基于非增强CT影像组学列线图预测动脉瘤性蛛网膜下腔出血后迟发性脑缺血：一项早期预警模型的开发与验证

本研究针对动脉瘤性蛛网膜下腔出血(aSAH)后高致死率的迟发性脑缺血(DCI)并发症，通过整合非增强CT(NCCT)影像组学特征与临床参数(动脉瘤位置、Hunt-Hess评分等)，采用支持向量机(SVM)算法构建预测模型。结果显示融合模型AUC达0.831，显著优于单纯影像组学模型(0.696)，为临床早期识别高危患者提供了客观量化工具。

　　

动脉瘤性蛛网膜下腔出血(aSAH)作为最凶险的脑血管意外之一，约30%患者会继发迟发性脑缺血(DCI)——这种通常在出血后4-14天出现的并发症，堪称神经外科医生的"噩梦"。尽管现有临床评分系统(如Hijdra评分、改良Fisher评分)能部分预测风险，但其准确性常受主观判断影响。更棘手的是，目前唯一证实有效的尼莫地平治疗必须在出血后96小时内启用，这要求临床决策必须"快、准、狠"。正是在这样的背景下，北京天坛医院的研究团队将目光投向了CT影像中尚未被充分利用的深层信息。

研究团队回顾性纳入了377例在2017年8月至2023年9月期间就诊的aSAH患者，所有患者均在症状出现24小时内完成基线NCCT扫描。通过自主研发的NeuBrainCare软件基于U-Net++架构实现出血区域自动分割，将蛛网膜下腔出血(SAH)标记为mask 1，脑室出血标记为mask 2。从这些区域提取3670个影像组学特征后，经过t检验、Pearson相关分析和LASSO回归筛选出16个关键特征。同时收集包括年龄、Hunt-Hess评分等临床参数，最终通过8种机器学习算法构建预测模型。

关键技术包括：1)采用三台不同CT扫描仪(Philips iCT 256、GE LightSpeed VCT等)获取标准化影像；2)基于深度学习的自动出血分割技术；3)PyRadiomics平台提取高维影像特征；4)支持向量机(SVM)等8种机器学习算法比较；5)多因素logistic回归构建融合临床参数的列线图。

【临床特征分析】
DCI组患者年龄显著大于非DCI组(训练集56.36±10.02 vs 53.32±10.49岁，P=0.035)，且更多接受开颅夹闭治疗(82.48% vs 32.28%，P<0.001)。多因素分析显示Hunt-Hess评分3-5分(OR=3.493)和动脉瘤位置是独立预测因子。

【影像组学模型】
从脑沟/脑池出血区域筛选的特征中，squareroot_glcm_correlation(反映灰度均匀性)和wavelet_HLH_glszm_SmallArea_High_Gray_Level_Emphasis(表征高密度小病灶)最具预测价值。SVM模型表现最优，验证集AUC达0.696。

【列线图构建】
整合影像组学评分(radscore)与临床参数后，列线图在验证集的预测性能显著提升：AUC 0.831(95%CI 0.739-0.923)，灵敏度75%，特异度79.5%。其中Hunt-Hess评分贡献最大，其次是动脉瘤治疗方式和位置。

讨论部分指出，该研究首次系统评估了不同出血部位(脑沟/脑池 vs 脑室)的影像组学特征对DCI的预测价值。相比传统体积测量方法，纹理特征能更敏感地反映血液分布异质性——例如高squareroot_glcm_correlation值提示弥漫性均匀出血，可能更易导致脑脊液循环障碍。而wavelet_HLH特征捕获的局部高密度灶，则可能与纤维蛋白沉积引发的血管痉挛相关。

该研究的临床转化价值体现在三方面：首先，基于广泛应用的NCCT检查，无需额外影像学负担；其次，自动化流程使模型可快速输出结果，适合急诊场景；最后，列线图的直观评分系统便于临床医生个体化评估。但作者也坦承局限性，包括回顾性设计的固有偏倚，以及需要多中心验证来确认模型的普适性。

这项发表在《BMC Medical Imaging》的研究，为aSAH患者的精准管理提供了新范式。未来若能整合CT灌注(CTP)等功能影像参数，或将进一步突破预测瓶颈。正如研究者强调的，在DCI这个"沉默杀手"面前，每提前1小时的预警都可能改写患者的命运。