基于多延迟动脉自旋标记全脑及梗死区放射组学的机器学习模型在急性缺血性脑卒中预后预测中的价值研究

本研究针对急性缺血性脑卒中(AIS)早期预后预测的临床需求，采用多延迟动脉自旋标记(multi-PLD ASL)技术获取全脑及梗死区脑血流量(CBF)图像，通过机器学习算法构建放射组学模型。研究发现全脑CBF放射组学特征可替代需人工勾画的梗死区特征，结合临床数据的综合模型预测性能最优(AUC=0.904)，为无创、精准的AIS预后评估提供了新工具。

　　

在全球老龄化加剧的背景下，急性缺血性脑卒中(AIS)已成为威胁人类健康的重大疾病。据统计，到2030年全球AIS年龄标准化发病率将攀升至89.32/10万人，其中20-40%患者即使接受治疗仍会遗留永久性残疾。这种状况不仅严重影响患者生活质量，更给社会带来沉重经济负担。面对这一严峻形势，如何在AIS早期准确预测预后、指导个体化治疗，成为临床亟待解决的关键问题。

传统预后评估主要依赖动态磁敏感对比灌注成像(DSC-PWI)或CT灌注技术，但这些方法需要使用钆或碘对比剂，存在过敏反应和肾损伤风险。相比之下，动脉自旋标记(ASL)技术无需外源性对比剂即可定量测量脑血流量(CBF)，特别是多延迟动脉自旋标记(multi-PLD ASL)技术能通过单次扫描编码不同标记后延迟时间(PLD)，获得经动脉通过时间(ATT)校正的CBF图像，有效克服单PLD方法对CBF的低估问题。然而，ASL技术在预后预测中的应用价值尚未得到充分挖掘。

盐城市第三人民医院的研究团队在《BMC Medical Imaging》发表的研究，创新性地将multi-PLD ASL技术与放射组学、机器学习相结合，探索全脑及梗死区CBF放射组学特征对AIS预后的预测价值。研究纳入110例AIS患者，采集发病24-72小时内的multi-PLD ASL CBF图像，从梗死区和全脑区域提取1132个放射组学特征，采用逻辑回归(LR)、支持向量机(SVM)、随机森林(RF)等5种机器学习算法构建预测模型。关键技术包括：N4偏场校正和z-score标准化预处理；ITK-SNAP软件手动勾画梗死区；PyRadiomics提取放射组学特征；留一法交叉验证和网格搜索优化模型；SHAP方法解释特征贡献。

研究结果显示，全脑放射组学模型(AUC 0.598-0.738)与梗死区模型(AUC 0.569-0.707)预测性能相当，而结合两者的联合模型(AUC 0.707-0.772)显著优于单纯梗死区模型。更值得注意的是，整合放射组学特征与临床数据(年龄、基线NIHSS评分等)的综合模型展现出最优预测效能，其中SVM算法构建的综合模型AUC达0.904。决策曲线分析证实该模型具有更高的临床净获益。通过SHAP分析发现，基线NIHSS评分、年龄、梗死形态特征以及源自全脑/梗死区的高阶统计纹理特征是驱动预测性能的关键因素。

这项研究具有多重重要意义：首次证实multi-PLD ASL全脑CBF放射组学特征可替代需人工勾画的梗死区特征，简化了预后评估流程；创建的联合放射组学模型为临床数据不全的患者提供了替代方案；开发的综合模型将影像组学与临床指标有机结合，实现了AUC>0.9的高精度预测。这些成果为AIS早期预后评估提供了安全、准确的新工具，特别适用于对比剂禁忌患者。未来研究可通过扩大样本量、纳入后循环梗死病例、开发自动分割算法进一步提升模型普适性。该研究也提示，融合多模态影像特征可能成为提高预测精度的新方向。