基于放射组学与机器学习的超声评估颈动脉粥样硬化斑块易损性：系统综述与RQS质量评价的Meta分析

为解决颈动脉粥样硬化疾病（atherosclerotic carotid artery disease）的精准筛查难题，研究人员通过系统综述与Meta分析，评估了放射组学（Radiomics）结合机器学习（ML）在超声（US）影像中的诊断效能。结果显示：模型敏感性达0.84，特异性0.82，logDOR为3.54，AUC达0.887，证实其可有效识别易损斑块（culprit plaques），但研究质量（RQS评分）整体较低，需更多高质量前瞻性研究验证。

　　

中风作为全球致死和致残的主要病因，常与颈动脉粥样硬化病变（atherosclerotic carotid artery disease）密切相关。区分症状性与无症状性斑块对临床决策至关重要。放射组学（Radiomics）——这种定量影像分析技术，联手机器学习（ML）在超声（US）领域崭露头角，或将成为筛查此类病变的利器。

研究者检索了2005-2023年Pubmed、Web of Science和Scopus数据库，采用放射组学质量评分（Radiomics Quality Score, RQS）评估方法学质量，并用QUADAS-2工具分析偏倚风险。Meta分析显示：基于放射组学的ML模型预测易损斑块表现亮眼——敏感性0.84、特异性0.82，对数诊断比值比（logDOR）达3.54，综合受试者工作特征曲线（SROC）下面积（AUC）为0.887。

尽管结果令人振奋，但RQS评分普遍偏低，且研究间异质性较高。结论指出：放射组学+ML组合在超声评估斑块易损性时展现出高敏感性与低假阳性率，但当前证据仍需大规模前瞻性研究夯实。这一技术或将为卒中预防带来新突破，但科学界仍需跨越方法学标准化与临床验证的鸿沟。