《Neurology Open Access》：Incorporating Imaging Markers of Brain Health in Modeling of Functional Outcome After Acute Ischemic Stroke: A Quantitative Comparison Study
编辑推荐：
背景与目的：脑健康有助于增强抵御脑疾病有害影响的韧性，但在急性缺血性卒中（AIS）这一对时间敏感的临床环境中，其评估具有挑战性。在这项国际观察性多中心研究中，研究人员比较了结构性脑健康的定量MRI标志物在预测AIS后功能结局方面的能力。方法：研究人员纳入了来自
背景与目的：脑健康有助于增强抵御脑疾病有害影响的韧性，但在急性缺血性卒中（AIS）这一对时间敏感的临床环境中，其评估具有挑战性。在这项国际观察性多中心研究中，研究人员比较了结构性脑健康的定量MRI标志物在预测AIS后功能结局方面的能力。方法：研究人员纳入了来自国际MRI-GENetics Interface Exploration研究（多中心；2003–2011年）中具有急性T2-FLAIR成像的AIS患者。自动化流程评估了白质高信号体积（WMHv）、脑体积和颅内体积（ICV）。研究人员通过个体脑体积对WMHv进行标准化，为每位患者创建了WMH负荷。评估的脑健康标志物包括脑实质分数（brain volume relative to ICV）、基于影像组学提取的脑年龄（BA）（基于ElasticNet线性回归模型）、脑储备（BR，正常表现脑体积[brain volume minus WMHv] relative to ICV）以及有效储备（[eR]，基于年龄、WMH负荷[WMHv和brain volume]的潜变量）。研究人员将这些标志物添加到临床参考模型（包括年龄、性别、2型糖尿病、高血压、NIH卒中量表（NIHSS）、房颤和既往卒中）中，使用贝叶斯信息准则（BIC）比较不同多变量回归模型在预测不良结局（90天改良Rankin量表（mRS）评分3–6）时的性能。结果：在排除了因缺乏随访数据而剔除的357/2,660名患者（13.4%）后，研究人员分析了2,303名患者（中位年龄66岁，46%为女性，27%为不良结局）。使用BIC的比较提供了强有力的统计证据（ΔBIC >6），表明使用脑健康标志物的所有4个模型的表现均优于临床参考模型（BIC = 2,354.9）。eR模型显示出最低的BIC值（BIC = 2,318.4），提供了极强（ΔBIC >10）的统计证据表明其表现优于所有其他模型。使用基于影像组学提取的BA的模型显示出第二低的BIC值（BIC = 2,329.3），提供了极强（ΔBIC >10）的统计证据表明其表现优于除eR模型之外的所有其他模型。结论：在预测模型中整合脑健康的定量MRI标志物可增强AIS后个性化结局预测。研究结果表明eR是未来研究结构性脑健康和缺血性卒行的可行标志物。
脑健康是维持大脑抵御疾病不良影响的关键因素，也是国际组织优先关注的科研领域。虽然卒中是全球导致长期残疾的主要原因，但脑健康对急性缺血性卒中（AIS）后功能结局的影响仍缺乏深入探索。目前，在AIS这种对时间高度敏感的急性临床环境中，难以迅速且准确地对脑健康进行全面评估，限制了个性化临床决策的制定。为解决这一问题，研究人员开展了本项研究，旨在探讨在急性卒中环境下，通过自动化深度学习流程和常规MRI序列获取的定量脑健康标志物，能否改进AIS后功能结局的预测模型，并比较不同标志物的预测效能。该研究表明整合脑健康标志物可增强个性化预后评估能力，effective Reserve（eR，有效储备）表现出了最佳的预测价值，该研究发表在《Neurology Open Access》上。
在关键技术方法与样本队列方面，研究队列来自国际多中心的MRI-GENetics Interface Exploration（MRI-GENIE，MRI-遗传学界面探索）研究（纳入2003至2011年间的患者）。研究人员基于急性T2-FLAIR序列，利用针对AIS急性临床环境开发的自动化深度学习流程提取了白质高信号体积（WMHv）、脑体积和颅内体积（ICV），并据此衍生出4种神经影像学脑健康标志物：脑实质分数（BPF，brain parenchymal fraction，脑体积相对于ICV的比例）、影像组学脑年龄（BA，radiomics-derived brain age，基于ElasticNet线性回归模型计算）、脑储备（BR，brain reserve，正常表现脑体积相对于ICV的比例）以及有效储备（eR，effective Reserve，基于年龄、WMH负荷和脑体积估计的潜变量）。通过设定包含年龄、性别等临床变量的参考模型，研究人员采用贝叶斯信息准则（BIC）和多变量回归模型评估并比较了各模型预测90天不良功能结局的性能。
研究结果部分总结如下：
研究队列和基线特征
研究人员选取了2,660名具有完整基线数据的患者（中位年龄67岁，46%为女性），排除了因缺乏随访数据而无效的357名患者后，最终分析了2,303名患者。队列中高血压、2型糖尿病、房颤和既往卒中的比例分别为71%、10%、18%和16%。基线中位NIH卒中量表（NIHSS，NIH Stroke Scale）评分为3，中位脑体积为1250 cc，中位WMH体积为3.95 cc。在卒中后90天评估时，626名患者（27%）出现了改良Rankin量表（mRS，modified Rankin Scale）评分3–6的不良结局。
有和没有脑健康标志物的模型性能比较
研究发现，包含脑健康标志物的4个模型在预测功能结局上均优于仅含临床变量的参考模型。通过BIC比较提供了强有力的统计证据（ΔBIC >6），证明所有4个脑健康模型的表现均超越了参考模型。其中，eR模型表现出最低的BIC值（BIC = 2,318.4），提供了极强（ΔBIC >10）的统计证据证明其表现优于所有其他被研究的模型。基于影像组学提取的BA模型BIC值第二低（BIC = 2,329.3），同样提供了极强（ΔBIC >10）的统计证据证明其优于除eR模型外的所有其他模型。此外，eR模型的精确召回曲线下面积（PR-AUC，area under the precision-recall curve）值显著高于参考模型，但与其他模型相比未见显著差异，且方差膨胀因子（VIF）排除了显著的多重共线性。
综合模型调整的子分析
在进一步综合调整了WMH负荷和脑体积后的子分析中，eR模型依然表现最佳，其提供了极强统计证据（ΔBIC >10）证明其优于BPF、BR及参考模型，并提供了强统计证据（ΔBIC >2）优于BA模型。BA模型则优于参考模型（ΔBIC >2）以及BPF和BR模型（ΔBIC >10）。在此子分析中，各脑健康模型的PR-AUC值与参考模型相比均未观察到显著差异。
在讨论与结论部分，研究人员总结道，这项国际多中心观察研究证实，将神经影像脑健康标志物加入预测模型能显著提升AIS后功能结局的建模能力。eR模型表现最佳，凸显了eR作为临床环境量化脑健康指标的潜力。影像组学BA及eR模型优于其他模型，可能是因为潜变量和影像组学方法比单纯体积度量能更细致捕捉脑健康信号。虽然本研究存在一定局限性，如研究时段较早、缺乏详细治疗数据、重度卒中患者代表性不足，且MRI在全球急性卒中护理中尚未普及，结构连通性和术前mRS等指标尚未纳入考量，但该研究仍为结构性脑健康评估在急性卒中预后中的应用提供了重要方法学突破。研究人员得出结论，强调在AIS后个性化结局预测中纳入MRI脑健康测量的重要性，并建议将eR作为未来探索脑健康与卒中关系的一项可行标志物。
