基于非增强CT的机器学习模型揭示急性缺血性卒中（≤6小时）的微观变异

为解决急性缺血性卒中（AIS）在发病6小时内因非增强CT（NCCT）图像密度差异微小导致早期诊断困难的问题，山东第一医科大学团队利用影像组学（Radiomics）结合随机森林（RF）机器学习模型，开发了一种基于NCCT的自动化定量评估方法。研究通过配准NCCT与MRI扩散加权成像（DWI）数据，筛选关键影像特征，实现AIS病灶的精准识别。模型在独立测试集中曲线下面积（AUC）达0.789，灵敏度68.085%，特异性81.333%，为基层医院提供了一种替代MRI的早期卒中诊断工具，有望改善患者预后。

　　

论文解读

急性缺血性卒中（AIS）是全球第二大死因，在中国每年新增病例超200万，其中87%为缺血性卒中。黄金救治时间窗仅为6小时，及时干预可降低30%致残率。然而，基层医院广泛使用的非增强CT（NCCT）在发病6小时内对AIS病灶的检出率不足10%——因缺血初期脑组织密度变化微弱，肉眼难以辨识。虽MRI扩散加权成像（DWI）可精准捕捉早期病灶，但其高昂成本、长扫描时间及强磁场限制使其难以普及。这一矛盾催生了一项关键研究：能否通过人工智能挖掘NCCT中隐藏的微观信息，突破早期诊断瓶颈？

加州大学戴维斯分校联合山东第一医科大学的研究团队提出了一种基于影像组学与机器学习的解决方案。他们开发了跨模态引导学习策略：先利用MRI-DWI标注病灶形态，再迁移至NCCT数据中捕捉组织差异。研究纳入228例发病6小时内AIS患者的NCCT及后续DWI影像（中位间隔36小时），通过Elastix工具箱实现跨模态配准，由放射科医师在DWI上勾画病灶感兴趣体积（VOI）及正常对照区，最终从配准后的NCCT中提取1634个影像组学特征。

核心方法

1. 数据构建：153例患者（179个AIS-VOI+153个非AIS-VOI）作为训练/验证集，75例（94个AIS-VOI+75个非AIS-VOI）作为独立测试集。
2. 特征筛选：通过统计差异分析、Spearman相关性去冗余（阈值>0.9），递归分割树（RPT）算法筛选出10个关键特征，包含小波滤波（4个）、LoG滤波（3个）、梯度滤波（2个）及原始滤波（1个）的纹理特征（图2）。
   
   
3. 模型训练：基于随机森林（RF）构建分类器，十折交叉验证优化参数。

研究结果

诊断效能突破
模型在训练集、验证集和独立测试集上均表现稳健（表2）：

• AUC：0.858（训练集）、0.829（验证集）、0.789（测试集）
• 灵敏度/特异性：测试集达68.085%/81.333%
• 校准与临床效用：校准曲线显示预测概率与实际观测高度一致（图6），决策曲线分析（DCA）证实模型在宽阈值范围内提供显著临床净获益（图5）。
  
  

关键发现

1. 微观特征的可视化：LoG滤波特征（如"LoG-sigma-3-0-mm-^GLDM_DependenceVariance"）反映病灶边缘微小梯度变化，小波特征（如"wavelet-LHH-^GLCM_Imc2"）捕捉多尺度纹理异质性，这些人类视觉无法辨别的信息成为模型核心判别依据。
2. 跨模态学习有效性：以DWI为金标准引导NCCT特征学习，解决了传统单模态训练的标记噪声问题。

结论与展望

该研究首次证实：基于NCCT的影像组学模型可有效识别发病6小时内的AIS微观病变（AUC 0.789），为基层医院提供了一种快速、低成本的替代MRI方案。其意义在于：

1. 临床实践：缩短"入院至诊断"时间，助力溶栓/取栓决策；
2. 技术推广：模型仅需常规NCCT数据，适配基层设备条件。

局限性与未来方向包括：样本性别分布不均衡（男性占比67%）、回顾性设计可能引入选择偏倚、多中心验证待开展（当前独立测试集仅75例）。团队计划整合CT灌注（CTP）数据以评估缺血半暗带，并引入可解释AI（如SHAP框架）解析特征作用机制。

本文由山东第一医科大学附属省立医院（Shandong Provincial Hospital Affiliated to Shandong First Medical University）联合加州大学戴维斯分校（University of California, Davis）完成，发表于《BMC Medical Imaging》（2025）。研究受国家重点研发计划（2022YFC2408400）资助，伦理审批号：Shandong Provincial Hospital IRB-2025-001。