再通

EVT后再通与ICH发生之间的关系可能很复杂。一方面，一些观察性研究报告，在成功再通的情况下，EVT后sICH或纯影像血PH的发生率较低，但是这个结果和其他研究结果并不一致。未再灌注者发生ICH的风险更高，这可能是因为随访影像的梗死体积更大，更容易出血。另一方面，比较EVT和最佳内科治疗的随机试验发现，在梗死面积较大的患者亚组中，EVT后sICH或纯影像学ICH的发生率较高，而在梗死面积较小的患者中没有观察到这一点，这表明大核心患者成功再灌注后会增加ICH发生率。总之，这些数据表明，EVT后再灌注的作用可能是一把双刃剑：尽管它可以防止梗死进一步扩大和BBB进一步破坏，预防ICH，但是对于治疗前大面积梗死和非常严重低灌注的患者，再灌注也会促发ICH。

静脉早充盈

对于EVT后成功再灌注的患者，一些报告认为静脉早充盈是sICH或纯影像学ICH的有力预测因素，即使对基线核心范围进行调整后也是如此。成功再通后，16%至36%的患者中可见到这种血管造影征象，在DSA上很容易被认识，评价者间具有良好的可重复性。静脉早充盈定义为脑静脉早显影，与动脉期和毛细血管期同时显影。静脉早充盈可能与梗死区的局灶性充血有关，这是微毛细血管功能障碍和血脑屏障破坏所致，促发了ICH。

平板CT（Flat-Panel CT）或早期平扫CT的高密度

EVT后，无论是平板CT还是EVT后立即复查标准CT，CT上经常会见到局灶性高密度区域（图2）。这种高密度区域可能是碘造影剂渗漏、出血或两者结合的迹象，往往代表着BBB破坏。几项研究报告称，高密度区域与单纯影像学ICH和EVT后sICH独立相关。高密度区域越大，ICH风险越高。使用双能CT的进一步研究可能有助于破解这些高密度所代表的含义。

一些研究联合了临床、生物学标志物和影像学标志物来预测EVT后sICH，包括评分系统或列线图（表S1）。这些评分系统中都把基线血糖水平作为生物学标志物，它与较高的sICH风险相关。在临床标志物中，纳入了年龄、从发病到EVT手术结束的时间、NIHSS评分和EVT取栓次数等变量。临床医生将每个标志物的得分相加，得到一个总分估算EVT后sICH的风险。这些评分系统非常简单，联合了几个与sICH独立相关的参数，为日常临床实践提供了EVT后sICH的估算概率。然而，它们的预测价值仍然属于中等水平（曲线下面积从0.83到0.54；表S1），并且它们都包括EVT手术结束时获得的一些标志物，这可能会限制它们的使用。此外，他们都针对了sICH，目前还没有关于纯影像学ICH（EVT后）的评分系统。需要把前景的临床、生物学和影像学标志物联合起来，进行进一步研究以提高预测纯影像学ICH和sICH的准确性。

前面提及的单独标志物或评分系统，由于其复杂性、评价者间变异大和预测价值中等，仍然需要更准确的预测工具。最近，机器学习算法越来越多地被用来帮助解决复杂的临床问题。这些算法有集成了不同的影像模式、临床和生物信息，并处理大量数据。深度学习是一种特殊类型的机器学习，根据AIS患者的原始影像学数据预测组织存活（voxel-based）方面已经显示出了前景。使用机器学习算法对再灌注治疗后ICH的预测仍处于早期阶段。Bentley等发表了第一个基于CT原始数据的机器学习算法，预测静脉溶栓治疗AIS患者的sICH。准确度中等（曲线下面积，0.74）。另一种预测溶栓后ICH的方法是将不同感兴趣区域的MRI影像组学数据与临床数据相结合建立随机森林模型，把曲线下面积提高到了0.91。该方法的缺点是手动选择区域并提取特征，会消耗一定的时间，另外仅使用单个供应商的软件来生成参数图。Yu等人针对接受溶栓或EVT治疗的患者，利用预处理DWI成像和原始MRI灌注成像的数据，采用不同的机器学习模型预测voxel-wise ICH概率。效能最好模型的准确率>80%。然而，这项研究受到样本量小和缺乏外部验证数据集的限制。同时，他们利用灌注MR图像中的temporal信息、动脉输入功能和DWI成像数据，通过深度学习长/短期记忆算法预测voxel-wise ICH，曲线下面积为0.89。只有1项研究专门研究了EVT后预测ICH，发现MRI灌注联合临床数据的深度学习模型优于单纯参数模型。联合灌注参数、MTT和TTP以及DWI和临床数据的最佳performing模型的精确性达到了0.87。然而，该模型不是基于原始灌注MRI数据，而是基于人工选择层面的MTT和TTP图，并且没有区分不同形式的ICH。

EVT后ICH是一种常见且有害的事件，自从最近发现大梗死核心EVT的疗效以来，在未来几年中EVT后ICH可能会越来越多。可靠地预测EVT后ICH是预防和管理这一不良事件的第一步。尽管最近取得了实质性进展，但EVT后ICH的预测仍处于早期阶段，尚未为临床决策或临床试验登记提供可靠的ICH风险估算。一些影像学标志物似乎很有前景，但大多数研究都来自小到中等样本量的单中心研究。此外，这些影像标志物可能会带来冗余信息，需要进一步的研究来确定哪些标志物可以可靠和可重复地提供最强大和独立的预测能力。由于1种标志物不太可能强大到足以在患者水平上可靠预测脑出血，因此多模式评估，包括标准和高级影像，结合临床和生物学信息，可能是以后的研究方向。尽管这种多模式方法在应用于当前临床实践时非常复杂，但适用于分析复杂影像以及临床和生物数据的人工智能算法的快速发展可能会使这种目标在未来几十年内得以实现。