脑血管搭桥手术是治疗慢性狭窄闭塞性血管病（CSOV）的有效手段，能降低脑卒中再发风险并改善长期预后。然而并非所有患者均可从这一术式中获益，比如术后早期发生急性卒中的情况，这也是COSS和CMOSS等临床研究中对手术组的重要关切。虽然普遍认为这类高危患者应有特征性脑缺血改变，但缺乏证据，临床筛查困难。

近年来脑科学进展提示，脑功能的异常可以通过连接组学分析获得，但脑卒中后结构的扭曲缺失如何识别存在技术困难。近来，基于“AI+多模态连接组学”的脑区自动分割方法被首次提出，为本研究大宗样本的个体化脑区识别和特征提取提供技术支持。而“症状-环路”映射理论也为本研究寻找临床症状/预后与脑连接组的对应关系提供合理性支持。

因此，本研究收集了来自国家神经系统疾病医学中心三个独立院区的499例搭桥手术，并进行了47.8±20.5个月的随访（表1）。针对入院后的神经功能（NIHSS评分）和认知功能（记忆、执行力、语言和视-空间功能）、术后早期症状（NIHSS评分、失语和偏侧运动障碍）以及长期随访的神经功能（NIHSS评分）和认知功能（筛查量表）筛选出11个临床缺血状态指标。

为了提高研究结果的稳定性和外部有效性，三个院区的多模态磁共振数据来源于三个不同的扫描设备并进行多中心数据校正，患者纳入并不排除既往大面积脑梗死，以提高研究的临床应用价值。经过独立于扭曲结构的基于“AI+多模态连接组学”的脑区自动分割方法，本研究成功在个体水平上获得了局部脑区的功能连接、结构连接和PageRank中心性三个维度的脑连接组特征。随后针对11个临床缺血状态指标构建了33个预测模型，其中11个模型可接受（AUC>0.7），基于功能连接预测长期神经功能预后的模型表现优秀（AUC>0.8）（表2），随后列举了对特定症状或预后有重要贡献的脑网络（表3）。

最后，本研究通过机器学习可解释工具SHAP提取了这11个可接受模型的高权重特征，形成针对每个可预测症状或预后的脑连接组指纹，建立首个脑卒中症状及预后的个体化连接组指纹库。