《Frontiers in Neurology》：CT-based intrathrombus and perithrombus radiomics for predicting complete recanalization after endovascular thrombectomy in acute ischemic stroke
编辑推荐：
目的：开发并验证基于CT的影像组学模型，纳入血栓内和血栓周围特征，用于预测急性缺血性卒中（AIS）血管内血栓切除术（EVT）后的完全再通（改良脑梗死溶栓分级（mTICI）2c/3），并确定最优机器学习分类器。材料与方法：这项回顾性研究纳入了来自三个中心（201
目的：开发并验证基于CT的影像组学模型，纳入血栓内和血栓周围特征，用于预测急性缺血性卒中（AIS）血管内血栓切除术（EVT）后的完全再通（改良脑梗死溶栓分级（mTICI）2c/3），并确定最优机器学习分类器。材料与方法：这项回顾性研究纳入了来自三个中心（2018年12月至2024年4月）的406例前循环大血管闭塞的AIS患者。研究人员将患者分配到训练组（n=178）、内部测试组（n=77）和外部验证组（n=151）。完全再通定义为mTICI 2c/3。从非增强CT和CT血管成像（CTA）中提取了428个影像组学特征。采用最小绝对收缩和选择算子（LASSO）回归以及11种分类器。结果：结合血栓内和血栓周围特征的逻辑回归模型在训练组、测试组和验证组的曲线下面积（AUC）分别为0.93、0.88和0.86，优于单区域模型。决策曲线分析证实了更高的临床实用性。血栓周围区域在组合模型中占主导地位（15个特征中的10个）。结论：基于CT的影像组学组合模型有效预测完全再通，为患者选择和治疗优化提供了客观工具。
**论文解读文章**
**研究背景与目的**
急性缺血性卒中（AIS）是导致死亡和残疾的主要原因之一，前循环大血管闭塞的血管内血栓切除术（EVT）是标准治疗。完全再通（改良脑梗死溶栓分级（mTICI）2c/3）与部分再通（mTICI 2b）相比，能显著改善90天功能预后，但临床预测EVT后完全再通的能力有限，即使经验丰富的医生准确率也仅约44%。传统影像学依赖主观判读，且单一生物标志物无法满足临床需求。影像组学（radiomics）可从医学图像中提取高通量特征，实现定量分析。既往研究多聚焦于血栓内特征，但血栓周围区域反映血管壁病理和血栓-血管相互作用，尚未被探索。本研究旨在开发并验证结合血栓内和血栓周围特征的CT影像组学模型，预测EVT后完全再通（mTICI 2c/3），并确定最优机器学习分类器。论文发表在《Frontiers in Neurology》。
**关键技术方法**
研究人员从三个中心（南通大学附属医院、上海第六人民医院、昆山市第二人民医院）回顾性纳入406例AIS患者，分为训练组（n=178）、内部测试组（n=77）和外部验证组（n=151）。主要技术方法包括：采用64-256排CT扫描仪获取非增强CT（NCCT）和CT血管成像（CTA）图像，重建层厚0.63-1.00mm，经强度归一化和等向重采样至1×1×1mm体素。使用ITK-SNAP软件手动勾画血栓感兴趣区（ROI），并基于数字减影血管造影（DSA）定位近远端边界；通过Python自动向外扩展1mm生成血栓周围ROI。利用PyRadiomics库提取428个影像组学特征（包括一阶统计量、形状和纹理特征）。特征选择采用三步法：Mann-Whitney U检验（p<0.05）、Spearman相关性分析（剔除相关系数>0.9的特征）、LASSO回归（5折交叉验证）。建模采用11种监督机器学习算法（包括逻辑回归、随机森林、XGBoost等），通过5折交叉验证进行训练，使用ROC曲线、决策曲线分析评估性能。
**研究结果**
**1. 患者临床特征**
在406例患者中（平均年龄67.4±12.3岁，54.2%男性），219例（53.9%）达到完全再通。各队列中完全再通组与不完全再通组在年龄、性别、血管危险因素、美国国立卫生研究院卒中量表（NIHSS）评分、血栓位置和穿刺时间方面均无显著差异（p>0.05），仅测试组中高脂血症和冠心病有差异（p=0.02和0.03），后续分析中进行了校正。单因素和多因素逻辑回归未发现显著临床预测因子。
**2. 影像组学特征选择**
所有影像组学特征的重测信度良好（组内相关系数（ICC）>0.75）。LASSO回归为血栓内、血栓周围和组合模型分别选择了13、15和15个特征。组合模型中，血栓周围特征占主导（15个中的10个），且多数特征来自CTA（10个），属于形状和纹理类别（灰度大小区域矩阵（GLSZM）、邻域灰度差矩阵（NGTDM）、灰度共生矩阵（GLCM））。影像组学评分（Rad-score）计算公式为：Rad-score=0.516854+Σ（系数×特征）。
**3. 模型性能与比较**
在训练组中，多数分类器达到高AUC（0.87-1.00），但在测试和验证组中，复杂模型（如AdaBoost、Extra Trees、XGBoost、随机森林）出现严重过拟合（AUC降至0.52-0.79）。逻辑回归（LR）表现稳定：血栓内模型在测试和验证组AUC分别为0.73和0.77；血栓周围模型为0.82和0.85；组合模型为0.88和0.86。Matthews相关系数（MCC）也证实LR在验证组中最高（血栓内0.44，血栓周围0.85，组合0.64）。DeLong检验显示：在训练组，组合模型优于血栓内（AUC 0.93 vs 0.87，p=0.01）和血栓周围模型（0.93 vs 0.90，p=0.02）；在测试组，组合模型优于两者（p<0.001和p=0.02），且血栓周围优于血栓内（p=0.03）；在验证组，血栓周围和组合模型均优于血栓内（p=0.02和p=0.01）。决策曲线分析表明，组合模型在阈值概率0.18-0.92范围内提供更高净收益。
**讨论与结论**
讨论部分指出，组合模型优于单区域模型，因为血栓周围特征反映了血管壁病理和血栓-血管相互作用，完全再通不仅取决于血栓清除，还取决于血管壁状况（如动脉粥样硬化斑块引起的残余狭窄）。逻辑回归的线性性质减少了过拟合风险，增强了可解释性，适合临床整合。临床变量未改善模型，提示影像组学捕获了常规评估之外的信息。CTA特征占主导（67%），可能源于碘对比剂增强的血栓-血管壁对比度。局限性包括回顾性设计、手动分割耗时、缺乏组织学分析、未区分mTICI 2b与3，以及缺乏长期功能预后数据。
**研究结论**：本研究表明，结合血栓内和血栓周围区域的CT影像组学模型能有效预测AIS患者EVT后的完全再通。逻辑回归分类器表现出最佳泛化性能。这些发现强调了血栓-血管壁相互作用在实现完全再通中的重要性，并为术前患者分层和治疗优化提供了客观工具。
