切换至 "中华医学电子期刊资源库"
高级检索
中华脑血管病杂志(电子版)

中华脑血管病杂志(电子版) ›› 2026, Vol. 20 ›› Issue (03) : 308 -319. doi: 10.3877/cma.j.issn.1673-9248.2026.03.011

循证医学

不同人工智能模型预测脑卒中不良预后诊断效能的荟萃分析
梁怡凡1, 牟婧宇1, 吴雅婷1, 邳靖陶1, 陈乐1, 武剑1,2,3,†()   
  1. 1　102218　北京，清华大学北京清华长庚医院神经内科　清华大学临床医学院
    2　100084　北京，清华大学医疗管理学院
    3　100084　北京，清华大学-IDG/麦戈文脑科学研究院
  • 收稿日期:2026-02-02 出版日期:2026-06-01
  • 通信作者: 武剑
  • 基金资助:
    国家重点研发计划(2023YFC2506600); 清华大学-IDG/麦戈文脑科学研究院“Brain+X”博士生和博士后种子基金项目(61000100124)

Diagnostic performance of different artificial intelligence models for poor stroke outcome

Yifan Liang1, Jingyu Mou1, Yating Wu1, Jingtao Pi1, Le Chen1, Jian Wu1,2,3,†()   

  1. 1 Department of Neurology, Beijing Tsinghua Changgung Hospital, School of Clinical Medicine, Tsinghua Medicine, Tsinghua University, Beijing 102218, China
    2 School of Healthcare Management, Tsinghua University, Beijing 100084, China
    3 IDG/McGovern Institute for Brain Research at Tsinghua University, Beijing 100084, China
  • Received:2026-02-02 Published:2026-06-01
  • Corresponding author: Jian Wu
全文 ( ) 下载PDF ( ) 导出引用
引用本文：

梁怡凡, 牟婧宇, 吴雅婷, 邳靖陶, 陈乐, 武剑. 不同人工智能模型预测脑卒中不良预后诊断效能的荟萃分析[J/OL]. 中华脑血管病杂志(电子版), 2026, 20(03): 308-319.

Yifan Liang, Jingyu Mou, Yating Wu, Jingtao Pi, Le Chen, Jian Wu. Diagnostic performance of different artificial intelligence models for poor stroke outcome[J/OL]. Chinese Journal of Cerebrovascular Diseases(Electronic Edition), 2026, 20(03): 308-319.

目的

系统评价并比较不同人工智能（AI）模型在预测急性缺血性脑卒中患者不良功能预后中的诊断效能，重点比较各模型在敏感度与特异度权衡方面的差异。

方法

检索PubMed、Web of Science、Embase、The Cochrane Library、中国知网及万方数据库，收集基于AI模型预测脑卒中患者功能预后的研究。依据建模原理将模型分为回归模型、单棵决策树、随机森林模型、Boosting集成模型、支持向量机、深度学习模型及其他机器学习模型。提取或计算混淆矩阵四格表数据，采用诊断试验准确性荟萃分析方法，计算各模型的合并敏感度、特异度、阳性似然比、阴性似然比、诊断比值比及受试者操作特征曲线下面积（AUROC），并比较不同模型的综合受试者操作特征（SROC）曲线。

结果

共纳入32项研究，累计包含56 458例患者。不同模型类别的AUROC介于0.79~0.85，均显示出中等至较高的判别能力。随机森林模型的AUROC最高（0.85，95%CI：0.82~0.88），特异度较高。Boosting集成模型表现出较为稳定且均衡的诊断效能；支持向量机和深度学习模型在敏感度方面具有一定的优势。SROC曲线比较结果显示：随机森林模型和Boosting集成模型在敏感度与特异度权衡方面表现较优。

结论

不同AI模型在预测脑卒中不良功能预后中的诊断效能存在差异。集成学习模型（随机森林模型和Boosting集成模型）在特异度及敏感度-特异度平衡方面整体表现较优。在临床应用中，应结合具体应用场景综合考量敏感度与特异度，并进一步评估AI预测模型的临床可推广性。

关键词: 缺血性脑卒中, 功能预后, 人工智能, 机器学习, 荟萃分析
Objective

To systematically evaluate and compare the diagnostic performance of different artificial intelligence (AI) models in predicting poor functional outcomes in patients with acute ischemic stroke, with a particular focus on the trade-off between sensitivity and specificity across models.

Methods

PubMed, Web of Science, Embase, The Cochrane Library, China National Knowledge Infrastructure, and Wanfang databases were systematically searched to identify studies applying AI-based models for functional outcome prediction after stroke. According to modeling principles, the models were categorized into regression models, single decision trees, random forest (RF) models, boosting ensemble models, support vector machines (SVM), deep learning (DL) models, and other machine learning approaches. The 2×2 contingency table data were extracted or calculated. Diagnostic test accuracy Meta-analysis was performed to pool sensitivity, specificity, positive likelihood ratio, negative likelihood ratio, diagnostic odds ratio, and the area under the receiver operating characteristic curve (AUROC). Summary receiver operating characteristic (SROC) curves were used to compare the overall diagnostic performance of different model categories.

Results

A total of 32 studies involving 56 458 patients were included. The pooled AUROC values across different model categories ranged from 0.79 to 0.85, indicating moderate to high discriminative ability. RF models achieved the highest AUROC (0.85, 95%CI: 0.82 – 0.88) with relatively high specificity. Boosting ensemble models demonstrated stable and well-balanced diagnostic performance. SVM and DL models showed an advantage in sensitivity. SROC curve comparisons indicated that RF and boosting ensemble models performed better in balancing sensitivity and specificity.

Conclusion

The diagnostic performance of different AI models for predicting poor functional outcomes after stroke varies across modeling approaches. Ensemble learning models, including RF and boosting-based models, showed overall advantages in specificity and in balancing sensitivity and specificity. In clinical practice, model selection should consider specific application scenarios by jointly evaluating sensitivity and specificity, and further studies are warranted to assess the clinical generalizability of AI-based prediction models.

Key words: Ischemic stroke, Functional outcome, Artificial intelligence, Machine learning, Meta-analysis
图1 不同人工智能模型预测脑卒中患者不良预后的文献筛选流程图
表1 纳入文献的基本特征
作者 年份 地区 研究设计 中心类型 治疗方式 不良预后的结局定义（mRS评分） 随访时间 样本量 影像学特征 测试集 外部验证 应用模型（模型分类）b
Heo等[5] 2019 韩国 前瞻性a 单中心 常规治疗 ≥3 3个月 2604 否 是 否 1（LR），3（RF），6（DNN）
Alaka等[8] 2020 加拿大 前瞻性 多中心 IVT±EVT ≥3 3个月 1121 是 是 是 1（LR、LASSO），2（C5.0、CART），3（RF），4（AdaBoost），5（SVM）
Li等[9] 2020 中国 回顾性 单中心 - ≥3 6个月 1735 否 是 否 1（LR、LRc），3（RFC、RFCc），4（XGBoost），5（SVM），6（DNN）
上官艺等[10] 2021 中国 前瞻性 多中心 常规±IVT ≥3 3个月 14 885 否 是 否 1（LR），4（CatBoost、XGBoost、LightGBM）
Park等[11] 2021 韩国 前瞻性a 单中心 IVT±EVT ＞3 3个月 1066 是 是 否 1（RLR），3（RF），4（XGBoost），5（SVM），7（KNN）
陈思玎等[12] 2022 中国 前瞻性 多中心 常规±IVT ≥3 12个月 8230 否 是 否 1（LR），3（RF），4（CatBoost、XGBoost、GBDT）
Yao等[13] 2022 中国 回顾性 单中心 EVT ≥3 3个月 217 是 是 否 3（ExtraTrees、RF），4（AdaBoost、LightGBM、XGBoost、GBM、CatBoost）
Feyen等[14] 2022 德国 回顾性 单中心 EVT ≥3 3个月 30 是 是 否 1（GLM），3（RF），7（KNN）
Ramos等[15] 2022 荷兰 前瞻性 多中心 EVT ＞3 3个月 3279 是 否 否 1（LR），3（RFC），4（XGBoost），5（SVM），6（NN）
Mutke等[16] 2022 德国 回顾性 单中心 EVT ≥3 3个月 210 否 是 否 1（GLM、Lasso、ElasticNet），4（CatBoost），5（SVMC），6（MLP），7（NB）
Jeon等[17] 2023 韩国 回顾性 多中心 IVT±EVT ≥3 3个月 3125 是 是 是 1（LR），4（LightGBM），6（MLP）
刘妍等[18] 2024 中国 回顾性 单中心 - ≥3 3个月 403 否 是 否 1（LR），3（RF），5（SVM）
孙如等[19] 2024 中国 回顾性 单中心 IVT ≥3 - 666 是 是 否 1（LR），2（DT），3（RF），4（XGBoost），5（SVM），7（KNN）
魏宏博等[20] 2024 中国 回顾性 单中心 IVT ≥2 - 194 否 否 否 1（LR），2（DT），3（RF），7（NB）
谢飞等[21] 2024 中国 回顾性 单中心 - ≥2 3个月 225 否 是 否 1（LR），4（XGBoost），5（SVM）
周辉等[22] 2024 中国 回顾性 单中心 常规治疗 ≥3 3个月 774 是 是 否 1（LR、Ridge regression），2（DT），3（RF、ExtraTrees），4（XGBoost、LightGBM、CatBoost、GBDT、AdaBoost），5（LinearSVM），7（LDA、NB、KNN、QDA）
Mbarek等[23] 2024 中国 前瞻性a 多中心 IVT±EVT ≥3 3个月 2268 否 是 否 1（LR），3（RF），4（XGBoost、GBDT、LightGBM）
Feyen等[24] 2024 德国 回顾性 多中心 IVT±EVT ≥3 3个月 8395 是 是 否 1（GLM），3（RF），5（SVM），6（NNET），7（KNN）d
袁婷等[25] 2025 中国 回顾性 单中心 IVT ≥2 3个月 420 否 否 否 1（LR），2（DT）
薛晓娟等[26] 2025 中国 回顾性 单中心 EVT ≥3 3个月 462 是 是 否 1（LR），4（XGBoost、LightGBM），5（SVM），7（GNB）
李明超等[27] 2025 中国 回顾性 单中心 - ≥3 14 d 670 否 是 否 1（LR），3（RF），4（LightGBM、XGBoost）
杨潇等[28] 2025 中国 回顾性 单中心 EVT ≥3 3个月 191 是 是 否 1（LR），2（DT），3（RF），4（XGBoost），5（SVM），7（KNN）
孟琦等[29] 2025 中国 回顾性 单中心 IVT ≥3 3个月 227 是 是 否 2（DT），4（XGBoost、LightGBM），5（SVM），6（ANN），7（BN）
Hu等[30] 2025 中国 回顾性 单中心 EVT ＞2 3个月 177 是 是 否 2（DT），3（RF），5（SVM），7（KNN）
Liu等[31] 2025 中国 回顾性 单中心 - ≥3 3个月 515 否 是 否 1（LR），2（DT），3（RF），4（XGBoost、LightGBM），5（SVM）
Luo等[32] 2025 中国 前瞻性 多中心 IVT ≥2 3个月 1028 是 是 是 1（LR），4（GBM、AdaBoost、LightGBM），5（SVM），6（NN）
Ma等[33] 2025 中国 回顾性 单中心 - ≥3 3个月 1017 否 是 否 1（LR），3（ExtraTrees、RF），4（AdaBoost、GBM、LightGBM、XGBoost）
Yang等[34] 2025 中国 回顾性 多中心 IVT ＞2 3个月 682 否 是 是 1（LR），3（RF），4（GBM），5（SVM），7（KNN、NB）
Bogey等[35] 2025 法国 前瞻性a 多中心 EVT ≥3 3个月 2964 是 是 否 3（RF），4（XGBoost），5（SVM）
Dao等[36] 2025 越南 前瞻性 单中心 常规治疗 ≥3 3个月 86 否 是 否 2（DT），4（AdaBoost），5（SVM），7（KNN、GNB）
Feyen等[37] 2025 德国 回顾性 多中心 EVT ≥3 3个月 415 是 是 否 1（GLM），3（RF），5（SVM），6（NN），7（KNN）
Chen等[38] 2025 中国、韩国 前瞻性 多中心 - ≥3 3个月 1456 否 是 是 2（DT），3（ExtraTrees、BRF），4（LightGBM、AdaBoost、CatBoost、GBM、RUSBoost、XGBoost），5（LinearSVC），6（LSTM），7（KNN）
图2 纳入研究的偏倚风险和适用性评价。图a为预测模型偏倚风险评估工具（PROBAST）评价；图b为诊断准确性研究质量评价工具-2（QUADAS-2）评价
表2 不同人工智能模型预测脑卒中不良预后诊断效能的合并结果[点估计值（95%CI）]
模型 AUROC 敏感度 特异度 PLR NLR DOR
回归模型 0.83（0.80~0.86） 0.67（0.56~0.76） 0.85（0.76~0.90） 4.3（3.1~6.0） 0.39（0.30~0.50） 11（8~15）
决策树 0.82（0.78~0.85） 0.69（0.59~0.78） 0.79（0.73~0.84） 3.3（2.5~4.3） 0.39（0.29~0.52） 8（5~14）
随机森林模型 0.85（0.82~0.88） 0.59（0.49~0.69） 0.90（0.85~0.93） 5.8（4.0~8.3） 0.45（0.36~0.57） 13（8~21）
Boosting集成模型 0.83（0.80~0.86） 0.64（0.59~0.68） 0.88（0.85~0.90） 5.1（4.3~6.2） 0.41（0.37~0.46） 12（10~15）
支持向量机 0.83（0.80~0.86） 0.75（0.52~0.89） 0.78（0.55~0.91） 3.4（1.8~6.8） 0.32（0.18~0.58） 11（5~22）
深度学习模型 0.82（0.79~0.85） 0.74（0.58~0.85） 0.78（0.60~0.89） 3.3（2.0~5.6） 0.34（0.23~0.48） 10（7~15）
其他机器学习模型 0.79（0.75~0.82） 0.43（0.27~0.60） 0.88（0.81~0.93） 3.7（2.7~5.1） 0.65（0.51~0.83） 6（4~9）
图3 不同人工智能模型预测脑卒中不良预后的综合受试者操作特征曲线比较
图4 检测纳入文献发表偏倚的Deeks'漏斗图
表3 不同限制条件下各类人工智能模型预测脑卒中不良预后诊断效能的敏感性分析合并结果[点估计值（95%CI）]
模型 同一研究内同类别代表模型 明确报告治疗方式 统一结局阈值（mRS评分≥3分）a 统一随访时间分析（3个月以上） 分析数据明确来源于测试集 无需因预测结局进行混淆矩阵转换
AUROC 敏感度 特异度 AUROC 敏感度 特异度 AUROC 敏感度 特异度 AUROC 敏感度 特异度 AUROC 敏感度 特异度 AUROC 敏感度 特异度
回归模型 0.84（0.81~0.87） 0.69（0.57~0.79） 0.85（0.75~0.91） 0.81（0.77~0.84） 0.68（0.54~0.79） 0.81（0.70~0.88） 0.84（0.80~0.87） 0.68（0.56~0.78） 0.84（0.75~0.91） 0.83（0.79~0.86） 0.66（0.55~0.76） 0.84（0.76~0.90） 0.84（0.80~0.87） 0.67（0.53~0.78） 0.85（0.76~0.91） 0.84（0.81~0.87） 0.68（0.56~0.78） 0.86（0.77~0.91）
决策树 0.83（0.79~0.86） 0.70（0.59~0.79） 0.80（0.73~0.85） 0.82（0.79~0.85） 0.72（0.62~0.81） 0.78（0.71~0.84） 0.77（0.73~0.81） 0.63（0.54~0.71） 0.78（0.71~0.84） 0.82（0.78~0.85） 0.69（0.59~0.78） 0.79（0.73~0.84） 0.83（0.80~0.86） 0.67（0.52~0.79） 0.82（0.74~0.88） 0.82（0.78~0.85） 0.69（0.59~0.78） 0.79（0.73~0.84）
随机森林模型 0.84（0.80~0.87） 0.62（0.52~0.70） 0.89（0.84~0.93） 0.80（0.76~0.83） 0.54（0.41~0.66） 0.86（0.79~0.91） 0.85（0.82~0.88） 0.60（0.50~0.70） 0.90（0.85~0.93） 0.84（0.81~0.87） 0.58（0.48~0.68） 0.90（0.85~0.93） 0.86（0.83~0.89） 0.60（0.47~0.71） 0.90（0.85~0.93） 0.86（0.82~0.88） 0.59（0.48~0.69） 0.90（0.86~0.93）
Boosting集成模型 0.82（0.78~0.85） 0.65（0.59~0.71） 0.86（0.80~0.90） 0.80（0.76~0.83） 0.60（0.54~0.66） 0.86（0.81~0.89） 0.84（0.80~0.87） 0.65（0.59~0.69） 0.88（0.85~0.91） 0.82（0.79~0.86） 0.63（0.58~0.68） 0.88（0.84~0.90） 0.84（0.80~0.87） 0.64（0.58~0.68） 0.88（0.85~0.90） 0.84（0.80~0.87） 0.64（0.59~0.68） 0.88（0.85~0.90）
支持向量机 0.83（0.80~0.86） 0.75（0.52~0.89） 0.78（0.55~0.91） 0.79（0.75~0.82） 0.79（0.52~0.93） 0.65（0.36~0.86） 0.84（0.81~0.87） 0.79（0.53~0.93） 0.75（0.44~0.92） 0.83（0.80~0.86） 0.75（0.52~0.89） 0.78（0.55~0.91） 0.84（0.81~0.87） 0.75（0.50~0.91） 0.79（0.53~0.93） 0.85（0.81~0.88） 0.76（0.51~0.91） 0.79（0.54~0.93）
深度学习模型 0.82（0.79~0.85） 0.74（0.58~0.85） 0.78（0.60~0.89） 0.82（0.78~0.85） 0.76（0.57~0.88） 0.74（0.51~0.89） 0.83（0.80~0.86） 0.74（0.57~0.86） 0.79（0.60~0.91） 0.82（0.79~0.85） 0.74（0.58~0.85） 0.78（0.60~0.89） 0.81（0.78~0.85） 0.77（0.60~0.88） 0.72（0.53~0.86） 0.83（0.80~0.86） 0.75（0.58~0.87） 0.78（0.58~0.90）
其他机器学习模型 0.79（0.75~0.82） 0.53（0.38~0.68） 0.85（0.76~0.91） 0.79（0.75~0.82） 0.43（0.27~0.60） 0.88（0.81~0.93） 0.78（0.74~0.81） 0.43（0.26~0.62） 0.89（0.79~0.94） 0.79（0.75~0.82） 0.43（0.27~0.60） 0.88（0.81~0.93） 0.79（0.75~0.82） 0.42（0.25~0.61） 0.89（0.80~0.94） 0.79（0.76~0.83） 0.42（0.26~0.60） 0.89（0.81~0.94）
1
徐元麒, 杨珊珊, 张忠玲. 急性缺血性卒中再灌注联合脑细胞保护治疗的策略 [J/OL]. 中华脑血管病杂志(电子版), 2025, 19(6): 463-466.
2
Monteiro M, Fonseca AC, Freitas AT, et al. Using machine learning to improve the prediction of functional outcome in ischemic stroke patients [J]. IEEE/ACM Trans Comput Biol Bioinformatics, 2018, 15(6): 1953-1959.
3
范海燕, 彭延波, 王大力. 新型缺血性脑卒中预后评估量表介绍 [J]. 中国全科医学, 2015(25): 3126-3128.
4
李昕, 杨建中. 急性缺血性脑卒中静脉溶栓后出血转化危险因素的研究进展 [J/OL]. 中华脑血管病杂志(电子版), 2023, 17(1): 9-15.
5
Heo J, Yoon JG, Park H, et al. Machine learning-based model for prediction of outcomes in acute stroke [J]. Stroke, 2019, 50(5): 1263-1265.
6
Soladoye AA, Aderinto N, Popoola MR, et al. Machine learning techniques for stroke prediction: a systematic review of algorithms, datasets, and regional gaps [J]. Int J Med Inform, 2025, 203: 106041.
7
Christodoulou E, Ma J, Collins GS, et al. A systematic review shows no performance benefit of machine learning over logistic regression for clinical prediction models [J]. J Clin Epidemiol, 2019, 110: 12-22.
8
Alaka SA, Menon BK, Brobbey A, et al. Functional outcome prediction in ischemic stroke: a comparison of machine learning algorithms and regression models [J]. Front Neurol, 2020, 11: 889.
9
Li X, Pan X, Jiang C, et al. Predicting 6-month unfavorable outcome of acute ischemic stroke using machine learning [J]. Front Neurol, 2020, 11: 539509.
10
上官艺, 王孟, 王春娟, 等. 基于机器学习的缺血性卒中功能预后预测模型研究 [J]. 中国卒中杂志, 2021, 16(9): 895-900.
11
Park D, Jeong E, Kim H, et al. Machine learning-based three-month outcome prediction in acute ischemic stroke: a single cerebrovascular-specialty hospital study in South Korea [J]. Diagnostics (Basel), 2021, 11(10): 1909.
12
陈思玎, 俞蔚然, 黄馨莹, 等. 基于机器学习的新发急性缺血性卒中患者1年功能预后预测研究 [J]. 中国卒中杂志, 2022, 17(3): 265-271.
13
Yao Z, Mao C, Ke Z, et al. An explainable machine learning model for predicting the outcome of ischemic stroke after mechanical thrombectomy [J]. J Neurointerv Surg, 2023, 15(11): 1136-1141.
14
Feyen L, Schott P, Ochmann H, et al. Value of machine learning to predict functional outcome of endovascular treatment for acute ischaemic stroke of the posterior circulation [J]. Neuroradiol J, 2022, 35(3): 363-369.
15
Ramos LA, van Os H, Hilbert A, et al. Combination of radiological and clinical baseline data for outcome prediction of patients with an acute ischemic stroke [J]. Front Neurol, 2022, 13: 809343.
16
Mutke MA, Madai VI, Hilbert A, et al. Comparing poor and favorable outcome prediction with machine learning after mechanical thrombectomy in acute ischemic stroke [J]. Front Neurol, 2022, 13: 737667.
17
Jeon ET, Jung SJ, Yeo TY, et al. Predicting short-term outcomes in atrial-fibrillation-related stroke using machine learning [J]. Front Neurol, 2023, 14: 1243700.
18
刘妍, 贾龙斌, 许丽娜, 等. 基于机器学习的急性穿支动脉闭塞性脑梗死预后预测模型研究 [J]. 新医学, 2024, 55(3): 170-175.
19
孙如, 吕水清, 刘坛. 基于机器学习算法构建急性缺血性脑卒中静脉溶栓的风险预测模型 [J]. 浙江临床医学, 2024, 26(11): 1621-1624.
20
魏宏博, 马帅男, 常宏业, 等. 脑梗死溶栓预后统计模型建立及影响因素分析 [J]. 数学的实践与认识, 2024, 54(2): 136-142.
21
谢飞, 刘秋皖, 何晓璐, 等. 机器学习预测急性轻型缺血性卒中患者转归不良 [J]. 国际脑血管病杂志, 2024, 32(6): 421-427.
22
周辉, 冯兵, 刘旭日, 等. 基于机器学习的静脉溶栓时间窗外急性缺血性脑卒中患者短期预后模型建立与验证 [J]. 广西科学, 2024, 31(4): 781-787.
23
Mbarek L, Chen S, Jin A, et al. Predicting 3-month poor functional outcomes of acute ischemic stroke in young patients using machine learning [J]. Eur J Med Res, 2024, 29(1): 494.
24
Feyen L, Blockhaus C, Katoh M, et al. Machine learning based outcome prediction of large vessel occlusion of the anterior circulation prior to thrombectomy in patients with wake-up stroke [J]. Interv Neuroradiol, 2024, 30(4): 480-488.
25
袁婷, 廖艳, 李倩. 急性脑梗死患者早期应用替罗非班及静脉溶栓治疗预后不良影响因素的决策树模型分析 [J]. 临床药物治疗杂志, 2025, 23(10): 51-57.
26
薛晓娟, 杨苗, 吴玥, 等. 急性缺血性脑卒中机械取栓不良预后的机器学习预测模型的构建与验证 [J]. 海南医学, 2025, 36(11): 1610-1617.
27
李明超, 沈通, 周冰鹤, 等. 机器学习算法预测急性缺血性脑卒中患者预后效果评价 [J]. 检验医学, 2025, 40(10): 1004-1009.
28
杨潇, 刘松, 国晶晶, 等. 机器学习模型在急性前循环大血管闭塞性缺血性卒中机械取栓术后预后预测中的应用 [J]. 中国现代神经疾病杂志, 2025, 25(8): 761-770.
29
孟琦, 于佩佩, 崔艺浓, 等. 脑梗死溶栓危险因素及预后的人工智能模型建立 [J/OL]. 中国医学前沿杂志(电子版), 2025, 17(11): 49-58.
30
Hu X, Qi D, Li S, et al. Development and validation of an interpretable machine learning model for prediction of the risk of clinically ineffective reperfusion in patients following thrombectomy for ischemic stroke [J]. Ther Clin Risk Manag, 2025, 21: 621-631.
31
Liu J, Gu Y, Wang D, et al. Prediction of the short-term prognosis of acute ischaemic stroke in patients with high treatment platelet reactivity using explainable machine learning [J]. Sci Rep, 2025, 15(1): 36696.
32
Luo MY, Qu Y, Zhang P, et al. Prediction of outcomes following intravenous thrombolysis in patients with acute ischemic stroke using serum UCH-L1, S100β, and NSE: a multicenter prospective cohort study employing machine learning methods [J]. Ther Adv Neurol Disord, 2025, 18: 17562864251342429.
33
Ma L, Ji L, Cheng Z, et al. Developing an explainable prognostic model for acute ischemic stroke: combining clinical and inflammatory biomarkers with machine learning [J]. Brain Behav, 2025, 15(8): e70673.
34
Yang H, Wang W, Zhao X, et al. Deep learning models based on DWI-MRI for prognosis prediction in acute ischemic stroke receiving intravenous thrombolysis: development and validation [J]. J Neuroradiol, 2025, 52(6): 101391.
35
Bogey C, Rouchaud A, Gentric JC, et al. Predictive models of clinical outcome of endovascular treatment for anterior circulation stroke using machine learning [J]. J Neurosci Methods, 2025, 416: 110376.
36
Dao TNP, Dang HNT, Pham MTK, et al. Prognosticating global functional outcome in the recurrent ischemic stroke using baseline clinical and pre-clinical features: a machine learning study [J]. J Eval Clin Pract, 2025, 31(1): e14100.
37
Feyen L, Rohde S, Weinzierl M, et al. Outcome prediction prior to thrombectomy of the posterior circulation with machine learning [J]. Interv Neuroradiol, 2025, 31(3): 386-394.
38
Chen C, Zhang W, Pan Y, et al. An interpretable hybrid machine learning approach for predicting three-month unfavorable outcomes in patients with acute ischemic stroke [J]. Int J Med Inform, 2025, 196: 105807.
39
Grosser M, Gellißen S, Borchert P, et al. Improved multi-parametric prediction of tissue outcome in acute ischemic stroke patients using spatial features [J]. PLoS One, 2020, 15(1): e0228113.
40
Li Y, Liu Y, Hong Z, et al. Combining machine learning with radiomics features in predicting outcomes after mechanical thrombectomy in patients with acute ischemic stroke [J]. Comput Methods Programs Biomed, 2022, 225: 107093.
41
Guido R, Ferrisi S, Lofaro D, et al. An overview on the advancements of support vector machine models in healthcare applications: a review [J]. Information, 2024, 15(4): 235.
42
张克玲, 于丹. 急性缺血性卒中再灌注治疗的研究进展 [J/OL]. 中华脑血管病杂志(电子版), 2025, 19(6): 532-537.
[1] 黄楚曦, 吴卓. 人工智能在膀胱癌影像中的应用进展[J/OL]. 中华腔镜泌尿外科杂志(电子版), 2026, 20(03): 241-247.
[2] 徐宏博, 胡玉良, 魏雪栋, 金李晨, 武克风, 陈逸伦, 陆兵, 周守军, 侯建全. 基于临床和CT影像组学特征的机器学习模型对经皮肾镜术后脓毒症的预测价值[J/OL]. 中华腔镜泌尿外科杂志(电子版), 2026, 20(03): 297-306.
[3] 石亚超, 魏六木, 东小鸽, 樊海宁, 侯立朝, 杜凯豪, 汪占金, 薛伟伟, 刘海刚, 王展. 肝癌多模式诊断研究进展与展望[J/OL]. 中华肝脏外科手术学电子杂志, 2026, 15(03): 326-336.
[4] 邓玉飞, 王志鑫, 娄珂, 张林轩, 马桂春, 港措. 影像组学在肝癌精准诊断、疗效评估及治疗方案决策优化中应用[J/OL]. 中华肝脏外科手术学电子杂志, 2026, 15(02): 172-180.
[5] 陈小坤, 杜顺达. 影像组学在肝细胞癌中的应用进展及挑战[J/OL]. 中华消化病与影像杂志(电子版), 2026, 16(02): 97-100.
[6] 柳云鹏, 贾建文, 黄菊梅, 汪阳. 早期血压变异性对大血管闭塞性急性缺血性脑卒中术后神经功能恢复的影响[J/OL]. 中华脑血管病杂志(电子版), 2026, 20(03): 274-279.
[7] 吴嶛, 蔡诗昆, 左鹏, 倪贵华, 倪小宇. 急性缺血性脑卒中机械取栓前血栓迁移与临床资料的相关性[J/OL]. 中华脑血管病杂志(电子版), 2026, 20(03): 287-293.
[8] 刘诗馨, 宋晓微, 武剑. 临床视角下人工智能赋能脑卒中康复的范式重塑[J/OL]. 中华脑血管病杂志(电子版), 2026, 20(03): 231-239.
[9] 朱恩俊儒, 程畅, 贺玉琴, 姚笛, 郝嘉欢, 汪明欢. 缺血性脑卒中患者的肌肉健康与类淋巴系统相关性[J/OL]. 中华脑血管病杂志(电子版), 2026, 20(03): 258-265.
[10] 万孟夏, 杨毅, 申珅, 甘景环, 张拥波. 空气污染与脑卒中亚型的因果关联：孟德尔随机化分析[J/OL]. 中华脑血管病杂志(电子版), 2026, 20(03): 266-273.
[11] 单子恒, 王帆, 马丽, 张涛, 邵丽. 头颈部CT血管成像联合头颅CT灌注成像评估急性缺血性脑卒中患者短期预后的效能[J/OL]. 中华脑血管病杂志(电子版), 2026, 20(02): 164-169.
[12] 霍俊艳, 朱翠婷, 何明月, 胡秀朝, 王韵. 急性缺血性脑卒中患者入院时营养风险的影响因素[J/OL]. 中华脑血管病杂志(电子版), 2026, 20(02): 170-177.
[13] 王红蕊, 江倩, 穆长青, 李响, 耿晓坤, 李凤武. 动力相关蛋白1介导线粒体裂变对缺血神经元泛凋亡的影响[J/OL]. 中华脑血管病杂志(电子版), 2026, 20(02): 185-196.
[14] 孙庆利, 叶珊, 樊东升, 傅瑜. 人工智能在医工结合专业人才培养中的作用及其在医学教育中的应用[J/OL]. 中华脑血管病杂志(电子版), 2026, 20(02): 204-208.
[15] 马吉辰, 王少松, 王雪飞, 姫旭, 刘桂林. 铁死亡在中医药治疗缺血性脑卒中中的研究进展[J/OL]. 中华脑血管病杂志(电子版), 2026, 20(02): 209-214.
阅读次数
全文


摘要

版权所有 中华医学会 中华医学电子音像出版社有限责任公司  京ICP备14006079号-1  网络出版服务许可证：(署)网出证(京)字第075号

AI
小
编
AI小编
你好！我是《中华医学电子期刊资源库》AI小编，有什么可以帮您的吗？