基于CT血栓组学机器学习模型预测急性缺血性卒中血管内治疗后临床无效再灌注

本刊推荐：本研究基于CT血栓及周围区域放射组学特征，构建机器学习模型预测急性缺血性卒中（AIS）患者血管内治疗（EVT）后临床无效再灌注（CIR）。结果显示随机森林融合模型（RF_F）预测效能最佳（AUC=0.83），特征筛选采用mRMR和LASSO算法，通过SHAP分析明确WaveletLHHglszmSizeZoneNonUniformityCTAINTRA为关键预测因子，为AIS患者EVT术前预后评估提供了客观影像学生物标志物。

　　

背景

急性缺血性卒中（AIS）是一种致残率和死亡率较高的脑血管疾病。血管内治疗（EVT）是处理急性大血管闭塞的成熟干预措施，但即使实现成功再通，部分患者仍可能预后不良。临床无效再灌注（CIR）被定义为术后达到脑梗死溶栓（TICI）分级≥2b但三个月改良Rankin量表（mRS）评分≥3的情况。传统影像学生物标志物如大脑中动脉高密度征、大核心梗死灶和CT灌注不匹配等依赖主观判断，亟需客观准确的预测方法。放射组学（Radiomics）作为定量影像分析技术，可通过提取大量图像特征辅助疾病诊断和治疗效果预测。

材料与方法

研究回顾性纳入2021年12月至2024年10月期间两家医疗中心的144例AIS患者，其中中心A109例，中心B35例。纳入标准包括：大血管闭塞导致的AIS、CT可见血栓、接受EVT治疗、具备完整临床及影像数据。排除标准为影像数据不完整或质量过低、术后三个月失访。所有患者按7:3比例随机分为训练集和测试集。

采用64层/128排CT机（西门子）获取CT和CTA图像，层厚0.5mm。通过ANTS软件将术前CTA与术后DSA图像匹配以精确定位血栓，由两名经验丰富的临床医师使用3D Slicer（4.9.0版）进行血栓分割，并经资深医师验证。基于分割结果，使用Python（2.7.13版）自动提取血栓周围1mm边界范围内的区域特征。

从血栓内及血栓周区域共提取1,702个特征，包括28个形状特征、36个一阶特征、150个纹理特征和1,488个小波特征。采用组内相关系数（ICC）评估数据一致性，保留ICC>0.8的特征进行后续分析。通过最小冗余最大相关（mRMR）和最小绝对收缩与选择算子（LASSO）算法筛选关键变量，最终保留16个特征用于模型构建。

建立随机森林（RF）、决策树（DT）、支持向量机（SVM）和K近邻（KNN）模型，分别针对血栓内区域（RF_INTRA等）、血栓周区域（RF_PERI等）及融合特征（RF_F等）进行训练。采用10折交叉验证，通过受试者工作特征（ROC）曲线评估模型性能，计算曲线下面积（AUC）、敏感性、特异性及阳性/阴性似然比（LR⁺/LR^-）。使用SHAP（SHapley Additive exPlanations）算法解析RF_F模型中各特征的贡献度。

结果

共45例（31.25%）患者发生CIR。基线特征分析显示两组在年龄、性别、高血压、糖尿病及NIHSS评分等方面无显著差异（p>0.05）。

模型性能显示：血栓内区域模型中RF_INTRA的AUC最高（0.78），血栓周区域模型中RF_PERI的AUC为0.76，而融合模型RF_F的AUC达0.83。SVM_F模型虽AUC为0.86，但RF_F模型在敏感性（0.79）、特异性（0.71）及似然比（LR⁺=2.72, LR^-=0.30）方面综合表现最优。值得注意的是，RF_INTRA、KNN_INTRA和RF_PERI模型的LR⁺均高于5，提示对确认CIR高风险患者具有临床实用价值，但所有模型的LR^-均未低于0.2，排除价值有限。

SHAP分析表明，血栓内特征WaveletLHHglszmSizeZoneNonUniformityCTAINTRA是预测CIR的最重要因子，反映血栓内部灰度区域分布的不均匀性及异质性；血栓周特征WaveletHHHglcmIdCTAPERI亦具有显著影响。

讨论

本研究首次联合血栓内与周区域放射组学特征构建机器学习模型预测EVT后CIR。融合模型（RF_F）表现出最优预测效能，其AUC达0.83，优于单一区域模型。结果表明血栓本身特性（如成分异质性）及血管壁周围状态（如炎症反应、血管壁损伤）共同影响再灌注效果。组织病理学研究支持EVT操作可能导致血管壁损伤、内膜增厚及血脑屏障破坏，进而引起预后不良。

采用mRMR和LASSO算法有效筛选出与预后显著相关且冗余度低的特征，提升了模型可解释性和泛化能力。SHAP算法进一步明确各特征的贡献排序，为临床提供关键影像学生物标志物。

研究局限性包括样本量较小、血栓分割依赖人工操作可能引入主观偏差。未来需在大规模独立队列中验证模型效能，并探索自动化分割流程以提升客观性。

结论

基于CT血栓及周区域放射组学特征的机器学习模型可准确预测AIS患者EVT术后CIR，其中随机森林融合模型（RF_F）表现最佳。WaveletLHHglszmSizeZoneNonUniformityCTAINTRA被确定为最关键预测因子。该模型为术前个体化预后评估提供了客观工具，有助于识别EVT潜在获益人群，优化临床决策。仍需大样本研究进一步验证其临床适用性。