基于 HRMRI 影像组学构建颅内高危斑块模型助力精准识别

为预测脑血管事件，研究人员开展基于 HRMRI 影像组学构建颅内高危斑块模型研究，发现该模型能精准识别高危斑块。

　　急性缺血性卒中发生时，管腔血栓形成的主要原因是易损斑块破裂。识别那些预示斑块有破裂风险的特征，有助于预测脑血管事件。在此项研究中，研究人员致力于构建一个颅内高危斑块模型，借助基于高分辨率磁共振成像（HRMRI）的影像组学特征，区分有症状和无症状的斑块。研究共招募了 172 名患者，他们体内共有 188 个颅内动脉粥样硬化斑块，其中 100 个为有症状斑块，88 个为无症状斑块，且均具备可用的 HRMRI 数据。研究人员对患者的临床特征以及 HRMRI 上的传统斑块特征进行测量，这些特征包括 T1 加权像高信号（HST1）、狭窄程度、标准化管壁指数、重构指数和强化率（ER）。通过单因素和多因素分析，构建出用于区分有症状和无症状斑块的传统模型。同时，从 HRMRI 平扫和增强扫描图像中提取影像组学特征，运用随机森林、岭回归、最小绝对收缩和选择算子以及深度学习（DL）等方法，构建基于 HRMRI 的影像组学模型。此外，还结合影像组学模型和传统模型，构建了 MIX 模型。研究发现，性别、HST1 和 ER 与有症状斑块存在关联，并被纳入传统模型。在训练集中，传统模型的受试者工作特征曲线下面积（AUC）为 0.697，在测试集中为 0.704。影像组学模型在训练集中识别有症状斑块的 AUC 达到 0.982，在测试集中为 0.867。在训练集中，MIX 模型的 AUC 为 0.977；在测试集中，MIX 模型的 AUC 提升至 0.895，表现优于传统模型（p = 0.032）。这表明，基于 DL 和机器学习的影像组学分析，能够精准识别颅内高危斑块。