基于影像组学的光声足部成像灌注预测：一种自动化定量评估新方法

《Photoacoustics》：Radiomics-Driven Perfusion Prediction in Clinical Photoacoustic Foot Imaging

本研究针对糖尿病和周围动脉疾病患者慢性足溃疡管理中组织灌注评估不足的临床难题，开发了一种基于影像组学(Radiomics)的全自动灌注预测框架。研究人员利用单波长临床光声(PA)足部成像数据，从原始射频(RF)信号和重建的最大振幅投影(MAP)图像中提取定量特征，通过可重复性测试和统计筛选后，采用结合mRMR和ReliefF的特征排序方法，最终基于8个特征构建的KNN集成模型在训练集和测试集上分别达到0.90和0.94的AUC值。该研究为无创灌注评估提供了可靠且可解释的新方法，具有重要临床转化价值。

　　

在美国，慢性腿部伤口正成为日益严重的公共卫生问题，影响着超过650万美国人，每年治疗费用高达250亿美元。这些溃疡通常源于大血管和微血管层面的血管疾病，导致组织缺血和愈合受损。尽管血运重建手术是有效的治疗手段，但对于糖尿病或周围动脉疾病患者而言，准确的灌注评估对于优化患者护理至关重要。

然而，当前临床灌注评估方法存在明显局限。踝肱指数(ABI)和趾肱指数(TBI)等通用方法无法分辨特定组织区域的灌注情况，且受血管钙化、趾头缺失和操作者变异性的限制。光电容积描记法(PPG)受皮肤状况影响，经皮氧分压(TcPO₂)需要长时间采集且受水肿或蜂窝织炎影响。多普勒超声主要评估近端血管，对微血管灵敏度低。CT血管造影有电离辐射和造影剂注射风险，磁共振血管成像(MRA)虽提供高分辨率血管成像，但受扫描时间长、成本高和通常需要钆基造影剂的限制。

光声(PA)断层扫描(PAT)是一种新兴的成像模式，基于光声效应，通过声学检测实现光学吸收的映射。通过克服传统光学成像固有的扩散限制，PAT能够在深层组织中生成高分辨率图像。尽管先前研究探索了使用PAT图像预测灌注状况的潜力，但这些方法通常依赖于可靠的血管分割，样本量有限，且强度分析易受激光依赖性波动和激发光条件的影响。

在这项发表于《Photoacoustics》的研究中，研究人员提出了一种全新的解决方案——基于影像组学的全自动灌注预测框架。该研究团队开发了一种利用单波长临床PA足部成像预测灌注状况的创新方法，通过从原始射频(RF)信号和重建的MAP图像中提取全面的影像组学特征，为这一临床挑战提供了新的解决思路。

关键技术方法

本研究共纳入来自73名患者113只脚的305幅PA图像，经过严格质量筛选后，最终178幅图像（79只脚）进入分析。研究采用便携式单波长PA系统采集数据，通过自动化算法从RF数据和MAP图像中分割感兴趣区域(ROI)，使用PyRadiomics库提取包括一阶统计特征和纹理特征在内的定量特征。特征选择过程包含可重复性检验、Mann-Whitney U检验结合Bonferroni校正、相关性分析和结合mRMR与ReliefF的特征排序。最终使用KNN集成、支持向量机(SVM)和随机森林等机器学习模型进行性能评估。

ROIs分割结果

研究人员开发了自动分割算法来定义MAP图像和RF数据的ROI。可视化检查显示，该方法能够准确识别足部组织区域，排除不相关的背景区域。对于MAP图像，红色轮廓紧密跟随足的解剖结构；对于RF数据，蓝色条纹状区域有效限定了包含组织PA信号的ROI边界。跨样本的一致分割性能证明了所提出算法的稳健性和可靠性。

特征提取与筛选

从MAP图像和RF数据中分别提取了1,023和1,092个特征。通过可重复性检验，基于0.1的变异系数(CV)阈值，排除了653个可重复性差的特征，保留了1,462个特征进行后续分析。Mann-Whitney U检验结合Bonferroni校正筛选出20个与灌注状况显著相关的特征。相关性分析进一步消除了6个高度相关特征，最终14个特征进入模型构建。

模型性能分析

通过结合mRMR和ReliefF的综合评分进行特征排序，采用后向搜索策略确定最优特征子集。基于8个最重要特征构建的KNN集成模型在训练集和测试集上分别达到0.90和0.94的AUC值，明显优于仅使用RF特征（训练集AUC 0.86，测试集AUC 0.83）或仅使用MAP特征（训练集AUC 0.89，测试集AUC 0.87）的模型。混淆矩阵显示该模型具有高敏感度、特异度和预测值。与LASSO特征选择方法和其他机器学习模型相比，优化模型在ROC曲线和决策曲线分析(DCA)中均表现出最优性能。

特征的生理学意义

研究人员深入分析了8个选定特征的生理学意义，并将其分为三组：与血管密度相关的特征（GLCM IMC1 in RF、LoG Run Entropy in RF等）健康足部值较高，反映更复杂的血管结构；与异常组织状况相关的特征（HHL GLCM Correlation in RF、LLL GLCM IMC2 in RF等）在健康足部表现更有组织的组织结构；与血管不连续性相关的特征（square GLRLM Run Entropy in MAP）在灌注不良足部值较高，表明血管结构更异质和不连续。这些特征与视觉观察一致，有效捕捉了与灌注状态相关的生理改变。

研究结论与意义

该研究提出了一个基于影像组学的框架，使用PA成像预测足部组织灌注状况。通过从原始RF数据和重建MAP图像中提取2000多个定量特征，该方法捕获了难以视觉检测的复杂图像模式。全自动工作流程包括数据预处理、可重复性测试、统计过滤和使用综合评分方法的特征选择。优化的KNN集成模型在训练集和测试集上分别达到0.90和0.94的AUC值。选定特征揭示了与灌注相关生理变化的有意义关联，如血管密度、组织不规则性和血管不连续性。

该方法的主要优势在于其全面性、自动化和可解释性。与依赖单一指标的传统方法不同，影像组学方法能够捕获细微的图像特征，可能反映组织异质性和潜在生物学变化。直接从RF数据提取特征保留了更多信息内容，因为重建算法可能丢弃重要细节。全自动工作流程消除了人为参与，大大提高了方法的一致性和可靠性。

尽管取得了令人鼓舞的结果，研究仍存在一些局限性。数据集虽然是光声足部成像中最大的，但仍小于其他医学成像模式的影像组学研究规模，可能影响发现的普适性。当前模型限于二元分类，缺乏详细的临床评分作为金标准。未来工作可通过继续临床数据收集、结合TcPO₂测量提供灌注评估的定量参考值，以及纳入纵向研究设计来跟踪疾病进展，进一步优化该方法。

总体而言，这项研究为PA成像中的灌注评估提供了可靠且可解释的解决方案，具有较强的预测性能和临床相关性，在慢性伤口管理和周围动脉疾病评估方面具有重要的转化潜力。