摘要目的基于急性脑卒中弥散加权成像(diffusion weighted imaging，DWI)和液体衰减反转恢复序列(fluid attenuated inversion recovery，FLAIR)的影像组学特征，通过机器学习构建急性脑卒中发病时间的预测模型。材料与方法回顾性分析188例急性脑卒中患者的MRI图像。采用ITK-SNAP软件对DWI上高信号梗死区和FLAIR上对应的急性梗死区进行分割，并应用人工智能应用平台(artificial intelligent kit,A.K.)进行影像组学特征提取和降维，最终使用最小绝对收缩与选择算子算法(least absolute shrinkage and selection operator,LASSO)确定发病时间相关的最佳影像组学特征，通过支持向量机分类器评估其在发病时间预测中的价值，并与人工识别的结果进行比较。结果共筛选出10个(7个DWI特征及3个FLAIR特征)与卒中发病时间密切相关的影像组学特征。人工识别受试者操作特征(receiver operating characteristic,ROC)分析显示DWI-FLAIR不匹配预测急性脑卒中发病时间的曲线下面积(area under curve, AUC)为0.634，敏感度和特异度分别为0.667、0.622。ROC分析显示该模型预测训练集患者发病时间的AUC为0.975，敏感度和特异度分别为0.932、0.950；预测测试集患者发病时间的AUC为0.915，敏感度和特异度分别为0.868、0.852。结论基于DWI和FLAIR影像组学的机器学习，能够较为准确地预测急性脑卒中患者的发病时间，为临床静脉溶栓治疗的选择提供影像指导。
