创新点：首都医科大学附属北京天坛医院-北京航空航天大学联合团队近日针对缺血性卒中和短暂缺血性发作患者，设计并研发了一套基于深度学习的临床结局预测模型系统。该系统基于医院临床影像数据和基础临床信息，实现了对患者的1年内多个时间点的复发/致残风险的自动化评估，并可以对患者实现有效的风险分层，具备应用于临床结局评估的巨大潜力。

卒中是全球第二大致死因素及中国首要致死病因，卒中的治疗和护理造成了巨大的经济负担。而缺血性卒中(IS)患者和短暂性缺血性发作(TIA)患者占卒中患者的80%。为改善IS和TIA患者的临床结局，临床诊疗过程中常在急性期和二级预防中使用预后评估模型对患者进行风险分层。现有的临床结局风险评分系统多基于传统风险因素，如年龄、病史等。

近年来，有研究提出，将影像学信息加入风险评分系统中有助于提高预后评估效果，但整体预测效果依旧较为有限，并且评估过程十分耗时。深度学习方法已经显示出对复杂医学影像分析的前景，许多卒中相关研究工作成功地将深度学习方法应用于诊疗工作流程中，为卒中临床结局评估提供新思路，但是已有工作通常受到数据量不足的限制或者并未充分利用脑影像信息和放射科专家已有临床经验，导致算法预测效果有限且泛化困难。

针对上述难点，王拥军教授和北航刘涛教授领导的首都医科大学附属北京天坛医院-北京航空航天大学联合团队基于来自于第三次中国国家卒中登记数据库(CNSR-III)中超200家医院的上万例患者数据，提出并研发了一种基于深度学习技术的风险预测系统(Risk prediction System， RPS)。该系统可结合影像资料和基础临床信息对缺血性卒中患者和短暂缺血性发作患者的复发和致残风险进行评估。

该团队提出的风险预测系统包括两个关键模块：基于影像信息的风险预测模块(RPS-I)和融合影像信息和临床信息的联合风险预测模块(RPS-J)。其中RPS-I模块首先针对DWI B1000影像进行缺血性卒中病灶分割，然后为了充分捕捉病灶的空间分布信息，团队开发了一个多参数图卷积网络(DMG-Net)用于综合分析DWI影像和病灶分割图，以分水岭分区为参考，通过图卷积网络提取病灶的空间信息，从而提高预测患者的复发和致残风险的精度。RPS-J模块通过融合DMG-Net捕捉到的深度影像特征和基础临床信息，降低特征空间，进而建立高效机器学习模型，进一步地提高风险评估准确度。

通过接收者操作特征曲线(Receiver operating characteristic curve，ROC曲线)等多种评价指标分析，该团队所提出的RPS 系统对缺血性卒中和短暂缺血性发作患者的复发和致残风险预测效果表现出色，其中在短暂缺血性发作患者14天复发结局预测任务中，AUC为0.850，在缺血性卒中患者3个月致残结局预测任务中AUC达到0.837。上述指标在一年内多个时间点均显著高于现有主流临床风险评分系统(ABCD2，ABCD3-I， ESSEN，ASTRAL，RRE-90，SPS系列评分等)的预测效果。

进一步的，针对复发风险评估需求，该团队将RPS系统的输出量化为卒中复发风险评分(Stroke Recurrence Risk score，SRR score)。通过Kaplan-Meier 生存分析方法，证明该风险评分能有效对缺血性卒中患者和短暂缺血性发作患者进行分层，展示了RPS模型在未来在临床结局评估中的应用潜力

综上所述，北京天坛医院-北航联合团队提出的风险预测模型RPS，基于影像资料和基础临床信息就可高效地对缺血性卒中和短暂缺血性发作患者地复发和致残风险进行准确预测，并在超万人的多中心大队列数据库中进行验证。RPS模型输出的卒中风险评分SRR score也能有效对患者进行风险分层，有望在未来为临床预后评估提供有力支持，减轻医疗负担，优化医疗资源分配。

相关研究成果以题“A deep learning system to predict recurrence and disability outcomes in patients with transient ischemic attack or ischemic stroke”发表在Wiley出版社Advanced系列智能系统领域旗舰刊Advanced Intelligent Systems上。