血病变分割、最小边界矩形掩模生成、ScaledDense卷积神经网络架构，以及一致性损失函数优化。特别值得注意的是，研究使用了中国国家卒中登记三期研究(CNSR-III)的大规模临床影像数据，确保了结果的临床适用性。

Mask-based Brain Age estimation Network and contextual brain age

MBA Net在训练阶段展现了出色的脑年龄预测能力，在训练集上平均绝对误差(MAE)为1.58年(R²=0.92)，在测试集上MAE为3.27年(R²=0.89)。当应用于AICVD患者时，模型表现出稳健性能(MAE=4.21年，R²=0.91)。平均CBA为62.4±12.4岁，平均BAG为0.2±5.3岁。重要的是，BAG与实际年龄无显著相关性(r=0.004，p=0.65)，表明其捕获了独立于实际年龄的大脑老化信息。

Risk factors associated with BAG in patients with AICVD

多变量线性回归分析揭示了BAG与多种临床表型的显著关联。男性患者、有缺血性卒中史、高血压史、糖尿病史以及卒中前依赖(改良Rankin量表[mRS]评分2-5分)的患者BAG水平显著更高。这些发现表明BAG与血管危险因素密切相关，支持其作为脑血管健康指标的有效性。

Association between BAG and the risk of stroke recurrence

在3个月短期随访期间，6.1%的患者出现卒中复发，6.6%发生复合血管事件，5.7%发生新发缺血性卒中。5年长期随访中，这些比例分别上升至15.7%、17.6%和14.4。关键发现是，BAG每增加1年，3个月卒中复发风险增加9%(调整后风险比[HR]=1.09)，5年风险增加7%(调整后HR=1.07)。类似趋势也见于复合血管事件和缺血性卒中的预测。

Interaction between risk factors and BAG in relation to stroke recurrence

交互作用分析显示，在3个月卒中复发风险方面，BAG与吸烟状态存在显著交互作用。对于5年卒中复发风险，BAG与实际年龄、糖尿病史和卒中前mRS评分存在显著交互作用。这些发现提示BAG的预测价值可能在不同临床亚组中存在差异，为个性化风险评估提供了线索。

研究结论强调，BAG是AICVD患者短期和长期卒中复发的独立预测因子，其预测性能优于实际年龄。将BAG纳入已建立的风险评分和常规临床模型可显著提高判别能力，C统计量改善达0.03-0.10。这些发现支持BAG作为影像学生物标志物在AI驱动的精准卒中二级预防策略中的潜在应用价值。

讨论部分深入剖析了研究的创新点和临床意义。MBA Net通过掩蔽急性梗死区域的方法，有效减少了急性缺血性病变对脑年龄估计的混杂影响，这是相对于以往全脑年龄预测方法的重要进步。研究还发现，即使调整梗死体积后，BAG仍与卒中复发独立相关，凸显了其超越急性病变负担的预测价值。

值得注意的是，研究揭示了BAG与脑出血风险的关系。在二元BAG分类中，负BAG组5年脑出血风险显著高于正BAG组(2.1% vs.1.0%)。在三分类分析中，加速老化组脑出血风险最高，正常老化组次之，减速老化组最低。这一发现对于抗血小板治疗的风险-获益评估具有重要临床意义，因为抗血小板治疗是急性缺血性卒中管理的基石，需要仔细权衡出血风险。

研究的另一重要发现是BAG与血管危险因素之间的不匹配现象。如图4所示，有些患者虽有多个血管危险因素，但BAG显示大脑年轻化；而有些患者尽管危险因素较少，却呈现加速大脑老化。这一现象提示个体对脑血管应激可能存在耐受或恢复机制，为未来研究提供了有趣方向。

该研究的临床意义深远。首先，BAG可作为卒中复发风险分层的实用工具，帮助识别高风险患者并指导强化治疗策略。其次，BAG与出血风险的关联为抗血小板治疗的个性化决策提供了新依据。最后，研究支持将脑年龄纳入卒中分类系统，建立基于大脑老化机制的新型风险分层框架。

当然，研究也存在一定局限性。如训练数据集的年龄分布异质性可能导致脑年龄预测存在残余偏差；缺乏可解释AI评估限制了模型生物学解释；研究基于中国人群，需要在多族裔人群中进一步验证；缺乏社会经济地位、教育水平等可能影响脑老化的变量信息；仅包含急性期影像数据，缺乏纵向随访影像。

总体而言，这项研究首次证实了基于深度学习的情境脑年龄预测在AICVD患者卒中复发风险评估中的价值，为AI驱动的精准脑血管病防治提供了新思路。未来研究方向包括将BAG与其他老化相关生物标志物(如端粒长度、表观遗传年龄)整合，构建更全面的脑老化评估体系；探索针对加速脑老化的干预策略，为改善卒中预后开辟新途径。