基于放射组学与临床变量整合的蛛网膜下腔出血预后预测模型研究

本研究针对蛛网膜下腔出血(SAH)预后预测的临床挑战，通过整合CT放射组学特征与临床变量，构建了多结局预测模型。研究团队采用403例患者数据开发机器学习模型，在独立测试集中对6个月死亡率、GOS评分、血管痉挛和脑积水的预测AUC达0.89、0.87、0.66和0.72，证实放射组学可提供与传统临床模型相当的预测效能，为SAH精准诊疗提供了新工具。

　　

蛛网膜下腔出血(SAH)是一种致死率高达35%的急性脑血管事件，幸存者中约半数遗留严重残疾。尽管现有临床评分系统(如WFNS、Fisher量表)能部分预测预后，但依赖主观评估且难以捕捉影像的细微特征。更棘手的是，SAH后血管痉挛和脑积水等并发症的发生机制复杂，传统方法预测准确性有限。这种现状促使马德里理工大学Gemma Urbanos团队思考：能否从常规CT图像中挖掘更深层次的定量特征，结合机器学习技术突破现有预测瓶颈？

马德里理工大学联合12 de Octubre医院开展了一项创新研究，通过提取1400余个放射组学特征，首次系统比较了出血区域与脑实质特征对SAH多结局的预测价值。论文发表在《Neurosurgical Review》的研究表明，基于脑组织(灰/白质)纹理特征的模型表现最优，在独立验证中对死亡率预测AUC达0.89，显著优于传统ictWFNS评分(AUC=0.70)。这一发现为SAH的客观预后评估提供了新范式。

研究采用三项关键技术：1)使用CTSeg算法和ViT模型分别分割脑组织与出血区域；2)通过PyRadiomics提取1379个符合IBSI标准的特征；3)采用5折交叉验证比较RF、XGBoost等算法，结合SHAP值解析特征重要性。队列包含403例训练患者(2007-2023)和41例独立测试患者(2023-2024)，所有CT均经Z-score标准化和1mm³各向同性重采样。

患者队列特征
训练集68.5%为女性，平均年龄52±18岁，高血压(41.7%)和吸烟(28.5%)为主要合并症。测试集患者病情更严重，WFNS≥4占比达61%(p<0.01)，这增强了模型验证的严谨性。

图像分割验证
自动出血分割存在25mL系统性高估(图5)，尤其对凸面出血。但神经外科医师复核证实，脑实质分割准确性更高，这解释了为何灰/白质特征在测试集表现更稳健。

模型性能比较
关键发现包括：1)放射组学单独模型对死亡率预测AUC达0.84，媲美临床模型；2)联合模型在测试集保持高预测力(死亡率AUC=0.89)；3)年轻患者(<70岁)预测更准确，提示年龄相关生理变化影响特征解读。

特征重要性解析
SHAP分析(图8)揭示：WFNS评分始终居首，但灰质"小波滤波特征"和血糖水平同样关键。值得注意的是，第三阶纹理特征对预后预测贡献度达40%，可能反映微结构损伤模式。

这项研究开创性地证实，常规CT蕴含的定量特征可解码SAH预后密码。相较于传统量表，放射组学模型具有三大优势：1)客观性——避免评估者偏差；2)综合性——同时预测多结局；3)可解释性——通过SHAP定位关键影像标志。临床转化后，该技术可辅助急诊分诊和个体化干预决策。

局限性包括单中心设计和小样本量(尤其脑积水仅33例)。未来需通过多中心验证解决扫描仪差异问题，并探索深度学习直接端到端预测的可行性。研究团队特别指出，提升出血分割精度将是改进方向——当前25mL的偏差虽不影响整体预测，但可能掩盖局部出血模式的预后价值。

这项来自西班牙的跨国合作，为SAH精准医疗树立了新标杆。当临床医生面对复杂的SAH病例时，或许不久的将来，人工智能辅助的放射组学分析能提供更可靠的决策支持，让更多患者获得最佳救治时机。