一个可解释的多模态模型用于额叶挫伤后迟发性血肿进展的早期预测：一种机器学习方法

《Frontiers in Neuroscience》：An interpretable multimodal model for early prediction of delayed hematoma progression in frontal lobe contusion: a machine learning approach

　　

背景：在急诊环境中，早期识别额叶挫伤患者中的迟发性血肿进展（DHP）仍然具有挑战性。本研究旨在开发并外部验证一个可解释的多模态机器学习模型，该模型整合了常规可用的临床、实验室和CT影像特征，以预测DHP。方法：这项回顾性多中心研究包括一个由799名患者组成的开发队列和一个由443名患者组成的外部验证队列。开发队列通过分层抽样分为训练集和内部测试集。特征选择仅在训练集内使用七种互补方法进行。训练并比较了十种机器学习算法，采用五折交叉验证。模型性能通过AUROC、准确率、灵敏度、特异度、精确率、F1分数、校准分析和决策曲线分析进行评估。使用SHapley Additive exPlanations（SHAP）解释最终模型。结果：选择了十个预测因子，包括基线挫伤体积、血肿密度相关特征、血肿表面积与体积比、淋巴细胞与单核细胞比率、入院格拉斯哥昏迷量表评分、血糖与钾比率、基线CT时间以及嗜酸性粒细胞计数。支持向量机（SVM）模型在内部测试集中显示出最高的AUROC点估计值，AUROC为0.801，并实现了外部验证AUROC为0.724，表明中等的外部区分能力。结论：研究人员开发了一个可解释的多模态模型，用于额叶挫伤患者DHP的早期预测。该模型可能有助于早期风险分层和临床监测，但在广泛临床应用之前，需要进一步的前瞻性、多中心和地理多样化的验证。

额叶挫伤是创伤性脑损伤（TBI）的一种常见亚型，常因微血管撕裂和炎症激活而并发迟发性血肿进展（DHP，指随访CT上血肿体积较基线增加≥25%），导致急性颅内高压和脑疝，威胁生命。然而，其早期临床表现隐匿，现有预测模型多针对自发性脑出血或一般性脑挫伤，忽视了额叶独特的解剖（如血管网密集）、免疫（如小胶质细胞丰富）和临床特征（如症状轻但恶化快），且缺乏针对性的外部验证工具。为此，研究人员在《Frontiers in Neuroscience》发表了一项回顾性多中心研究，开发并外部验证了一个可解释的多模态机器学习模型，整合常规临床、实验室和CT影像特征，以早期预测额叶挫伤患者的DHP。该模型基于宁夏医科大学总医院799例患者（开发队列）和南华大学第二附属医院443例患者（外部验证队列），通过七种特征选择方法从74个候选变量中筛选出10个核心预测因子，训练十种算法，最终支持向量机（SVM）模型表现最优，内部测试AUROC为0.801，外部验证AUROC为0.724，并借助SHAP（SHapley Additive exPlanations）实现可解释性，为临床早期风险分层提供了辅助工具。

关键技术方法方面，研究采用回顾性多中心设计，开发队列来自宁夏医科大学总医院（2020年8月至2025年10月），外部验证队列来自南华大学第二附属医院（2020年1月至2025年12月）。特征选择使用七种互补方法：LASSO回归、岭回归、弹性网络、增强回归树（BRT）、最大相关最小冗余（mRMR）、XGBoost和递归特征消除（RFE）。模型训练采用十种算法（逻辑回归、随机森林、XGBoost、LightGBM、SVM、人工神经网络、朴素贝叶斯、K近邻、BRT和决策树），通过五折交叉验证和网格搜索调参。模型评估包括AUROC、准确率、灵敏度、特异度、F1分数、校准曲线和决策曲线分析，并使用SHAP框架进行可解释性分析。

研究结果分为以下部分：
3.1 特征筛选：通过七种互补方法从74个候选变量中筛选出10个核心预测因子，包括基线挫伤体积（BCV）、血肿密度均值（HMD）、血肿密度标准差（HDSD）、血肿密度变异系数（HDCV）、基线血肿表面积与体积比（HSR）、淋巴细胞与单核细胞比率（LMR）、入院格拉斯哥昏迷量表（GCS）评分、血糖与钾比率（GPR）、发病至基线CT时间（TBCT）和嗜酸性粒细胞计数（EOS）。这些变量在算法筛选中表现良好，且具有临床意义。
3.2 模型性能比较：在十种机器学习模型中，SVM在内部测试集中表现最优，AUROC为0.801（95% CI: 0.742–0.859），灵敏度为0.899，特异度为0.571，F1分数为0.608，准确率为0.665。外部验证中SVM的AUROC为0.724，灵敏度为0.725，特异度为0.667。DeLong检验显示SVM与部分模型（如随机森林、朴素贝叶斯、决策树、K近邻）的AUC差异具有统计学意义（p<0.05）。
3.3 模型可解释性：SHAP蜂群图显示BCV的平均绝对SHAP值最高（0.064），是最重要的预测因子，其次为HDSD、HDCV、HMD、HSR。SHAP依赖图揭示了非线性关系：BCV<10 mL、HDSD<12 HU、HDCV<0.19、HMD<64或>72、HSR>0.5、LMR>2.5、GCS<14、GPR>2.5、TBCT<18小时、EOS>0.2×10⁹/L时，模型预测DHP风险增加（这些值为探索性模型派生阈值）。个性化预测通过单样本SHAP力图展示，例如患者165（DHP阳性）的主要正向贡献特征为HDSD（10.8）、HDCV（0.17）和LMR（5.4）。
3.4 校准与临床效用：校准曲线显示内部测试集校准斜率为1.27，Brier分数为0.168；外部验证集校准斜率为0.949，Brier分数为0.238。决策曲线分析表明，在阈值概率约0.1–0.7范围内，SVM模型净获益优于“全治疗”和“不治疗”策略。
3.5 敏感性分析：将血肿体积增加10%–25%的中间患者（30例）分别标记为非DHP（Test0）和DHP（Test1）后，SVM模型AUROC分别为0.777和0.762，与主分析结果一致，表明模型对中等血肿扩大患者具有稳健性。

讨论部分总结指出，额叶挫伤后DHP的病理机制涉及凝血-纤溶失衡、免疫炎症反应和代谢紊乱，而本研究通过多模态特征整合和机器学习建模，首次针对额叶亚型开发了特定预测工具。SVM模型的高灵敏度（89.9%）直接响应了临床避免漏诊的核心需求，且所有预测因子均来自常规入院评估，易于临床获取。SHAP解释性分析不仅验证了经典理论（如小血肿体积<10 mL与高进展风险相关），还揭示了额叶特有的“小体积高异质性”血肿模式，并发现LMR优于以往报道的MLR（单核细胞与淋巴细胞比率）的预测效能，提示额叶免疫微环境的特殊性。局限性包括未纳入遗传多态性、动态影像数据，且外部验证仅来自中国三级医院，需进一步前瞻性多中心国际验证。研究结论翻译如下：本研究开发并外部验证了一个可解释的多模态机器学习模型，用于额叶挫伤患者DHP的早期预测。确定了十个常规可用的临床、实验室和影像指标作为关键预测因子。SVM模型表现出中等的外部性能，可能有助于早期风险分层和临床监测。然而，在广泛临床应用之前，需要进一步的前瞻性、多中心和地理多样化的验证。