综述：利用经颅多普勒检测缺血性中风中的微栓信号的人工智能：一篇简评

《Frontiers in Neurology》：Artificial intelligence for microembolic signal detection by transcranial Doppler in ischemic stroke: a mini-review

微栓子信号（MES）经颅多普勒（TCD）实时监测对缺血性脑卒中患者复发风险有临床意义，但传统TCD受操作者依赖、声窗限制及栓子类型辨识不足影响。人工智能通过自动化信号检测、减少干扰及栓子特征分析提升MES评估能力，为个体化二级预防提供新工具。

　　

经颅多普勒（TCD）检测到的微栓信号（MES）为缺血性中风和短暂性脑缺血发作患者的当前栓塞活动提供了实时信息。MES与中风复发和高风险状况有关，包括大动脉粥样硬化、心房颤动、烟雾病、癌症相关的中风以及复杂的主动脉弓斑块。尽管具有临床价值，但传统的TCD受到操作者依赖性、声学窗口不佳以及区分栓子特征能力有限的限制。最近在人工智能（AI）方面的进展，包括机器学习算法和机器人辅助TCD系统，实现了MES的自动化和可重复检测，提高了伪影排除能力，并增强了信号解析能力。这篇简短综述总结了MES的临床意义、传统TCD的主要局限性，以及AI在MES检测中的当前和新兴应用，强调了未来在中风风险分层和个性化二级预防方面的前景。

引言

缺血性中风是由于多种机制导致的脑动脉阻塞，包括大动脉粥样硬化、心源性栓塞、小血管疾病以及较少见的血管或血液系统疾病（1）。TOAST分类仍然是最广泛采用的病因框架；然而，大约30%的缺血性中风被归类为隐源性中风，其中许多表现出栓塞特征，并被纳入来源不明的栓塞性中风（ESUS）的范畴（2、3、8）。

经颅多普勒（TCD）能够无创地在颅内动脉（最常见的是大脑中动脉）中检测到微栓信号（MES）。与静态成像技术不同，MES检测提供了对栓塞现象的动态实时洞察，为栓塞性中风的诊断和预后提供了补充信息。

微栓信号及其临床意义

根据已建立的共识标准，MES的特点是持续时间短（<300毫秒）、相对于背景血流的强度高、单向性以及独特的声音成分（4）。MES可能代表固体或气体栓子；然而，传统TCD无法可靠地区分不同类型的栓子。

在大型动脉粥样硬化和心源性栓塞性中风中更常检测到MES，而在小血管疾病中则较为罕见。荟萃分析数据显示，MES的存在与复发性缺血事件之间存在强烈关联，这支持了其作为持续栓塞风险生物标志物的作用（4、5）。在某些特定人群中——如接受血管内溶栓治疗的患者、烟雾病患者、活动性癌症患者或具有复杂主动脉弓斑块的患者——MES检测与较差的功能结果和更高的复发率相关。重要的是，调整抗凝治疗已被证明可以在某些情况下减少或消除MES，这表明MES监测在指导二级预防策略中具有潜在作用（图1）。

图1。人工智能增强的经颅多普勒用于微栓信号检测。该概念框架展示了AI在TCD基础MES分析中的主要优势。AI驱动的算法通过先进的信号处理和模式识别实现MES的自动化检测和伪影区分。机器人辅助TCD系统允许自动化探头定位和连续血管追踪，提高信号稳定性和可重复性。先进的数据分析有助于概率性描述栓子特征，并与临床和影像数据结合，用于栓塞风险分层、病因推断和个性化二级预防策略的制定。

传统TCD的局限性

尽管传统TCD具有诸多优势，但它仍高度依赖操作者，且易受扫查角度、患者运动、背景噪声和生理变化的影响。准确的MES识别需要丰富的专业知识，不同操作者之间的结果差异限制了其在不同中心的可重复性。此外，传统TCD无法可靠地区分气体栓子和固体栓子，或者无法表征固体栓子的成分，因为多普勒信号特征常常重叠。

另一个未解决的问题是MES监测的最佳持续时间。当前的监测方案差异很大，从短时间记录到长时间监测不等，没有标准化的最小持续时间来确保足够的敏感性和特异性。这些局限性限制了MES监测的广泛应用，尽管其已显示出显著的预后价值。

人工智能在MES检测中的应用

人工智能为传统TCD的局限性提供了几种潜在的解决方案。机器学习和深度学习算法可以经过训练自动检测MES，通过模式识别和信号特征提取提高真实栓塞信号与伪影的区分能力。这样的自动化系统可以显著减少对操作者的依赖并提高诊断的可重复性。

集成AI算法的机器人辅助TCD系统可实现自动化探头定位和连续血管追踪，提高信号稳定性，并便于在不愿意配合或移动的患者中进行长时间监测（6）。这些系统可能提高常规临床实践中MES检测的可行性。

先进的基于AI的分析还可以根据信号形态和时间模式概率性地区分栓子特征（7）。未来，结合临床和影像数据的MES谱型可能有助于推断中风机制，从而支持TOAST等病因分类框架或进一步细化ESUS亚型的识别。

未来展望

AI驱动的TCD系统有望定义标准化的MES监测方案，包括通过确定实现可靠诊断性能所需的最短记录时间来优化记录时长。将MES数据与多模态临床信息整合可能进一步改善个体化的中风风险分层，并指导定制的二级预防策略。

未来的研究应重点关注基于AI的MES检测系统的前瞻性验证，评估其对临床决策的影响，以及将其整合到中风单元的工作流程中。需要设计良好的临床研究来确定AI辅助的MES监测是否能为栓塞性中风患者带来更好的治疗效果。

结论

TCD检测到的MES为缺血性中风中的栓塞活动提供了独特的实时洞察，但受到操作者依赖性、缺乏标准化以及栓子特征描述有限的限制。人工智能和机器人辅助技术有潜力克服这些障碍，实现自动化、可重复且临床可扩展的MES检测。持续的技术发展和临床验证可能使AI增强型TCD成为栓塞性中风诊断和个性化二级预防的关键工具。