编辑推荐：
为改善弥漫性轴索损伤（DAI）诊断，研究人员评估 CT 和 MRI 影像组学，结果显示其诊断性能与传统影像分析相当。
在日常生活中，交通事故、意外摔倒等情况时有发生，这些创伤很可能导致大脑受伤，其中创伤性脑损伤（Traumatic Brain Injury，TBI）是常见且危害极大的一种。TBI 是导致死亡和残疾的主要原因之一，尤其在年轻人和老年人群体中。而在 TBI 患者里，有一种损伤较为隐匿，那就是弥漫性轴索损伤（Diffuse Axonal Injury，DAI）。DAI 是由于头部的加速或减速创伤，使得大脑白质纤维束受到剪切力而受损，在中重度 TBI 患者中，DAI 的发生率高达 40 - 75%。它通常发生在脑干、丘脑、胼胝体和放射冠等特定区域，患者常常会立即陷入昏迷，而且长期患病、出现神经心理缺陷以及患神经退行性疾病的风险也会增加。
目前，TBI 急性期的标准诊断方法是头颅计算机断层扫描（CT），但由于 DAI 在 CT 上缺乏明显的结构异常，诊断起来非常困难，一些轻微的影像学表现，如微出血和弥漫性脑水肿，只能作为间接证据。虽然磁共振成像（MRI）在检测 DAI 方面更有优势，尤其是扩散加权成像（DWI）和磁敏感加权成像（SWI）序列，能更好地发现白质损伤，但 MRI 检查耗时、成本高，对于不稳定的重症监护病房（ICU）患者并不适用。这就导致 DAI 常常被漏诊，因此，开发一种基于 CT 且敏感、可靠的早期诊断方法至关重要。
基于此背景，来自德国科隆大学医院和富尔达医院神经外科中心的研究人员 Anna - Katharina Mei?ner、Robin Gutsche 等人开展了相关研究，论文发表在《Clinical Neuroradiology》上。该研究旨在评估影像组学（Radiomics）在 DAI 诊断中的可行性，并与传统放射学图像评估进行比较，影像组学是人工智能领域的一种方法，能从常规获取的影像数据中提取定量特征。
研究人员为开展此项研究，采用了多种关键技术方法。首先，他们收集了 2011 - 2023 年临床疑似 DAI 且经 MRI 确诊的患者数据，同时选取了无 TBI 病史的两个对照组。患者入院时进行 CT 扫描，创伤后进行包括 DWI 的 MRI 随访。接着，使用开源软件 ITK SNAP 3.6 版本开发了标准化的 MRI 解剖图谱，用于定义 DAI 易损区域的目标体积，以提取影像组学特征。然后，运用 FSL 工具包、MIC - DKfz HD - BET 脑提取工具等对 MRI 和 CT 图像进行预处理。最后，使用 Python 中的开源软件包 PyRadiomics 提取影像组学特征，包括形状、直方图和纹理特征，并通过五折交叉验证训练和验证基于 MRI 和 CT 的不同模型，同时与两位经验丰富的放射科医生的诊断结果进行比较。
研究结果如下：
- 患者和对照组的临床特征：研究共纳入 47 例患者（MRI 和 CT 训练数据集 42 例，CT 测试数据集 5 例）和 91 例对照（MRI 对照组 44 例，CT 对照组训练数据集 42 例，测试数据集 5 例）。患者中 72% 为重度 TBI（格拉斯哥昏迷评分 GCS<8），81% 有意识丧失。
- 分类结果 - MRI 模型：研究人员比较了六个基于 MRI 的不同模型，发现使用 DWI 时，患者和对照组在胼胝体、丘脑和基底节区的影像组学特征差异最为显著。其中，随机森林分类器取得了最佳分类结果，在训练集中，胼胝体的平均受试者工作特征曲线下面积（AUC）达到 0.92，丘脑为 0.81，基底节区为 0.77，不同分类器的准确率在 80 - 90% 之间。
- 分类结果 - CT 模型：在 CT 模型中，患者和对照组之间最显著的特征差异出现在脑干、丘脑和基底节区的感兴趣区域（ROI）。训练集中，随机森林模型在这些区域预测 DAI 的平均 AUC 分别为 0.90、0.85 和 0.85，准确率分别为 84%、88% 和 83%。在外部盲法测试数据中，胼胝体 ROI 的分类器取得了最佳结果，AUC 为 0.68，准确率为 70%，其他 ROI 的分类性能较低。
- 分类结果 - 传统放射学诊断：在 MRI 训练集中，通过视觉放射学分类，41 例患者和所有对照均被正确分类，诊断准确率高达 98%，评分者间信度高（Cohen's kappa 为 1.0）。而 CT 分析中，两位评估者的总体准确率分别为 81% 和 83%（Cohen's kappa 为 0.55），与影像组学分类器的结果相当，但有部分 DAI 患者被误判为阴性。在外部测试集中，两位放射科医生的诊断准确率分别为 70% 和 80%，评分者间信度良好（Cohen's kappa 为 0.8）。
研究结论和讨论部分指出，基于 MRI 和 CT 的影像组学分析能够检测出 DAI 患者与健康对照在易损区域的结构差异，开发的影像组学分类器在 MRI 和 CT 分类中的诊断性能与两位经验丰富的放射科医生的传统图像诊断相当。特别是基于 CT 的影像组学分类器，有望作为 TBI 患者的筛查工具和人工智能辅助决策工具，尤其在无法进行 MRI 检查的情况下，如重症 ICU 患者或中低收入国家，具有重要的临床价值。不过，该研究也存在一些局限性，例如测试数据集较小，患者和对照组存在性别不平衡，年龄范围较广可能影响结果的解释，而且影像组学特征与病理结果和临床生物标志物的相关性还需要进一步研究。因此，还需要更大规模的前瞻性研究，最好是多中心、多模态成像的研究，来进一步评估影像组学在 DAI 诊断中的临床价值，以推动其在临床实践中的广泛应用。
