开发并验证一种基于深度学习的新型模型，用于精准预测大动脉炎患者出现危及生命的严重神经缺血事件。

这项多中心研究从复旦大学附属中山医院招募了 359 名患有主动脉弓上血管受累的 大动脉炎患者作为主要队列（训练组：n = 300；内部验证组：n = 59）。一个独立的外部验证队列由来自中国其他三家医疗中心的 53 名患者组成。通过采用卷积神经网络和点云神经网络，从磁共振血管造影图像中自动提取血管壁和形态特征，开发了一个深度学习预测模型。随后将这些从影像中提取的特征与通过基础模型处理的临床信息特征相融合，构建了一个多特征融合预测模型。该模型的性能通过 C 指数、风险比、Kaplan-Meier 生存分析和时间依赖性受试者工作特征（ROC）曲线进行评估。

在主要研究队列中，57 名（15.88%）患者在中位随访时间 20（13 - 48）个月期间出现了神经系统严重缺血事件。多特征融合模型表现出卓越的预测性能（C 指数：0.86；风险比：1.86；95%置信区间：1.28 - 2.70），显著优于基于任何单一特征的模型（C 指数：0.67 至 0.71）或任何双特征组合的模型（C 指数：0.75 至 0.76）。该模型在独立的外部验证组中表现出强大的泛化能力，C 指数为 0.79，风险比为 1.86（1.13 - 3.06）。时间依赖性 ROC 分析证实了该模型在两个研究组中的优越性。

本研究构建了一个准确且可靠的多特征融合深度学习模型，为个体化神经系统感染性心内膜炎风险分层提供了坚实的基础。