《BioMed Research International》：Multimodal Radiomics Model Combining HR-VWI and Clinical Features for Identifying Symptomatic Basilar Atherosclerotic Plaques
编辑推荐：
目的：本研究旨在探索基于高分辨率血管壁成像（HR-VWI）的影像组学方法用于识别症状性基底动脉粥样硬化斑块的价值。材料与方法：这项回顾性研究纳入了154例患者，这些患者因脑血管疾病在山西心血管病医院住院，于2020年7月至2023年12月期间出现基底动脉狭窄并
目的：本研究旨在探索基于高分辨率血管壁成像（HR-VWI）的影像组学方法用于识别症状性基底动脉粥样硬化斑块的价值。材料与方法：这项回顾性研究纳入了154例患者，这些患者因脑血管疾病在山西心血管病医院住院，于2020年7月至2023年12月期间出现基底动脉狭窄并接受了HR-VWI检查。研究人员将患者按7:3的比例随机分为训练集和验证集，并根据基底动脉供血区是否存在急性梗死病灶进一步分为症状组和无症状组。研究人员收集了所有患者的临床和传统影像特征。研究人员在平扫和增强HR-VWI图像中识别出的基底动脉斑块层面上进行了手动斑块分割和影像组学特征提取。采用最小冗余最大相关性进行特征去噪，并应用最小绝对收缩和选择算子（LASSO）算法减少特征变量。通过单变量和多变量逻辑回归分析选择最合适的特征。建立了平扫、增强和平扫+增强模型。最后，研究人员将选定的临床和传统影像特征（斑块内出血[IPH]、增强斑块信号）与平扫+增强HR-VWI影像组学特征整合，构建了联合模型。使用接收者操作特征（ROC）曲线和曲线下面积（AUC）评估各模型对症状性基底动脉粥样硬化斑块的识别效能。结果：症状组与无症状组之间在年龄上观察到统计学显著差异（p < 0.05）。传统影像特征，包括IPH、狭窄处血管直径、狭窄处管腔面积、增强斑块信号、狭窄率和斑块负荷，在两组之间也表现出统计学显著差异（p < 0.05）。Firth惩罚逻辑回归分析确定IPH和增强斑块信号是症状性基底动脉斑块的风险因素。在训练集中，平扫、增强和平扫+增强模型检测症状性斑块的AUC值分别为0.813、0.853和0.898。在验证集中，AUC值分别为0.786、0.848和0.880。模型效能依次为平扫+增强模型 > 增强模型 > 平扫模型。将IPH和增强斑块信号与平扫+增强HR-VWI影像组学特征整合的联合模型，在训练集中预测症状性基底动脉斑块的AUC为0.916，灵敏度、特异度和准确度分别为0.821、0.941和0.879。在验证集中，AUC值为0.891，灵敏度、特异度和准确度分别为0.792、0.870和0.830。联合模型表现出优于平扫+增强模型的性能。结论：研究人员基于HR-VWI的影像组学模型能够准确区分症状性与无症状性基底动脉粥样硬化斑块。在识别高危斑块方面优于传统模型。
**论文解读：基于高分辨率血管壁成像的影像组学模型用于识别症状性基底动脉粥样硬化斑块**
**研究背景与意义**
后循环缺血性卒中是发生在椎基底动脉供血区的脑梗死，占所有缺血性卒中的20%–25%，具有较高的致残率和死亡率。基底动脉作为后循环的主要血管，其动脉粥样硬化斑块的稳定性是决定脑血管事件风险的关键因素。单纯依赖管腔狭窄程度进行风险分层存在不足，因为不稳定斑块（易损斑块）即使未造成严重狭窄也可能引发症状。传统影像技术如超声、CT血管成像（CTA）和数字减影血管造影（DSA）在评估斑块成分和稳定性方面存在局限。高分辨率血管壁成像（HR-VWI）能够显示斑块内出血（IPH）、脂质核心等特征，但其定性评估依赖主观经验。影像组学通过提取大量定量特征，有望克服主观性，提高诊断准确性。本研究旨在开发结合HR-VWI影像组学与临床传统影像特征的联合模型，用于识别症状性基底动脉粥样硬化斑块。
**研究内容与结论**
研究人员回顾性纳入154例基底动脉狭窄患者（来自山西心血管病医院，2010年7月至2023年12月），按7:3分为训练集（107例）和验证集（47例），并根据扩散加权成像（DWI）上基底动脉供血区有无急性梗死分为症状组和无症状组。研究人员构建了平扫、增强、平扫+增强HR-VWI影像组学模型，并进一步整合临床和传统影像特征（IPH、增强斑块信号）形成联合模型。结果表明：IPH和增强斑块信号是症状性斑块的独立预测因子；影像组学模型均优于传统模型，其中联合模型效能最优，在训练集AUC达0.916，验证集AUC达0.891。结论：基于HR-VWI的影像组学模型能准确区分症状性与无症状性基底动脉斑块，为高危斑块识别提供定量参考。该论文发表在《BioMed Research International》。
**主要关键技术与方法**
研究人员使用3T磁共振（MAGNETOM Skyra，Siemens）进行HR-VWI扫描，包括3D时间飞跃法MRA（3D TOF-MRA）和3D T1加权采样完美优化对比（3D T1WI SPACE）平扫及增强序列。样本来源为山西心血管病医院住院患者。手动分割基底动脉斑块感兴趣区（ROI），使用PyRadiomics提取1316个影像组学特征，经最小冗余最大相关（mRMR）去冗余和最小绝对收缩与选择算子（LASSO）降维后，通过单变量和多变量逻辑回归筛选特征。采用Firth惩罚逻辑回归分析独立风险因素。通过接收者操作特征（ROC）曲线和AUC评估效能，并使用DeLong检验比较模型差异。
**研究结果**
**3.1 患者基线特征**：154例患者中，训练集107例（症状组56例，无症状组51例），验证集47例（症状组24例，无症状组23例）。两组间年龄差异有统计学意义（
p < 0.05），而性别、高血压、糖尿病、高脂血症、吸烟、饮酒等无显著差异。
**3.2 单变量与多变量逻辑回归分析**：通过比较症状组与无症状组的传统影像特征，发现IPH、狭窄处血管直径（Dv）、狭窄处管腔面积（SL）、增强斑块信号、狭窄率和斑块负荷存在显著差异（
p < 0.05）。Firth惩罚逻辑回归证实IPH（比值比[OR] = 2.479，
p = 0.012）和增强斑块信号（OR = 1.002，
p = 0.040）是症状性基底动脉斑块的独立风险因素。传统逻辑模型在训练集AUC为0.739，验证集AUC为0.732。
**3.3 影像组学模型效能评估**：平扫模型使用6个特征（1个一阶能量特征和5个纹理特征，包括灰度共生矩阵[GLCM]和灰度尺寸区域矩阵[GLSZM]），增强模型使用5个特征（2个一阶特征和3个纹理特征，包括GLCM和相邻灰度差矩阵[NGTDM]）。平扫+增强模型使用11个组合特征。在训练集中，平扫、增强和平扫+增强模型的AUC分别为0.813、0.853和0.898；验证集分别为0.786、0.848和0.880。联合模型整合IPH、增强斑块信号与平扫+增强影像组学特征，在训练集AUC达0.916（灵敏度0.821，特异度0.941，准确度0.879），验证集AUC为0.891（灵敏度0.792，特异度0.870，准确度0.830）。校准曲线和临床决策曲线（DCA）显示联合模型具有良好的可靠性和一致性。DeLong检验表明所有影像组学模型（平扫、增强、联合、列线图）的诊断效能均显著优于传统模型（所有
p < 0.05）。
**讨论与结论**
讨论指出，IPH和增强斑块信号是症状性斑块的独立预测因子，与既往研究一致。增强模型优于平扫模型，提示斑块强化与新生血管化和内皮通透性增加相关。影像组学特征（如一阶统计、GLCM、GLSZM、NGTDM）能够捕捉肉眼不可见的微观异质性，反映纤维帽变薄、炎症细胞浸润等病理变化，从而实现更精确的风险分层。尽管联合模型效能略优于单独影像组学模型，但差异不显著，提示定量影像组学特征可能限制了传统定性指标的作用。本研究存在局限：样本量较小、ROI手动分割、单中心设计等，未来需扩大样本和开展多中心研究。
**结论部分翻译**：基于HR-VWI的影像组学分析能够高精度地区分症状性与无症状性基底动脉粥样硬化斑块。在本研究中，整合HR-VWI影像、临床和影像组学特征的联合模型在识别症状性斑块方面最为有效。该方法为检测与缺血性卒中相关的高危斑块提供了有价值的信息。需要进一步的前瞻性研究来确认HR-VWI影像组学分析对未来颅内斑块卒中风险的预测潜力。
