基于血凝块的联合放射组学模型在预测急性缺血性中风患者栓塞性病因中的分析

《European Journal of Radiology Open》：Analysis of a clot-based combined radiomics model for predicting embolic etiology in acute ischemic stroke patients

急性缺血性脑卒中（AIS）是中国成人主要死因和致残原因，其病因亚型分类对治疗选择至关重要。本研究通过回顾性分析2019-2023年225例前循环大血管闭塞型AIS患者，构建并验证了基于NCCT和CTA的联合放射组学模型。采用LASSO回归筛选19个影像特征（NCCT提取5个纹理特征，CTA提取1个纹理特征），通过支持向量机（SVM）构建单模态（NCCT、CTA）和联合模型（NCCT&CTA），并整合临床模型形成联合预测模型。测试集显示联合模型AUC达0.9077（95%CI:0.821-0.994），优于其他模型；外部验证集AUC为0.8182。决策曲线分析（DCA）表明联合模型在阈值概率10%-80%范围内净收益最优，临床决策价值显著。本研究证实联合放射组学模型可有效区分AIS病因亚型，为个体化溶栓/取栓策略提供影像学支持。

　　急性缺血性脑卒中（AIS）是中国成年人中导致死亡和残疾的主要原因之一。在临床实践中，准确识别AIS的病因亚型对于制定精准的治疗方案至关重要。为了提高诊断的准确性与效率，研究人员致力于开发基于影像学特征的预测模型，以辅助临床决策。本研究通过整合非增强CT（NCCT）和CT血管造影（CTA）图像，构建了一个基于血栓的综合影像组学模型，并评估其在识别AIS病因亚型中的应用价值。该模型不仅在训练和测试队列中展现出良好的预测性能，还在外部验证队列中保持了较高的诊断准确度，显示出在临床实践中具有重要意义的潜力。

### 研究背景与目的

急性缺血性脑卒中是一种常见的脑血管疾病，其发生通常与脑动脉被血栓阻塞有关，导致脑部血流不足，引发组织缺血和缺氧，最终可能造成严重的神经功能损伤。根据TOAST分类系统，AIS的病因可以分为多种类型，如大动脉粥样硬化性卒中和心源性卒中等。不同病因导致的血栓在病理组成、影像学特征和预后方面存在显著差异，因此，准确的病因分类对选择合适的再通策略具有关键作用。

随着人工智能技术的发展，影像组学研究逐渐成为一种重要的工具。影像组学通过提取医学影像中的定量特征，揭示了肉眼难以察觉的深层信息，为疾病的精准预测和诊断提供了新的思路。本研究旨在探讨基于血栓的影像组学模型在识别AIS病因亚型中的预测价值，并结合临床数据，构建一个综合模型，以提高诊断的准确性，从而为患者提供更有效的治疗方案。

### 研究方法

本研究纳入了263名因前循环大血管闭塞导致的急性缺血性脑卒中患者，按照8:2的比例随机分为训练队列（180人）和测试队列（45人），并从另一家医院获取了38例外部验证队列。通过NCCT和CTA扫描，研究人员对血栓区域进行了分割，并提取了多种影像学特征，包括一阶灰度特征、二阶形状特征和纹理特征。随后，采用LASSO回归模型进行特征选择，以确定最具预测价值的特征子集。

为了确保影像分割的一致性，两位经验丰富的放射科医生对NCCT和CTA图像进行了比较分析，并通过协商解决分歧。在分割过程中，医生们对50名患者进行了两次分割，以评估内部和外部观察者的一致性。通过计算组内和组间一致性系数（ICC），发现平均ICC值分别为0.899和0.908，表明影像分割具有较高的可靠性。

在模型构建过程中，研究人员首先对临床特征进行了单变量和多变量逻辑回归分析，以识别独立的预测因子。然后，结合影像组学特征和临床特征，构建了临床模型、影像组学模型（NCCT、CTA、NCCT&CTA）以及综合模型。为了评估模型的诊断性能，研究人员采用了受试者工作特征（ROC）曲线下的面积（AUC）、敏感性、特异性、准确率、精确率和F分数等指标。

### 研究结果

在测试队列中，临床模型、NCCT模型、CTA模型和NCCT&CTA模型的AUC分别为0.8288（95% CI: 0.7174–0.9403）、0.8133（95% CI: 0.6853–0.9414）、0.8075（95% CI: 0.6844–0.9307）和0.8535（95% CI: 0.6774–1.0000）。相比之下，综合模型的AUC为0.9077（95% CI: 0.8210–0.9944），显著高于其他模型。这一结果表明，综合模型在识别AIS病因亚型方面具有更高的预测能力。

此外，临床决策曲线分析（DCA）结果显示，基于NCCT和CTA的影像组学模型以及综合模型在较宽的阈值概率范围内提供了更好的净效益。这表明，这些模型在临床实践中具有更高的实用价值，能够为医生提供更可靠的决策依据。

在训练队列中，综合模型的AUC为0.9562（95% CI: 0.9253–0.9871），测试队列的AUC为0.9077（95% CI: 0.8210–0.9944），而外部验证队列的AUC为0.8182（95% CI: 0.6682–0.9681）。这些结果表明，综合模型在不同数据集中的表现稳定，具有较强的泛化能力。

### 临床价值与应用

本研究构建的综合影像组学模型在多个方面展现出显著的临床价值。首先，该模型能够有效区分AIS的不同病因亚型，为医生提供更精准的诊断信息。其次，模型的高预测能力有助于在手术前快速识别患者的病因，从而指导选择合适的再通策略。例如，心源性卒中患者通常需要更积极的机械取栓治疗，而大动脉粥样硬化性卒中患者可能更适合药物溶栓治疗。

此外，该模型的构建和验证表明，结合影像组学特征和临床特征可以提高诊断的准确性。影像组学模型通过提取血栓的纹理特征，能够揭示传统影像学方法难以察觉的细微差异。例如，心源性卒中的血栓通常富含纤维蛋白和血小板，而大动脉粥样硬化性卒中的血栓则富含红细胞。这些差异可能影响血栓的物理特性，进而影响治疗策略的选择和预后效果。

然而，本研究也存在一定的局限性。首先，尽管CTA图像通常具有更薄的切片和更多的信息，但研究结果显示NCCT模型的AUC略高于CTA模型。这可能与NCCT图像中血栓的高密度特征有关，这些特征有助于更精确地勾画血栓区域。相比之下，CTA图像中的血栓往往表现为低密度影，难以清晰辨认。因此，未来的研究可以考虑纳入数字减影血管造影（DSA）图像，以进一步提高CTA影像组学模型的准确性。

其次，本研究仅涵盖了TOAST分类中的大动脉粥样硬化性和心源性卒中，未包括其他亚型。由于样本量的限制，这种选择可能导致一定的偏差或不准确性。未来的研究可以扩大样本范围，以更全面地评估影像组学模型在不同病因亚型中的表现。

最后，本研究为单中心回顾性研究，数据来源相对单一。这种局限性可能影响模型的普遍适用性。因此，未来的研究可以考虑多中心合作，以收集更广泛的数据，提高模型的稳健性和泛化能力。

### 讨论

在讨论部分，研究人员进一步探讨了影像组学模型在AIS病因分类中的应用前景。他们指出，不同病因的血栓在病理组成和影像特征上存在显著差异，因此，仅依靠传统的影像学方法可能难以准确区分。而影像组学模型通过提取和分析血栓的纹理特征，能够提供更深入的信息，有助于提高诊断的准确性。

此外，研究人员还提到，基于血栓的影像组学模型在预处理阶段需要进行特征选择，以排除不相关或冗余的特征。通过LASSO回归模型，研究人员筛选出了19个非零系数的影像组学特征，这些特征在模型构建中起到了关键作用。这些特征包括来自NCCT的5个纹理特征和来自CTA的1个纹理特征，涵盖了GLSZM、GLCM和NGTDM等多种类型的特征。

在模型构建过程中，研究人员采用了支持向量机（SVM）和逻辑回归两种算法进行比较。虽然SVM模型在AUC方面略优于逻辑回归模型，但这种差异并不显著。这表明，在二分类问题中，两种算法各有优劣。SVM模型通常具有更高的准确性，但训练效率较低；而逻辑回归模型则更适合处理大规模数据集。考虑到本研究的样本量有限，最终选择了SVM模型作为最佳影像组学模型。

### 未来展望

本研究为急性缺血性脑卒中的病因分类提供了新的思路和方法。通过结合影像组学特征和临床特征，构建的综合模型在多个队列中均表现出良好的诊断性能，显示出在临床实践中具有较高的应用价值。然而，研究仍存在一些局限性，如数据来源单一、样本量有限以及未涵盖所有TOAST分类亚型等。

未来的研究可以进一步扩大样本量，纳入更多类型的AIS病因亚型，并结合多中心数据，以提高模型的普遍适用性。此外，可以探索更先进的影像学技术，如DSA图像，以提高CTA影像组学模型的准确性。同时，结合人工智能技术，优化模型的训练和预测过程，以提高诊断效率和临床实用性。

总之，基于血栓的CT影像组学模型在急性缺血性脑卒中的病因分类中展现出良好的预测价值。通过整合影像组学特征和临床特征，构建的综合模型在多个方面优于单一模型，能够为临床医生提供更精准的诊断信息，从而指导更有效的治疗策略，提高患者的预后效果。