《Frontiers in Neuroscience》：Radiomics and deep learning for intracranial aneurysm rupture-status assessment on CTA/MRA: a multicenter retrospective study
编辑推荐：
背景：颅内动脉瘤破裂可导致动脉瘤性蛛网膜下腔出血并引发严重不良预后。当前回顾性影像研究多仅区分已破裂与未破裂动脉瘤，而非预测未来破裂风险。为解决此局限，研究人员构建了结合常规CTA/MRA手工提取影像组学特征与深度学习嵌入向量的多模态融合模型，用于动脉瘤破裂状
背景：颅内动脉瘤破裂可导致动脉瘤性蛛网膜下腔出血并引发严重不良预后。当前回顾性影像研究多仅区分已破裂与未破裂动脉瘤，而非预测未来破裂风险。为解决此局限，研究人员构建了结合常规CTA/MRA手工提取影像组学特征与深度学习嵌入向量的多模态融合模型，用于动脉瘤破裂状态判别并完成内部验证。方法：这项多中心回顾性研究筛选520例患者共572个囊状动脉瘤，经入排与影像质控后纳入400例患者的400个指标动脉瘤，按70/15/15划分为训练、验证与测试集且破裂/未破裂比例均衡。从动脉瘤分割中提取1316个影像组学特征，经稳定性与冗余过滤及LASSO回归保留42个非冗余预测因子；3D ResNet生成512维深度嵌入，经PCA压缩至128维；将影像组学与深度特征融合为170维输入供XGBoost分类器使用。通过判别度、校准度与决策曲线分析评估性能。结果：融合模型在测试集AUC达0.928，准确率0.889，灵敏度0.902，特异度0.872，阳性预测值0.886，阴性预测值0.889，优于单一影像组学与深度学习模型；校准良好（斜率0.98，Brier评分0.082），决策曲线在0.10–0.70概率阈值内显示更大临床净获益。讨论：融合可复现影像组学指标与体积深度嵌入显著提升破裂状态判别力，但所有破裂标签均来自首次就诊判定且缺乏外部独立验证，该流程仅为影像表型分析的内部验证方法学工具，而非预测未来破裂的即用临床模型。
研究背景与立项依据
颅内动脉瘤（intracranial aneurysm）在成人中患病率约3%–5%，年破裂风险虽低但破裂后引发的动脉瘤性蛛网膜下腔出血（aneurysmal subarachnoid hemorrhage, aSAH）致死致残率高。现行临床评分如PHASES与未破裂颅内动脉瘤治疗评分（Unruptured Intracranial Aneurysm Treatment Score, UIATS）在外验证中判别力有限（患者级AUC约0.57–0.65），且未充分纳入形态学与壁成像表型。已有影像组学（radiomics）与深度学习（deep learning, DL）研究多属回顾性“已破裂vs未破裂”状态鉴别，存在反向因果偏倚，尚不能替代前瞻破裂风险预测。研究人员因此在三家三级神经血管中心2018–2024年数据基础上，开展多中心回顾性研究，旨在构建并内部验证一种融合手工影像组学与3D卷积深度嵌入的CTA/MRA多模态框架，以提升破裂状态判别、校准与决策收益，同时明确其非即用临床预测工具的方法学定位。论文发表于《Frontiers in Neuroscience》。
主要关键技术方法
研究人员汇总三中心CTA/MRA/DSA记录，经形态学与影像质控从520例筛至400例单指标动脉瘤（囊状、≥18岁、首诊裁定破裂状态），按患者级70/15/15分层拆分。影像组学分支于ITK-SNAP手动勾画瘤囊，PyRadiomics 3.0.1提取1316维特征，训练集内以ICC>0.85、Pearson |r|<0.90、LASSO选42维；深度分支以瘤心为中心取643体素patch，定制3D残差CNN（3个Conv3D块+2残差块）抽512维嵌入，训练集PCA保留95%方差压至128维；早期融合170维入XGBoost（max_depth=3, lr=0.03, n_est=300）。全程测试集隔离，以AUC、校准斜率、Brier评分、决策曲线评估。
研究结果
3.1 患者特征：最终400例（160破裂/240未破裂），完整协变量亚组312例中破裂组年龄更大（58.9±11.4 vs 55.3±12.8岁，p=0.018）、女性更多（61.7% vs 49.5%）、最大径更大（8.6±3.7 vs 5.2±2.4 mm，p<0.001），位置分布差异显著（前交通动脉破裂占比31.3% vs 14.7%，p=0.002）。
3.2 影像组学特征选择：1316维经ICC过滤留876维，相关性剪枝至187维，LASSO定42维，主导为球形度、表面面积、熵、行程异质性、区域熵、NGTDM busyness；SHAP显示Wavelet-HHL GLCM熵与球形度居首。
3.3 分割可重复性：80例重复分割，Dice 0.89±0.05，中位ICC 0.91；42个入选特征中92.9% ICC>0.85，但未做预测级敏感性分析。
3.4 深度学习特征：独立CNN头测试集AUC 0.861；512维嵌入t-SNE可见局部聚拢但大类重叠，量化判别仍靠ROC。
3.5 模型性能：融合模型测试集AUC 0.928（0.862–0.978），准确率0.889，灵敏度0.902，特异度0.872，PPV 0.886，NPV 0.889；DeLong检验优于影像组学-only（p<0.01）与深度嵌入-only（p=0.03）；单CNN 0.861，影像组学-only 0.884，深度嵌入-only 0.903。
3.6 校准与决策分析：融合模型校准斜率0.98，Brier 0.082（低于影像组学0.115、深度0.101）；决策曲线在0.10–0.70阈值净获益最高，0.30–0.60区间优势持续。
讨论与结论翻译
研究人员指出，早期融合42维手工影像组学与128维PCA压缩深度嵌入的XGBoost框架，在400例多中心CTA/MRA囊状动脉瘤内部测试集中取得AUC 0.928，证实可复现几何/纹理描述子与体积空间表征互补。但标签源于首诊破裂状态，形态可因破裂改变而引入反向因果；无独立外部队列、测试集仅60例、未做分割级预测敏感性分析、非影像协变量未入模，故该工作属“破裂状态鉴别”方法学验证而非“未来破裂风险预测”临床工具。结论原文意译：整合影像组学与深度学习嵌入显著改善颅内动脉瘤破裂状态判别，但因标签为横断面裁定且缺外部前瞻验证，本流程仅作为影像表型分析的内部验证方法学工具，不可直接用于指导未破裂动脉瘤治疗升级或随访间期。
