急性缺血性卒中血管内取栓后功能结局的多阶段多模态学习预测模型
A multi-stage multimodal learning model for functional outcomes prediction in acute ischemic stroke.
PubMed 文献 · Neuroradiology · 2026-10-17
本研究提出一种多模态深度学习框架，整合取栓前后多阶段影像与临床文本，用于预测急性缺血性卒中患者血管内取栓后90天改良Rankin量表（mRS）结局。模型采用共享基础模型与低秩适应编码治疗前后影像，并通过共享与阶段特异性特征提取模块建模疾病进展。在NCCT与MRI数据集上AUC分别达0.9147与0.9479，优于单模态基线。
要点
- 整合取栓前后影像与临床文本可提升90天mRS功能预后预测效能。
- 多阶段NCCT与MRI模型AUC分别为0.9147和0.9479，优于单模态方法。
- 临床应用该模型时需警惕不同影像模态间预测效能的差异。
核心结论
- 整合取栓前后多阶段影像与临床文本的多模态深度学习方法可改善急性缺血性卒中患者90天mRS功能预后预测。
- 双向交叉注意力模块增强了影像特征与临床文本之间的语义对齐，有利于跨模态互补建模。
- 消融实验验证了多阶段交互设计与多模态融合策略对预测性能均有正向贡献。
研究设计与样本
- 本研究构建多模态深度学习框架，利用共享基础模型结合低秩适应编码治疗前后影像。
- 采用共享特征提取模块与阶段特异性特征提取模块解耦共享与阶段特异性表征，建模跨阶段疾病进展。
- 在多阶段NCCT与MRI数据集上验证模型，并以单模态基线作为比较参照。
关键影像表现/征象
- 模型在NCCT数据集上预测90天mRS的AUC为0.9147，在MRI数据集上AUC为0.9479。
- 所提方法在多阶段NCCT与MRI数据集上均持续优于单模态基线模型。
诊断标准与关键数值
- 以90天改良Rankin量表（mRS）作为功能结局预测目标。
- NCCT数据集模型AUC为0.9147，MRI数据集模型AUC为0.9479。
临床应用与阅片要点
- 日常阅片时可关注取栓前后影像的动态变化，以配合模型对90天功能结局的评估。
- 临床文本与影像特征的对齐信息可为个体化预后判断提供补充，报告时应考虑多模态信息整合。
局限性
- 原文未报告样本量、中心数、设备与序列细节及参考标准信息。
- 研究未提及外部验证集或临床部署层面的泛化性能验证。
以上解读依据论文摘要（全文未开放获取或许可不允许翻译转载）。
引用
- Hu, Ai, Xu, et al. A multi-stage multimodal learning model for functional outcomes prediction in acute ischemic stroke. Neuroradiology. 2026. PMID: 42891823. doi:10.1007/s00234-026-04219-x
供执业医师工作参考，不替代临床判断；数值与分级以指南原文为准。