《Neurosurgical Review》：Predictive power of artificial intelligence for malignant cerebral edema in stroke patients: a CT-based systematic review and meta-analysis of prevalence and diagnostic performance
近年来，人工智能（Artificial Intelligence，AI）和影像组学崭露头角，成为预测 MCE 的有力工具。AI 技术凭借强大的数据处理和分析能力，影像组学则通过对医学影像特征的深度挖掘，二者为 MCE 的预测带来了新的曙光，有望将以往被动应对脑卒中的治疗模式转变为主动预防和干预的积极模式。然而，当前这些技术在实际应用中面临着诸多挑战。一方面，不同研究采用的方法差异较大，缺乏统一的标准；另一方面，研究报告的规范性不足，导致数据的可靠性和可比性受到影响，这在很大程度上限制了 AI 和影像组学在临床中的广泛应用。
为了更深入地探究 AI 模型预测 MCE 的实际效能，研究人员在 PubMed、Embase、Web of Science 和 Scopus 等多个权威数据库中进行了全面检索，筛选出那些报告了 AI 模型在 MCE 预测方面的敏感性、特异性以及曲线下面积（Area Under the Curve，AUC）等关键指标的研究。随后，运用随机效应荟萃分析对收集到的数据进行整合，这种分析方法能够综合多个研究的结果，减少单一研究的局限性，更准确地评估 AI 模型的性能。同时，研究人员还开展了亚组分析，深入探讨研究设计类型、机器学习输入数据类型等关键因素对 AI 模型诊断准确性的影响。此外，借助 Egger 检验和漏斗图分析来评估研究是否存在发表偏倚，确保研究结果的可靠性。
进一步的亚组分析发现，不同类型的研究对 AI 模型的性能有着显著影响。前瞻性研究中，AI 模型展现出更高的敏感性（92.0%）和特异性（93.3%），相比之下，回顾性研究中的敏感性仅为 76.1%，特异性为 91.4%。这可能是因为前瞻性研究在设计上更具科学性和严谨性，能够更好地控制研究过程中的各种因素，从而使 AI 模型的优势得到更充分的发挥。在机器学习输入数据类型方面，基于影像组学的模型敏感性略高于非影像组学模型，分别为 84.2% 和 80.4%，但二者在特异性上差异不大。这意味着影像组学为 AI 模型提供了更丰富、更具价值的信息，有助于提高预测的敏感性，但在特异性方面，不同输入类型的模型表现相当。
值得注意的是，研究还发现接受血管再通治疗的患者发生 MCE 的概率更高。这可能是由于这类患者在发病初期病情更为严重，血管再通虽然在一定程度上恢复了血流，但也可能引发一系列复杂的病理生理变化，增加了 MCE 的发生风险。在研究过程中，研究人员还观察到，不同研究之间在特异性方面的异质性较小，这说明 AI 模型在特异性表现上相对稳定；然而，敏感性估计却存在一定的发表偏倚，这提示在解读敏感性相关数据时需要格外谨慎，避免因偏倚导致对 AI 模型性能的误判。
综上所述，AI 模型在预测 MCE 方面展现出了出色的诊断性能，具有较高的敏感性和特异性。为了进一步提升其准确性和可靠性，未来的研究应更多地开展前瞻性研究，加强影像组学与 AI 技术的融合，鼓励多中心协作。同时，必须进行外部验证，以确保模型在不同临床环境中的有效性，并且制定标准化的研究方法和报告规范，消除当前存在的方法学差异和报告不一致问题。只有这样，AI 模型才能真正在临床实践中得到广泛应用，为那些面临 MCE 风险的脑卒中患者带来更精准的诊断和更有效的治疗，显著改善患者的预后，为脑卒中防治领域开辟新的局面。
