基于颈动脉B型超声影像特征与临床信息的机器学习和深度学习模型预测缺血性卒中:一项回顾性研究

《Intelligent Medicine》:Predicting ischemic stroke with carotid B-mode ultrasound characteristics and clinical information by machine learning and deep learning models: A retrospective study

【字体: 大 中 小 】 时间:2026年10月16日 来源:Intelligent Medicine 7.8

编辑推荐:

  背景:卒中仍然是全球重大健康问题,颈动脉粥样硬化斑块被公认为缺血性卒中的关键危险因素。临床上,对缺血性卒中高危患者的评估与管理至关重要。准确识别症状性斑块具有改善患者管理的巨大潜力,尽管该任务在临床上仍具挑战性。B型超声在评估症状性斑块方面显示出前景;然而,放

  
背景:卒中仍然是全球重大健康问题,颈动脉粥样硬化斑块被公认为缺血性卒中的关键危险因素。临床上,对缺血性卒中高危患者的评估与管理至关重要。准确识别症状性斑块具有改善患者管理的巨大潜力,尽管该任务在临床上仍具挑战性。B型超声在评估症状性斑块方面显示出前景;然而,放射科医师的判读受到变异性和主观性的限制。本研究旨在评估机器学习(machine learning,ML)方法以及深度学习联合机器学习(deep learning+ML,DL+ML)方法利用B型超声图像和临床数据将颈动脉斑块分类为无症状或症状性的性能。

方法:本研究纳入2021年11月至2022年12月间上海市第一人民医院的366例患者(154例无症状,212例症状性),获得372幅B型超声图像(155幅无症状,217幅症状性)。经随机选择后,训练集包含263例(131例无症状,132例症状性),测试集包含47例(24例无症状,23例症状性)。对于ML方法,使用PyRadiomics提取纹理特征。训练了多种ML模型,包括逻辑回归(logistic regression,LR)、决策树(decision tree,DT)、随机森林(random forest,RF)、极端梯度提升(Extreme Gradient Boosting,XGBoost)和k最近邻(k-nearest neighbors,KNN),并在有无临床数据条件下分别进行训练。对于DL+ML方法,分别使用ResNet-18、K-means和XGBoost获取全局特征、局部特征和临床特征。模型性能通过曲线下面积(area under the curve,AUC)、模型校准曲线、Brier分数、准确率、特异度、灵敏度、阳性预测值(positive predictive value,PPV)、阴性预测值(negative predictive value,NPV)、F1分数和混淆矩阵进行评价,并报告相应的95%置信区间(confidence interval,CI)以刻画不确定性,同时采用DeLong检验比较模型间的AUC。

结果:ML方法表现出良好结果,在纳入临床数据时,RF模型取得了最高AUC 0.899(95% CI:0.775–0.978),准确率为87.2%(95% CI:74.8%–94.0%)。DL+ML方法在纳入临床数据后也表现更佳,AUC为0.851(95% CI:0.729–0.949),准确率为78.7%(95% CI:65.1%–88.0%)。剔除临床数据导致各模型性能出现不同程度的下降。在无临床数据情况下,RF模型的AUC为0.781(95% CI:0.622–0.907),准确率为72.3%(95% CI:58.2%–83.1%);DL+ML模型的AUC为0.783(95% CI:0.630–0.896),准确率为72.3%(95% CI:58.2%–83.1%)。DeLong检验显示模型间AUC差异具有统计学意义。纳入临床数据时,RF显著优于LR(P=0.003)、DT(P<0.001)、XGBoost(P=0.007)和KNN(P<0.001)。DL+ML方法也较其消融设置持续取得显著改进:无临床数据(P=0.005)、无全局特征(P<0.001)、无局部特征(P=0.001)以及纯DL(P=0.001)。

结论:本研究证明了ML方法和DL+ML方法利用B型超声图像分析颈动脉斑块的有效性,尤其是在整合临床数据后,可预测病例为无症状或症状性。纳入临床数据后,这些方法取得了强劲性能,有望成为早期识别和管理高危患者的宝贵工具。
**研究背景与目的**

缺血性卒中是全球范围内导致死亡和残疾的主要原因之一,颈动脉粥样硬化斑块是重要危险因素,约占缺血性卒中的10%–20%。长期以来,颈动脉狭窄程度是卒中预防的唯一影像学标志;然而越来越多证据表明,由斑块组成决定的颈动脉斑块易损性与缺血性卒中风险增加相关。超声因安全、低成本、高效且无电离辐射,是显示颈动脉斑块最常用的影像学手段,尤其是B型超声具有良好的空间分辨率,可提供斑块组成和易损性的细节特征。卒中患者斑块在B型超声图像上常表现为体积较大、低回声、邻近管腔黑色区域和散在白色区域等易损特征。然而,通过肉眼观察图像进行斑块分类仍具挑战性,放射科医师的判读存在变异性和主观性。传统纹理分析方法往往丢失相邻像素的空间信息即局部特征,且特征计算耗时;许多既往研究仅依赖B型超声图像特征,可能忽视高血压、糖尿病和高脂血症等公认卒中危险因素。部分研究虽纳入临床信息,但局限于特定人群如2型糖尿病患者。为此,研究人员提出并评估了机器学习方法以及深度学习联合机器学习方法,利用颈动脉B型超声图像和临床数据预测病例为无症状或症状性,以期用于高危患者的早期识别和管理。

**研究内容与结论**

研究人员回顾性纳入上海市第一人民医院2021年11月至2022年12月期间的366例患者,共获得372幅颈动脉B型超声图像,其中155幅无症状、217幅症状性。图像经预处理和医师标注后,ML方法使用PyRadiomics提取纹理特征,从每幅图像得到1122个特征,筛选出重要性最高的15个特征用于建模,并训练逻辑回归、决策树、随机森林、极端梯度提升和k最近邻五种模型,分别在有无临床数据条件下进行评价。DL+ML方法则利用ResNet-18提取全局特征、K-means聚类提取局部特征、XGBoost从临床数据提取临床特征,三者组合后经线性层进行分类。结果显示,纳入临床数据后,随机森林模型表现最佳,AUC达0.899,准确率87.2%;DL+ML方法也获得较好性能,AUC为0.851,准确率78.7%。消融实验表明,去除临床数据、全局特征或局部特征均导致性能下降,说明多模态信息融合具有必要性。该研究表明基于B型超声图像的纹理特征结合临床数据可作为预测缺血性卒中的有效因素,为临床风险分层和卒中早期预防提供了可行工具。

**主要关键技术方法**

研究人员采用来自上海市第一人民医院的回顾性队列,共366例患者、372幅B型超声图像。ML路径使用PyRadiomics提取纹理特征,并经梯度提升回归特征重要性排序选择前15个特征;DL+ML路径使用ResNet-18提取全局特征、K-means聚类提取局部特征、XGBoost从临床数据提取临床特征,最终经线性层融合分类。以AUC为主要评价指标,辅以准确率、灵敏度、特异度、PPV、NPV、F1分数、校准曲线、Brier评分及DeLong检验。

**研究结果**

**3.1 临床资料分析**
症状组患者年龄更大,糖尿病患病率和饮酒史比例更高,差异均有统计学意义(P<0.05);而性别、高血压、吸烟史和高脂血症在两组间无显著差异(P>0.05)。

**3.2 ML方法结果**
五种ML模型在相同测试集上比较,RF和XGBoost的AUC均超过0.85;RF表现最佳,AUC为0.899,准确率87.2%,特异度、灵敏度、PPV、NPV和F1分数均最高。RF在47例测试集中仅误分类6例,优于其他模型。

**3.3 DL+ML方法结果**
DL+ML方法AUC为0.851,准确率78.7%,灵敏度0.826,特异度0.750,误分类10例。其AUC略低于ML方法中的RF和XGBoost,但总体仍具有较强鉴别能力。

**3.4 ML消融实验**
剔除临床数据后,五种ML模型AUC均有不同程度下降,其中LR下降幅度最大,AUC降低0.316;RF仍保持相对较高AUC(0.781),但低于纳入临床数据时。结果表明临床数据对ML预测缺血性卒中具有重要附加价值。

**3.5 DL+ML消融实验**
去掉临床数据后AUC降至0.783;去掉全局特征后AUC降至0.592,下降最显著;去掉局部特征后AUC降至0.750;纯DL方法AUC为0.739,但灵敏度仅0.130,特异度和PPV虽达1.000,却出现类似模式坍缩现象。这些结果证明全局特征、局部特征与临床特征的整合对提升分类性能十分关键。

**3.6 模型校准曲线与Brier分数**
校准曲线与Brier评分结果与前述性能一致。ML方法中RF的Brier分数最低,预测性能最佳;DL+ML方法在含消融设置中取得最低Brier分数,表明完整融合临床数据、全局特征和局部特征可改善概率预测校准度。

**3.7 DeLong检验**
纳入临床数据时,RF显著优于LR、DT、XGBoost和KNN;DL+ML方法也显著优于无临床数据、无全局特征、无局部特征及纯DL设置,AUC差异均有统计学意义。

**讨论与结论**

研究人员指出,在ML和DL+ML方法中剔除临床信息均导致评价指标下降,证明临床特征有助于区分无症状与症状性病例。本研究的标签由神经放射科医师依据头部CT或MRI结果确定,具有较高客观性,避免依赖患者主观症状询问可能带来的错分。经多因素LOGISTIC回归校正年龄、糖尿病和饮酒等基线差异后,模型概率输出仍与症状性病例显著相关(调整后OR=1.34,P=0.003),说明主要预测结果未受基线不均衡明显影响。该研究也存在样本量较小、超声采集参数单一、单中心数据等局限,未来需通过多中心、多设备、更大数据集进一步优化模型稳定性和泛化能力。研究结论可概括为:研究人员利用ML和DL技术分析颈动脉B型超声图像纹理特征及临床数据,实现无症状与症状性病例分类,分别达到AUC 0.899和0.851、准确率87.2%和78.7%。上述结果提示,颈动脉B型超声纹理特征结合临床数据可作为预测颈动脉斑块患者发生缺血性卒中的预测因素,该技术有望作为高效、经济便捷的工具,用于大规模颈动脉斑块人群的卒中风险分层与早期预防。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号