觉醒型卒中(WUS)是缺血性卒中的一个亚组，是指睡觉时无新发卒中症状,但觉醒后被患者本人或目击者发现有卒中症状的急性脑梗死患者，在流行病学研究中占卒中病例的14%-25%。WUS临床较为普遍，但因发病时间不确切而容易被忽略，常被排除于溶栓之外。事实上，经仔细筛选仍有部分WUS适合溶栓。

现阶段，影像学上的DWI-FLAIR不匹配征象已被临床用于可行溶栓治疗的WUS患者的筛选。然而，大多数研究报告说，DWI-FLAIR不匹配征象只能达到0.60至0.80的特异性，0.5至0.6的中等敏感性。机器学习（ML）能自动学习并从数据集中执行预定任务，可用于图像特征的挖掘以开发稳健的预测模型。

近日，发表在European Radiology杂志的一项研究比较了基于DWI和FLAIR的7个ML模型，并开发了一个稳定的ML模型以确定WUS的发病时间，为WUS患者争取更有效的治疗方案及更佳的预后效果。

本研究纳入了本机构（数据集1，n = 410）和另一机构（数据集2，n = 177）中明确症状发生后24小时内的卒中患者的DWI和FLAIR图像。在数据集1的基础上建立了7个ML模型来估计卒中发病时间的二元分类（≤4.5小时或>4.5小时）。包括随机森林（RF）、svmLinear或svmRadial、贝叶斯（Bayes）、KNN、AdaBoost和神经网络（NNET）。分别进行了ROC分析和RSD来评价ML模型的性能和稳定性，并对数据集2进行了外部验证，用ROC分析来评价模型的泛化能力。 

svmRadial取得了最好的性能，具有最高的AUC和准确性（AUC：0.896，准确性：0.878），并且最稳定（AUC的RSD%：0.08，准确性的RSD%：0.06）。然后选择svmRadial模型作为最终模型，svmRadial模型预测发病时间外部验证的AUC为0.895，准确性为0.825。 

图 使用DWI和FLAIR识别WUS发病时间的ML框架。

总之，本研究提供了一个识别症状发生后4.5小时内的WUS患者的ML模型，基于DWI+FLAIR的svmRadial模型对于识别WUS患者的发病时间窗具有良好的诊断能力。

原文出处：

Liang Jiang,Siyu Wang,Zhongping Ai,et al.Development and external validation of a stability machine learning model to identify wake-up stroke onset time from MRI.DOI:10.1007/s00330-021-08493-6