《Journal of the American Heart Association》：Computed Tomographic Angiography‐Based Radiomics Predicted Stroke Recurrence in Patients With Symptomatic Intracranial Atherosclerotic Stenosis
编辑推荐：
背景：本研究的目的是探讨计算机断层扫描血管造影衍生的影像组学特征对症状性颅内动脉粥样硬化性狭窄卒中复发的预测价值。方法：这是一项队列研究的子研究，招募了经2个中心的计算机断层扫描血管造影确诊为缺血性卒中或短暂性脑缺血发作并伴有症状性颅内动脉粥样硬化性狭窄（50
背景：本研究的目的是探讨计算机断层扫描血管造影衍生的影像组学特征对症状性颅内动脉粥样硬化性狭窄卒中复发的预测价值。方法：这是一项队列研究的子研究，招募了经2个中心的计算机断层扫描血管造影确诊为缺血性卒中或短暂性脑缺血发作并伴有症状性颅内动脉粥样硬化性狭窄（50%–99%狭窄）的患者。收集了基线临床变量。分别从计算机断层扫描血管造影源图像的斑块区域以及斑块和管腔区域中提取了影像组学特征。所有患者均接受了指南推荐的药物治疗。主要结局是1年内的同区域缺血性卒中复发。使用了4种机器学习算法来开发和测试主要结局的预测模型。结果：总共203名患者（中位年龄60岁）被随机分为训练集（n=121, 60%）和测试集（n=82, 40%）。有和没有主要结局的患者在临床变量上未观察到显著差异。在提取的1046个影像组学特征中，有4个来自斑块区域，5个来自斑块和管腔区域被选中。在所有机器学习算法中，基于斑块和管腔区域特征的模型在训练集（曲线下面积0.86–0.87 versus 0.79–0.80）和测试集（曲线下面积0.74–0.81 versus 0.58–0.62）中对主要结局的区分度优于基于斑块区域特征的模型，这与重复交叉验证的内部验证结果一致。在性能指标、校准分析和重分类指数中也观察到了类似的趋势。结论：在患有症状性颅内动脉粥样硬化性狭窄的患者中，计算机断层扫描血管造影衍生的斑块和管腔区域的影像组学特征对卒中复发的预测价值优于单独的斑块区域影像组学特征，为卒中风险分层提供了一种有前景的工具。
颅内动脉粥样硬化性狭窄（ICAS，颅内主要动脉因粥样硬化导致的管腔狭窄）是全球缺血性卒中和短暂性脑缺血发作（TIA）的主要原因，在亚洲、非洲和西班牙裔人群中尤为高发。尽管遵循指南推荐进行了药物治疗，但由ICAS引起的卒中或TIA（即症状性颅内动脉粥样硬化性狭窄，简称sICAS）患者仍面临极高的卒中复发风险。因此，改进sICAS患者的卒中复发风险分层对促进更有效的二级预防至关重要。斑块的几何形态、残余血管管腔以及斑块成分在影响卒中机制和风险中起关键作用。例如，伴随小残余管腔的严重狭窄会限制顺行血流，在侧支循环代偿不足时导致低灌注；而具有大脂质核心和薄纤维帽的脆弱斑块则易破裂并栓塞远端动脉。此外，存在动脉至动脉栓塞和低灌注的sICAS患者复发风险高于其他卒中机制。因此，斑块和残余管腔的特征均有助于识别高危病变，但以往的相关研究多聚焦于斑块特征，忽略了残余管腔的特征。为解决这一问题，研究人员开展了一项基于计算机断层扫描血管造影（CTA）的影像组学研究，旨在提取仅包含斑块区域以及包含斑块和管腔区域（PnL）的影像组学特征（RFs），并开发验证用于预测sICAS患者卒中复发的模型。该研究证明了CTA衍生的PnL区域RFs在预测复发方面优于仅基于斑块区域的特征。该论文发表在《Journal of the American Heart Association》上，为sICAS患者的卒中风险分层提供了一种有前景的新工具，具有指导个性化治疗的临床意义。
在技术方法方面，样本队列来源于卒中风险与颅内动脉粥样硬化疾病血流动力学（SOpHIA）队列研究的子研究。患者来自威尔士亲王医院和郑州大学第一附属医院。影像学处理上，利用64排或Aquilion ONE CT扫描仪获取基线单相CTA图像，并使用3D Slicer和Meshmixer软件对感兴趣区域（ROI，指在医学影像中选定的用于分析的特定区域）进行半自动分割。特征提取由研究者Z.L.在具有超过10年评估经验的X.L.监督下完成。通过开源Python包提取了6组RFs。为了确保特征稳定性，通过计算组内相关系数（ICC）剔除了不稳定特征（ICC<0.75）。随后，应用Wilcoxon秩和检验和最小绝对收缩和选择算子（LASSO，一种用于变量选择和正则化的回归方法）进行降维。为解决主要结局分布不平衡的问题，研究者在训练集中应用了合成少数类过采样技术（SMOTE，用于处理不平衡数据集的算法）。最后，使用了支持向量机（SVM）、极端梯度提升、逻辑回归（LR）和朴素贝叶斯（NB）4种机器学习（ML）算法构建预测模型。
研究结果部分总结如下：
患者特征：研究从SOpHIA队列中筛查了257名患者，排除了失访和ROI勾画失败的4例和50例患者后，最终纳入203例患者（中位年龄60岁，男性占62.1%）。1年内有19名（9.4%）患者发生了同区域缺血性卒中复发。分析表明，发生与未发生主要结局的患者在基线临床变量上无显著差异（所有P<0.05），因此未将临床变量纳入后续预测模型。
影像组学特征提取与选择：从每个ROI中提取了1046个RFs。剔除低重复性特征后，保留了斑块区域的455个和PnL区域的827个稳定特征（ICC≥0.75）。经LASSO回归筛选后，最终确定了4个斑块区域关键特征（主要为纹理特征）和5个PnL区域关键特征（包括形状、一阶特征和灰度共生矩阵特征）。
不同ML模型对主要结局的预测性能：在独立测试集中，基于PnL区域RFs构建的逻辑回归模型表现出数值上最佳的性能，其曲线下面积（AUC，指受试者工作特征曲线下面积，用于评估模型判别能力）达到0.81。四种ML模型在基于斑块或PnL区域RFs之间的AUC无显著差异。
模型性能与主要结局的内部验证：在训练集和测试集中，基于PnL区域RFs的所有ML模型在预测主要结局时均显著优于基于斑块区域RFs的模型。PnL模型的AUC在训练集为0.86至0.87，测试集为0.74至0.81；而斑块模型的AUC在训练集仅为0.79至0.80，测试集为0.58至0.62。重复5折交叉验证的内部验证也证实PnL模型具有更优且稳定的判别力（AUC为0.69至0.73对0.45至0.52）。此外，在测试集中，PnL模型在敏感度、特异度、准确率及阳性和阴性预测值上均优于斑块模型；校准分析显示PnL模型预测概率与观测概率更一致；重分类指数亦显示PnL模型显著改善了预测效果。
敏感性分析：在前循环sICAS患者亚组中，PnL区域模型在训练集中同样显著优于斑块区域模型（AUC为0.84对0.75至0.76），测试集中也呈现类似趋势（AUC为0.74至0.84对0.57至0.59），且各ML模型间AUC无显著差异。
在讨论部分，研究人员指出，动脉粥样硬化斑块的形成和演变是一个涉及形态和病理成分动态变化的复杂且慢性的过程。这些变化可能导致脆弱斑块的形成，其病理特征通常为薄纤维帽、大脂质坏死核心和斑块内出血。同时，局部动脉壁可能发生重塑，残余动脉管腔形状也随之改变。这些因素共同影响sICAS患者的卒中风险，反映了其多方面的机制。斑块脆弱性主要与斑块成分和形态有关，影响斑块破裂和远端栓塞风险；而严重的长段管腔狭窄会导致血流动力学受损和下游缺血。既往对sICAS患者的风险分层研究多仅关注斑块特征，往往忽略了残余动脉管腔的特征。同时评估斑块和管腔特征可能会提供更优的判别价值来识别高危sICAS患者。利用影像组学技术，可以从CTA等临床常用的神经血管成像方法中提取高维特征，以量化分析预定义的ROI，从而捕捉人眼无法察觉的潜在形态和病理变化特征。在本研究中，由于患者血管危险因素控制良好，临床变量未显现预测价值，反而凸显了影像组学模型在捕捉常规评估无法察觉的细微影像学预测因子方面的优势。多中心不同CT设备不影响模型效能，证明了其鲁棒性。但研究也存在局限：样本类别不平衡；半自动分割可能引入测量变异；约五分之一患者无法进行血管分割可能引入选择偏倚；所选特征的生物学意义尚未完全阐明；以及需更大样本外部验证。
研究结论部分翻译如下：在这项研究中，对于sICAS患者总体队列和前循环sICAS患者亚组，CTA衍生的斑块和管腔区域特征在预测1年内同区域缺血性卒中复发方面表现出优于单独斑块区域特征的性能。因此，CTA衍生的PnL区域RFs分析可为sICAS患者的卒中风险分层提供一种有前景的方法。然而，在更广泛的临床应用之前，还需要进一步的方法学改进和在更大规模独立数据集中的外部验证，以指导更精确的风险分层和更有效的二级卒中预防策略。
