急性缺血性卒中复发预测的皮质形态测量学特征衍生预测因子

《Frontiers in Neuroscience》：The morphometric features derived as the predictors of acute ischemic stroke recurrence

　　

背景与目的：已有多种方法用于评估缺血性卒中复发风险，包括临床风险评分、基于常规临床数据的模型以及扩散加权成像放射组学，但多数方法聚焦于既定临床因素或急性梗死特征，未能充分反映全脑结构改变。研究人员旨在评估T1加权成像（T1-weighted imaging，T1WI）衍生的形态测量指标是否能改善1年内复发预测。 方法：共纳入201例急性缺血性卒中（acute ischemic stroke，AIS）受试者，分为复发组与非复发组。使用FreeSurfer从T1WI提取皮质形态测量特征。评估三种特征选择策略：独立样本t检验单独使用、最小绝对收缩与选择算子（least absolute shrinkage and selection operator，LASSO）回归单独使用、独立样本t检验联合LASSO回归。以筛选特征构建8种机器学习模型，共24种组合。采用受试者工作特征曲线下面积（area under the receiver operating characteristic curve，AUC）、准确率、敏感性、特异性、精确率、F1分数、校准分析及决策曲线分析（decision curve analysis，DCA）评价性能。利用Shapley加性解释（Shapley additive explanations，SHAP）评估特征重要性。 结果：24种组合中，独立样本t检验联合LASSO筛选特征的支持向量机（support vector machine，SVM）模型AUC最高，为0.841（95% CI：0.786–0.897），准确率0.771，敏感性0.705，特异性0.824，精确率0.792，F1分数0.738。校准分析显示该模型Brier分数最低（0.162），DCA显示其在较宽阈值概率内具良好净收益。SHAP分析确定左内侧眶额-嗅沟折叠指数（folding index of the left medial orbital–olfactory sulcus）与左侧胼胝体下回平均曲率（mean curvature of the left subcallosal gyrus）为重要预测贡献特征。 结论：该可解释、可复现的模型是预测缺血性卒中复发的有价值工具，有助于临床风险分层与个体化治疗决策。

研究背景方面，急性缺血性卒中（AIS）是全球死亡与长期残疾的主要成因，约1/8患者首发后1年内复发，且复发后神经功能缺损加重、继发感染风险升高。现有预测手段以临床风险评分、常规数据机器学习及扩散加权成像（DWI）放射组学为主，多聚焦血管危险因素与急性梗死灶，忽视局灶缺血经远隔连接区诱导的皮质变薄、灰质萎缩等全脑结构重塑（diaschisis与继发变性）。DWI虽对急性期敏感，但难以刻画皮质厚度、沟回几何等精细形态；T1WI结合FreeSurfer可自动化定量皮质厚度、表面积、灰质体积、曲率与折叠度，既往多用于功能预后或认知障碍研究，多重区域形态指标能否预测AIS复发尚不清楚。研究人员因此开展本研究，验证T1WI衍生皮质形态测量学对1年复发的预测价值，并构建可解释机器学习框架。《Frontiers in Neuroscience》刊发的结果显示，该方法在内部验证中取得AUC 0.841，证明全脑皮质几何特征可补充传统临床与梗死中心化评估。

关键技术方法上，研究人员回顾性纳入2013–2022年山东第二医科大学附属医院神经内科201例发病72 h内AIS患者，按1年随访是否复发分92例复发组与109例非复发组。采用1.5 T Philips Achieva扫描仪获取轴位DWI与自旋回波T1WI。经FreeSurfer recon-all流程提取Destrieux（a2009s）图谱148脑区×7项指标（表面积、皮质厚度、灰质体积、曲率指数、折叠指数、高斯曲率、平均曲率）加半球均值共1040特征，由放射科医师质控。训练集（7:3分层抽样）内依次用独立样本t检验（p<0.0001或p<0.05）、LASSO（liblinear，C对数网格10??–10?十折交叉验证）、t检验联合LASSO筛选特征；以LR、SVM、MLP、KNN、DT、GBDT、LDA、AdaBoost八模型配合五折网格搜索建模，验证集用AUC、校准、DCA评价，SHAP解释。

研究结果部分，3.1基本特征小节指出复发与非复发组年龄（66.05±9.85 vs 65.05±9.51）、性别比无显著差异（p>0.05），排除基线混杂。3.2特征选择与模型比较小节显示三种筛选分别保留12、7、13特征，平均AUC 0.734、0.747、0.789，联合策略最优；24组合中t检验+LASSO驱动的SVM表现最佳（AUC 0.841，准确率0.771，敏感性0.705，特异性0.824，精确率0.792，F1 0.738），校准Brier 0.162最低，DCA净收益优于多数对照。3.3可解释结果小节中SHAP条形图、蜂群图与水瀑布图一致表明，左内侧眶额-嗅沟折叠指数（lh_S_orbital_med-olfact_foldind）与左侧胼胝体下回平均曲率（lh_G_subcallosal_meancurv）绝对SHAP值最高；个案瀑布图示例显示前者正向推高预测（+1.97），后者负向修正（-1.87），说明眶额与胼胝体下区几何变异对复发风险方向各异但权重领先。

讨论部分浓缩如下：研究人员强调本研究在常规厚度/体积外引入曲率与折叠描述子，更全面表征皮质几何复杂度，联合筛选较单用统计或单用LASSO更利于剔除冗余；SVM高特异性意味着更适合排除低危者，但敏感性不足可能漏诊部分复发患者。SHAP定位的眶额内侧（情绪决策奖赏环路）与胼胝体下回（含亚区Subcallosal Cingulate，SCC，抑郁代谢异常相关）均属情感行为调节区，与卒中后抑郁增加复发风险的已知路径吻合，提示皮质形态可能是神经精神继发病理的中介标志物。临床意义上，该框架不替代临床评分，而是补充个体脑结构异质性信息，辅助高危分层与个体化二级预防。局限为单中心单机型T1WI、未融临床/基因/生化变量、缺外部多中心验证。结论节翻译为：本研究开创性整合皮质形态测量与机器学习，建立可复现AIS复发预测框架；T1WI衍生指标可识别贡献特征，证实形态学路径可行，并能产出可解释、具临床行动性的个性化管理洞见。