《Frontiers in Neurology》：Machine learning-based prediction of cerebral artery territorial infarcts in acute ischemic stroke using non-contrast CT
编辑推荐：
背景：缺血性卒中是全球死亡和残疾的主要病因。准确快速的梗死供血区定位对于及时治疗至关重要，但超早期缺血改变在非增强CT（NCCT）上表现细微且高度依赖医师经验。方法：本研究回顾性纳入单供血区梗死的急性缺血性卒中患者，收集临床数据与NCCT图像。从血管灌注区提取
背景：缺血性卒中是全球死亡和残疾的主要病因。准确快速的梗死供血区定位对于及时治疗至关重要，但超早期缺血改变在非增强CT（NCCT）上表现细微且高度依赖医师经验。方法：本研究回顾性纳入单供血区梗死的急性缺血性卒中患者，收集临床数据与NCCT图像。从血管灌注区提取定量影像特征（HU值、梗死体积、空间分布）。采用严格的防泄漏流程：数据集分层、缺失值填补、标准化以及合成少数类过采样技术（SMOTE）仅应用于训练集，全特征保留（方差膨胀因子VIF < 5），构建逻辑回归（LR）与XGBoost模型。采用标准化标注，前脑动脉（ACA）、大脑中动脉（MCA）和后脑动脉（PCA）供血区由两名神经放射医师利用弥散加权成像（DWI）（金标准，Kappa分析）定义。排除多供血区梗死。TotalSegmentator分割实质灌注区，将DWI梗死感兴趣区（ROI）配准至NCCT。模型性能通过受试者工作特征曲线下面积（AUC）、敏感性、特异性、精确率和校准（布赖尔分数Brier score、斜率）评估，采用DeLong-Bonferroni检验。稳健验证采用5折重复分层交叉验证（10次重复）。结果：共纳入118例合格患者（中位年龄72.0岁；四分位距IQR 65.0–79.0；85.6%男性）。所有患者于卒中发病24小时内完成NCCT，平均美国国立卫生研究院卒中量表（NIHSS）评分6.05 ± 3.26。梗死标注者间Kappa达0.89（极佳一致性）。在测试集上，XGBoost的AUC分别为ACA 0.92、MCA 0.87、PCA 0.95，交叉验证平均AUC为0.94 ± 0.03。因训练到测试数据性能下降观察到轻微过拟合。LR的AUC范围为0.78–0.86，敏感性平衡。对于左/右/双侧梗死分类，XGBoost获得更高平均AUC（0.90 vs. 0.82，p < 0.01）。两模型均显示良好校准。结论：XGBoost在梗死供血区定位中表现出优异的诊断性能，而LR提供稳定的敏感性。严格方案与稳健验证支持其临床辅助价值。未来研究将纳入多中心外部验证和多供血区梗死以提高泛化能力。
研究背景与意义
缺血性卒中位列全球第二大死因和第三大致残病因，每年导致近700万例死亡。静脉溶栓与血管内取栓是急性期最有效的再灌注疗法，但需在狭窄时间窗内（通常发病后4.5–6小时）实施，因此快速准确的影像学评估至关重要。非增强CT（NCCT）因其快速获取与成本效益成为疑似卒中患者的首选模态，虽能有效排除脑出血及检测早期缺血征象（如ASPECTS评分相关表现），但超早期缺血改变往往细微且高度依赖医师经验，特定脑动脉灌注区（前脑动脉ACA、大脑中动脉MCA、后脑动脉PCA）的梗死判定尤为困难。不同供血区梗死对应不同治疗策略与预后，快速准确定位具显著临床价值。机器学习（ML）在医学图像分析中展现优势，然基于NCCT图像区分脑动脉区梗死的ML模型尚缺，现有研究多聚焦多模态成像或整体风险预测。该研究发表于《Frontiers in Neurology》，旨在提出“区域特异性分层建模框架”策略，利用TotalSegmentator工具分割NCCT图像，构建LR与XGBoost预测模型，辅助临床快速识别受累动脉以节省精准治疗时间。
主要关键技术方法
研究人员回顾性纳入2022年2月至2024年12月航天中心医院确诊的急性缺血性卒中患者，最终118例单供血区梗死者（ACA 37例、MCA 53例、PCA 28例）。采用TotalSegmentator (v1.5.6) 基于MNI152脑模板分割ACA、MCA、PCA脑实质灌注区并进行人工质控；将3.0T MRI-DWI金标准梗死标注通过体素逻辑交集映射至NCCT提取HU值、梗死体积、空间分布特征；严格防泄漏预处理（分层划分训练60%、验证20%、测试20%，仅训练集拟合计量、填补与SMOTE）；构建LR与XGBoost模型，通过嵌套5折分层交叉验证（重复10次）及DeLong-Bonferroni检验评估AUC、敏感性、特异性、精确率、Brier score等，并利用LASSO、t-SNE、SHAP进行模型解释。
研究结果
3.1 患者一般特征
基线无显著差异（p > 0.05），标注者间Kappa 0.89，特征提取组内相关系数ICC > 0.90。PCA亚组统计效能仅0.66，可能是轻微过拟合与泛化受限的重要原因。
3.2 预测模型的开发与比较
3.2.1 急性与非急性发作梗死预测
测试集上LR的AUC为0.93 (95% CI: 0.88–0.97)，敏感性0.88，特异性0.91；XGBoost AUC为0.92 (95% CI: 0.87–0.96)，特异性0.95，敏感性0.84。DeLong检验p=0.023，XGBoost校准更优（Brier score 0.182）。
3.2.2 左/右/双侧梗死预测
XGBoost总体平均AUC 0.90优于LR 0.82 (p < 0.01)。左侧梗死XGBoost AUC 0.89 vs LR 0.86 (p=0.048)；右侧梗死XGBoost AUC 0.92 vs LR 0.81 (p=0.019)；双侧梗死无显著差异(p=0.317)。XGBoost特异性与精确率更高但敏感性波动，LR敏感性更稳定。
3.2.3 ACA/MCA/PCA供血区预测
测试集XGBoost AUC分别为ACA 0.92、MCA 0.87、PCA 0.95，均显著高于LR（0.81、0.78、0.86，p值分别为0.036、0.289、0.008）。经Youden指数阈值重校准后，ACA敏感性由0.42提升至0.81，漏诊率降至19%；MCA特异性由0.37提升至0.76，假阳性率降至24%，敏感性维持0.86；PCA具最优判别力。优化后XGBoost在大多数任务超越普通放射科医师与神经放射医师，LR接近人类阅片者。
3.2.4 所有任务的模型性能总结
XGBoost在测试集AUC范围0.82–0.95优于LR 0.78–0.93，7项任务中5项差异显著，XGBoost在校准斜率上更接近1。LR敏感性范围0.57–0.88更稳定且具可比校准性，适用于需一致检测的场合。训练集AUC完美为1.00反映影像特征强判别性而非共线性（VIF < 5）。
3.3 模型解释
LR的LASSO路径显示均值HU值与梗死体积为顶级线性预测特征；t-SNE可视化显示ACA/MCA/PCA在高维特征空间可清晰分离；XGBoost的SHAP分析确认均值HU值最重要（SHAP值0.32），其次为梗死体积（0.28）与NIHSS评分（0.15）。低均值HU值（严重实质低密度）与MCA梗死强相关，大体积对应高急性概率，NIHSS反映缺损程度，模型依赖生物学合理的临床有意义特征而非噪声过拟合。
讨论与结论总结
讨论指出XGBoost在捕获复杂影像特征非线性关系具优势但敏感性受不平衡数据影响波动，LR更稳健透明适于快速决策。核心亮点为创新采用“区域特异性分层建模框架”精准分割供血区，仅基于普及的NCCT融合定量影像与临床指标免复杂多模态，系统比较LR与XGBoost供灵活选择，捕捉NCCT细微改变输出客观定位助窄时间窗决策，作为辅助而非替代专科评估。局限性为单中心118例样本小（PCA仅28例）致泛化受限与轻微过拟合，仅含PCA缺基底动脉区，缺独立外部验证；计划2025年7月至2028年6月多中心前瞻入组约330例（含多供血区与基底动脉）重建验证，未来可引入迁移学习及实时交互工具。
结论翻译：本研究开发并验证了基于NCCT定量影像特征的机器学习模型用于快速急性缺血性卒中（AIS）梗死供血区定位。采用“区域特异性分层建模框架”策略与TotalSegmentator进行精确血管分割，XGBoost在区分ACA、MCA与PCA梗死上优于LR，提供卓越的特异性和AUC，而LR具更高稳定性与可解释性。XGBoost有效捕获NCCT中细微不可感知的非线性特征，使基于NCCT的自动定位成为具成本效益、可及的辅助工具，优化关键治疗窗内分诊——尤其在无先进多模态成像的基层环境。未来研究应聚焦外部验证与整合动态临床生物标志物以增强模型鲁棒性与适用性。
