《Frontiers in Neurology》：Combined clinical and DWI radiomics model for predicting 90-day functional outcomes after intravenous thrombolysis in acute ischemic stroke patients
编辑推荐：
目的：开发一种基于弥散加权成像（Diffusion-Weighted Imaging, DWI）影像组学与D-二聚体的可解释机器学习模型，用于预测急性缺血性脑卒中（acute ischemic stroke, AIS）患者静脉溶栓后90天结局，并利用公开的大鼠
目的：开发一种基于弥散加权成像（Diffusion-Weighted Imaging, DWI）影像组学与D-二聚体的可解释机器学习模型，用于预测急性缺血性脑卒中（acute ischemic stroke, AIS）患者静脉溶栓后90天结局，并利用公开的大鼠大脑中动脉闭塞（middle cerebral artery occlusion, MCAO）数据集探索D-二聚体的候选上游转录程序，作为探索性、假设生成步骤。方法：这项回顾性研究纳入了115例接受静脉溶栓治疗的AIS患者（2024年1月–2025年9月）。研究人员根据90天改良Rankin量表（modified Rankin Scale, mRS）评分将患者分为功能结局良好（0–2分）和功能结局不良（3–6分）两组。研究人员提取并筛选DWI影像组学特征，构建四种机器学习模型（逻辑回归、决策树、线性判别分析、LightGBM）。研究人员识别独立的临床危险因素以构建临床模型。将最佳机器学习模型与临床因素结合，构建联合模型（Combined-LR），并通过SHAP进行解释。此外，研究人员对两个大鼠MCAO数据集进行了转录组学分析，以探究D-二聚体相关的分子机制。结果：Radiomics-LR模型表现出优越的性能（训练集AUC 0.926，测试集AUC 0.857）。D-二聚体是独立危险因素。Combined-LR取得了最佳性能（训练集AUC 0.939，测试集AUC 0.862；自举法校正乐观性后AUC为0.838，交叉验证为0.772），显著优于临床模型（训练集P < 0.001，测试集P = 0.036）。决策曲线分析表明，Combined-LR在多个风险阈值区间内提供了更高的临床净获益，提示其在临床预后预测中具有更大的实用价值。转录组学分析显示补体/凝血基因上调，包括Serpine1（PAI-1）、C5ar1和Itgam（CD11b）。结论：研究人员建立了一个整合DWI影像组学与临床变量的可解释机器学习模型，用于预测AIS患者静脉溶栓后90天结局。转录组学分析为D-二聚体相关机制提供了假设生成的见解。需要外部多中心验证。
**论文解读：联合DWI影像组学与临床变量的可解释机器学习模型预测急性缺血性脑卒中静脉溶栓后90天功能结局**
**一、研究背景与问题**
急性缺血性脑卒中（acute ischemic stroke, AIS）是中国居民致残和致死的主要原因，约占所有脑血管事件的80%。静脉溶栓是AIS急性期治疗的基石，但临床证据显示，40%–60%的患者在溶栓后90天仍呈现不良功能结局（改良Rankin量表（modified Rankin Scale, mRS）评分≥3分）。因此，在治疗前准确识别高风险患者，实现精准风险分层和个体化治疗决策，已成为当代卒中诊疗中的关键挑战。
当前缺血性脑卒中的预后评估主要依赖传统评分系统（如美国国立卫生研究院卒中量表（National Institutes of Health Stroke Scale, NIHSS））和主观影像判读，存在预测准确性有限和观察者间变异大等问题。尽管基于DWI的影像组学结合机器学习能够量化病灶异质性并增强预后判断能力，但“黑箱”模型的不可解释性阻碍了其临床推广。可解释框架如SHAP（Shapley Additive Explanations）通过可视化特征贡献解决了这一障碍，将复杂的预测转化为临床上可理解的决策支持工具。此外，既往研究往往割裂地使用纯影像或纯临床变量，缺乏系统性整合。
**二、研究内容与意义**
针对上述局限，本研究引入了三项核心创新：第一，系统地将DWI影像组学与临床生物标志物（尤其是D-二聚体）整合到统一预测模型中；第二，采用基于SHAP的可解释机器学习并结合临床净获益验证，超越传统黑箱算法；第三，通过探索D-二聚体等关键预测因子的分子基础，弥合预测模型与生物学机制之间的鸿沟。该研究发表于《Frontiers in Neurology》。
**三、主要关键技术方法**
本研究为单中心回顾性研究，纳入2024年1月至2025年9月期间收治的115例接受静脉溶栓治疗的AIS患者，按7:3比例随机分为训练集（n=81）和测试集（n=34）。所有患者均于症状发作4.5小时内接受静脉溶栓，并在溶栓后24小时内完成包含DWI序列的MRI检查。使用PyRadiomics工具包提取影像组学特征，经可重复性分析（组内/组间相关系数（intra-/inter-class correlation coefficient, ICC）>0.75）、t检验、Pearson相关系数、最小冗余最大相关性（minimum redundancy maximum relevance, mRMR）和最小绝对收缩与选择算子（least absolute shrinkage and selection operator, LASSO）回归进行特征筛选。构建逻辑回归（Logistic Regression）、决策树（Decision Tree）、线性判别分析（Linear Discriminant Analysis, LDA）、LightGBM四种机器学习模型，并与临床模型和联合模型进行比较。模型评估采用受试者工作特征曲线下面积（area under the receiver operating characteristic curve, AUC）、准确性、敏感性和特异性，DeLong检验用于比较模型间AUC差异，决策曲线分析（decision curve analysis, DCA）量化临床净获益，SHAP值用于模型解释。此外，从基因表达综合数据库（Gene Expression Omnibus, GEO）获取两个大鼠MCAO转录组数据集（GSE61616和GSE97537），利用GEO2R在线分析工具评估补体与凝血级联通路相关基因的差异表达。
**四、研究结果**
**4.1 基线特征**
115例AIS患者按7:3比例随机分配至训练集（n=81）和测试集（n=34）。两组在年龄、性别、吸烟史、饮酒史、高血压等临床特征方面无显著差异（均P>0.05），证实了随机化的有效性和数据集的可比性。根据90天mRS评分，患者被分为功能结局良好组（mRS 0–2）和不良组（mRS 3–6），训练集中不良结局占21.0%，测试集中占20.6%。在训练集中，D-二聚体水平在两组间差异显著（P=0.012），提示其作为区分预后结局的重要临床指标的潜在价值。
**4.2 特征提取与模型构建**
从DWI图像中提取了1,024个影像组学特征，经筛选后保留926个ICC>0.75的特征，最终通过LASSO回归确定10个影像组学特征。单因素逻辑回归分析显示D-二聚体具有统计学意义（P<0.05）。多因素逻辑回归分析确定D-二聚体（P=0.048，OR=5.009，95% CI: 1.011–24.814）和Rad-score（P<0.001，OR=10.646，95% CI: 3.213–35.277）为显著预测因子。共线性分析显示自变量间无多重共线性（方差膨胀因子<10）。ROC曲线分析显示，Combined-LR在训练集和测试集中均达到最佳预测性能，AUC分别为0.939和0.862。经重复分层10折交叉验证（50次重复）和乐观性校正自举法（B=1,000）验证，Combined-LR的乐观性校正AUC为0.838（95% CI 0.765–0.895），支持稳定的内部判别能力。校准曲线显示Combined-LR是六种模型中校准最佳的模型。
**4.3 模型比较与可解释性分析**
DeLong检验显示，Combined-LR显著优于纯临床模型（训练集：Z=-4.101，P<0.001；测试集：Z=-2.092，P=0.036），但与大多数基于影像组学的模型（Radiomics-LR、LDA）无显著差异。基于Combined-LR构建的列线图整合了D-二聚体和影像组学评分两个关键预测因素，为临床决策提供了直观的量化工具。决策曲线分析显示，Combined-LR在大多数阈值概率范围内实现了最高的临床净获益。
SHAP分析显示，wavelet-HLL_firstorder_Median（平均|SHAP|=1.685）和original_firstorder_Minimum（平均|SHAP|=1.652）是影响力排名前两位的预测因子，分别反映病灶内信号强度的集中趋势和最低信号强度。值得注意的是，临床生物标志物D-二聚体（升高）排名第六（平均|SHAP|=1.032），超过了若干复杂影像组学特征，表明凝血-纤溶状态提供了影像组学特征未能复现的风险维度。蜂群图显示D-二聚体升高与模型输出呈单调正相关。瀑布图展示了个体患者预测过程中各特征的贡献累积，其中D-二聚体（升高）作为显著风险驱动因素贡献了+1.099的正向SHAP值。
**4.4 补体-凝血通路关键基因的差异表达分析**
在两个独立的大鼠MCAO数据集中，补体与凝血级联通路相关基因均表现出显著差异表达。研究人员观察到Serpine1（PAI-1，log2FC=2.3，P<0.001）、C5ar1（log2FC=1.8，P<0.01）和Itgam（CD11b，log2FC=2.1，P<0.001）显著上调，这三个基因分别代表三种不同的病理过程：纤溶抑制、补体激活和中性粒细胞浸润。
**五、讨论与结论**
**讨论部分总结：**
讨论部分将D-二聚体的预后意义分解为三个层面：作为血栓负荷的指标、作为tPA抵抗的指标，以及作为凝血-炎症串扰的上游程序。第一，入院时D-二聚体升高在不良结局患者中更为常见，且在多变量模型中保持独立预测价值，最简约的解释是反映更大的血管内血栓负荷。第二，D-二聚体还携带关于血栓溶解难易程度的信息，因为不同组成的血栓对tPA介导的溶栓敏感性不同，富含纤维蛋白和血小板的血栓对溶栓具有更强的抵抗性。第三，通过大鼠MCAO转录组筛选确定的PAI-1、CD11b和C5ar1分别对应纤溶抑制、中性粒细胞介导的免疫血栓形成和补体-凝血串扰，提示入院D-二聚体升高可能反映高凝状态与纤溶抑制的双重失衡。其中PAI-1与临床的联系最为直接，CD11b次之且有人类血栓材料支持，而C5ar1与入院D-二聚体的时间关联最弱，应视为继发性损伤的候选机制而非入院生物标志物的解释。DWI影像组学模型优于临床模型，这与DWI序列对细胞毒性水肿敏感的物理基础一致。模型比较方面，基于影像组学的逻辑回归模型表现最佳，LightGBM虽在特定阈值下具有高敏感性但其低特异性限制了实用性。SHAP分析使模型在队列和个体层面的输入使用均可检视。研究局限性包括单中心设计、缺乏外部验证、类不平衡、无标准化血管成像、手动ROI勾画以及转录组分析的探索性质。
**研究结论翻译：**
在这个单中心开发队列中，结合DWI影像组学特征与入院D-二聚体的逻辑回归模型达到了足以用于静脉溶栓后90天功能结局内部风险分层的判别能力，优于仅基于临床变量的模型，并在决策曲线分析中提供了最高的净获益。SHAP分析使模型在队列和个体层面均能检视其对影像和临床输入的使用方式。这些发现是探索性的。在我们之外的扫描仪和协议上进行外部多中心验证是临床使用的先决条件，大鼠转录组分析应被视为生成候选上游通路，而非D-二聚体在人类中预后价值的机制性证据。
