基于深度学习放射组学和血流动力学参数的多模态列线图在开颅术后早期颅内高压预测中的应用研究

本研究针对严重创伤性脑损伤(TBI)患者开颅减压术(DC)后早期颅内高压(IH)的预测难题，创新性地整合深度学习放射组学(DLR)特征与临床超声参数，构建了多模态预测模型。通过分析238例患者的视神经鞘(ONS)超声图像和中脑动脉频谱多普勒成像(MCASDI)数据，研究团队采用LightGBM算法开发出性能优异的列线图模型，在15 mmHg和20 mmHg阈值下训练集AUC分别达0.974和0.968。该研究为无创颅内压监测提供了新范式，对指导临床及时干预具有重要意义。

　　

在神经重症监护领域，创伤性脑损伤(TBI)患者开颅减压术(DC)后的颅内压(ICP)管理犹如行走钢丝——过高会导致脑疝风险，过度干预又可能造成医源性损伤。传统的有创ICP监测(ICPi)虽是金标准，但存在感染、出血等并发症，且价格昂贵难以普及。更棘手的是，术后患者颅内环境打破Monro-Kellie学说平衡，使得常规20 mmHg阈值失去参考价值。面对这些临床困境，山东第一医科大学第二附属医院超声科付遵峰、王静领衔的团队在《Scientific Reports》发表创新研究，通过融合深度学习与超声影像特征，开发出预测早期颅内高压(IH)的智能工具。

研究采用回顾性观察设计，收集两家医院238例DC术后TBI患者数据。关键技术包括：使用Mindray M9超声系统获取视神经鞘(ONS)和中脑动脉频谱多普勒(MCASDI)图像；通过PyRadiomics提取1516个放射组学特征；采用ResNet101进行深度迁移学习(DTL)特征提取；运用LASSO回归和LightGBM算法构建预测模型；最终整合临床参数、放射组学与DTL特征建立多模态列线图。

患者人群与临床超声特征
纳入238例患者(训练集166例，测试集72例)，在15 mmHg阈值下IH发生率为33.19%。基线分析显示，脉动指数(PI)和视神经鞘直径(ONSD)在IH组显著升高(p<0.001)，多因素逻辑回归确认二者为独立预测因子(OR值分别为4.911和7.320)。

特征选择与深度学习放射组学模型构建
从ONS图像提取的1561个特征经筛选后保留20个关键特征。放射组学模型在测试集对15 mmHg阈值预测AUC达0.912，显著优于临床模型(0.801)。深度迁移学习(DTL)与放射组学融合的DLR模型进一步将性能提升至0.914。

临床模型与列线图模型构建
整合ONSD、MCAPI和DLR特征的列线图表现最优，训练集AUC达0.974，测试集0.919。决策曲线分析(DCA)证实其临床实用价值。值得注意的是，ONS图像单独构建的模型性能与融合MCASDI的模型相当，提示高频线性探头获取的ONS图像可能已包含足够预测信息。

模型比较
在15 mmHg阈值下，列线图显著优于单一模型(DeLong检验p=0.004)。但在20 mmHg阈值时，测试集改善未达统计学意义，可能与中度IH时脑血流自动调节功能紊乱有关。

这项研究开创性地将深度学习放射组学应用于术后ICP监测，其重要意义体现在三方面：首先，建立的列线图模型实现了个体化风险可视化，医生可通过简单评分预判IH风险；其次，证实超声影像的深层特征蕴含传统测量未能捕捉的病理信息；最后，为争议中的术后ICP监测必要性提供了折中解决方案——无创模型既能规避有创监测风险，又可提供接近金标准的预测精度。

研究也存在若干局限：回顾性设计可能引入选择偏倚；手动勾画ROI影响DTL模型性能；未对不同DC术式进行分层分析。未来需通过前瞻性多中心研究验证模型的普适性，并探索更智能的自动分割算法。这项成果标志着无创ICP监测向精准医疗迈出关键一步，为改善TBI患者预后开辟了新途径。