《Frontiers in Neurology》：Construction of an interpretable prediction model for poor functional outcome in conservatively managed basal ganglia hemorrhage based on CT radiomics and multiple machine learning algorithms
编辑推荐：
目的：在接受保守治疗的基底节脑出血（BG-ICH）患者中，3个月改良Rankin量表（mRS）评分≥4提示不良功能结局。常规非增强CT可显示病灶内密度异质性，但传统临床指标在很大程度上忽略了这一信息，从而削弱了长期预后预测的准确性。方法：研究人员回顾性纳入25
目的：在接受保守治疗的基底节脑出血（BG-ICH）患者中，3个月改良Rankin量表（mRS）评分≥4提示不良功能结局。常规非增强CT可显示病灶内密度异质性，但传统临床指标在很大程度上忽略了这一信息，从而削弱了长期预后预测的准确性。方法：研究人员回顾性纳入254例接受保守治疗的BG-ICH患者，并按7∶3比例随机分为训练集与内部验证集。比较不同结局组间的临床变量，并从入院平扫CT中提取影像组学特征。采用单变量筛选联合最小绝对收缩和选择算子（LASSO）回归筛选稳健预测因子。训练并头对头比较了10种机器学习分类器，包括SuperLearner集成模型。通过受试者工作特征（ROC）曲线、校准曲线、决策曲线分析（DCA）及Kolmogorov-Smirnov（KS）检验评估最佳随机森林（RF）模型。采用SHapley Additive exPlanations（SHAP）分析解析特征贡献及其与连续mRS评分的非线性关联。结果：降维后保留14个预测变量，其中以小波影像组学特征为主。RF模型取得最高曲线下面积（AUC）为0.809，经Bootstrap校正后升至0.867（95%置信区间，0.797–0.929），同时具有良好的校准度与临床净获益。入院格拉斯哥昏迷量表（GCS）评分与关键小波标志物在预后重要性中占主导地位。结论：该基于CT影像组学的可解释随机森林模型能够稳定预测接受保守治疗的基底节脑出血患者3个月不良功能结局。在充分的外部队列验证后，该模型可能有助于个体化风险分层，并为后续临床评估提供参考。目前该模型尚不能直接应用于临床实践，仍需使用独立的多中心队列进行外部验证。
论文解读：基于CT影像组学与机器学习构建保守治疗基底节出血不良功能结局的可解释预测模型
一、研究背景与存在的问题
自发性基底节脑出血（BG-ICH）约占所有非创伤性脑出血的半数，因长期重度残疾和死亡率高，给全球社会经济带来沉重负担。多数血肿体积轻中度的患者接受标准化保守内科治疗而非手术清除。然而，相当一部分保守治疗的BG-ICH患者最终仍出现不良功能结局，即随访时改良Rankin量表（mRS）评分≥4（重度残疾或死亡）。早期识别高风险患者对于及时强化血压控制、神经监测和早期康复至关重要。传统临床风险标志物如基线血肿体积、凝血指标和ICH评分无法捕捉常规CT上不可见的病灶内密度异质性，限制了长期功能预后的预测准确性。影像组学可将像素级CT图像转化为高通量定量形态学、纹理及小波变换指标，无创量化血肿内部微结构异质性，反映不均匀凝血和微血管渗漏等潜在病理改变。然而，现有ICH影像组学研究多仅采用一两种机器学习算法，缺乏多分类器头对头横向比较，且极少整合SuperLearner加权集成框架。此外，多数机器学习模型存在“黑箱”问题，临床医生难以直观理解模型风险判断逻辑。SHapley Additive exPlanations（SHAP）作为基于博弈论的可解释人工智能方法，可同时量化全局特征重要性和个体层面的预测贡献，解决了复杂树模型的可解释性瓶颈。此前针对保守治疗BG-ICH患者不良功能结局，系统整合CT影像组学、多算法筛选、SuperLearner集成建模及多维SHAP分析的研究仍十分匮乏。
二、研究内容与结论
该研究为单中心回顾性观察研究，纳入2021年1月至2026年1月期间254例接受纯保守治疗的自发性基底节出血患者，按7∶3随机分为训练集和内部验证集。不良功能结局定义为发病3个月后mRS评分≥4。研究人员比较了不同结局组的临床变量，从入院平扫CT中提取影像组学特征，经单变量筛选和LASSO回归降维后保留14个预测变量，其中多数为小波影像组学特征。随后构建并头对头比较了10种机器学习分类器，包括Logistic回归、AdaBoost、随机森林（RF）、XGBoost、支持向量机、K近邻、梯度提升机、决策树、神经网络及SuperLearner集成模型。结果显示RF模型取得最高AUC（0.809），经Bootstrap校正后升至0.867（95%CI 0.797–0.929），并具有良好的校准度与临床净获益。SHAP分析显示入院GCS评分和关键小波标志物主导了预后重要性。该可解释CT影像组学RF模型能够稳定预测保守治疗BG-ICH患者3个月不良功能结局，但尚需多中心外部验证后方可辅助个体化风险分层。
三、主要关键技术方法
研究人员采用PyRadiomics框架从入院非增强CT中手动勾画血肿感兴趣区，经B样条插值重采样至1×1×1 mm3体素、25 HU离散化及Z-score归一化后提取影像组学特征。特征筛选采用单变量统计检验联合LASSO回归（五折交叉验证）。模型构建使用Python 3.9和R 4.2.1，训练9种基础机器学习分类器并构建SuperLearner加权集成模型。模型评估采用ROC-AUC、校准曲线、决策曲线分析（DCA）和KS检验。可解释性分析采用SHAP全局重要性排序、依赖图、力瀑布图，并辅以有向无环图（DAG）和反事实分析。样本队列来源为单中心连续纳入的254例保守治疗基底节出血患者。
四、研究结果
3.1 入组患者基线特征：共分析254例患者，其中预后良好组（mRS≤3）198例，预后不良组（mRS≥4）56例。两组在年龄、性别、心率、呼吸频率、高血压史、抗凝/抗血小板药使用、合并症数量、eGFR和D-二聚体方面无显著差异；在体温、BMI、GCS评分、脑室内出血、静脉降压药使用、ALT、AST和入院mRS评分方面差异显著。预后不良组GCS更低，BMI、体温、脑室内出血发生率、ALT、AST及入院mRS评分更高。
3.2 特征选择：从最初1215个特征中经单变量筛选得到137个差异显著的影像组学特征；经LASSO正则化（最优log(λ)≈-6）后保留14个预测变量：8个小波特征、年龄、体温、BMI、心率、呼吸频率和GCS。
3.3 所有模型的判别性能比较：随机森林AUC最高（0.809），其次为Logistic回归（0.806）和梯度提升机（0.801）；决策树判别能力最弱（0.698）。DeLong检验显示RF显著优于部分算法，但与Logistic回归和梯度提升机无统计学差异。SuperLearner集成模型（AUC 0.777）未优于最优单模型，其权重分析显示神经网络和XGBoost占主要融合权重，而RF和Logistic回归权重极低。
3.4 随机森林Bootstrap内部验证：1000次Bootstrap重采样校正后AUC为0.867（95%CI 0.797–0.929），重采样AUC分布近似正态，无明显过拟合；验证集混淆矩阵显示高总体准确率、良好敏感性和极好特异性。
3.5 校准、DCA和KS结果：RF校准曲线与理想参考线高度一致；决策曲线分析显示在常见风险阈值范围内模型比“全部干预”和“不干预”策略带来更高净临床获益；KS检验确定了合适的风险分层截断值，能有效区分预后良好与不良患者。
3.6 连续mRS回归模型拟合性能：构建8种回归模型预测连续3个月mRS值，随机森林取得最佳整体拟合效果，预测值与实际值高度一致，残差分布均匀，训练集与测试集误差差距小；集成树算法拟合中等；传统线性模型预测能力有限；单一决策树表现最差。
3.7 SHAP结果：全局SHAP重要性排序显示入院GCS、年龄、心率、呼吸频率和小波影像组学特征为核心预后预测因子，其中GCS影响最大。较低的GCS对应更高的不良结局风险，较高GCS具有保护作用。多数小波特征存在显著阈值效应，超过临界值后由保护作用转为风险促进作用。个体SHAP力图显示不同患者主导风险因素各异，但小波影像标志物常为主要风险驱动因素。依赖图显示心率>90次/分、体温>37℃、BMI>30均升高不良结局风险；低呼吸频率和中年患者（40-60岁）预后更差。各小波特征均具有独特阈值模式。
3.8 DAG和反事实分析：基于领域知识构建的有向无环图将年龄和BMI设为可能的上游因素，影响血肿纹理特征和生命体征；入院GCS与心率和呼吸稳定性相关；小波影像标志物和生命体征被建模为3个月预后的潜在直接贡献因素。反事实平行图模拟显示调整核心影像标志物可显著改变临界患者的预测风险。
五、讨论与结论总结
讨论部分指出，本研究经多步特征筛选后确定的14个预测变量中，小波变换衍生特征在SHAP全局重要性排序中占据主导，这与既往ICH血肿扩大影像组学研究一致。小波变换可分解原始CT血肿图像为多频子图像，捕捉血肿内部密度的细微不均匀性，对应急性血肿内不均匀凝血、持续微血管渗漏和异质性纤维蛋白形成，这些微观结构变化与不良功能结局风险密切相关。与传统仅采用一两种算法的研究不同，本研究系统比较了10种主流监督分类器并采用SuperLearner加权集成策略，为BG-ICH并发症影像组学建模提供了严格的多算法对比证据。关于SuperLearner未显著优于RF的原因，研究人员认为可能与基学习器性能差异和内部验证集样本量有限有关；集成框架过度依赖中等性能的基算法，稀释了顶尖单模型的预测优势。研究局限性包括单中心回顾性设计、仅使用非增强CT、部分临床混杂因素未量化、手动勾画ROI存在观察者间偏差、样本量相对不足（每预测变量约4个事件，低于推荐的10 EPV）以及17.3%患者因失访被排除可能引入选择偏倚。
结论部分翻译如下：本研究构建了一个可解释的CT影像组学随机森林预测模型，用于预测接受保守治疗的自发性基底节脑出血患者3个月不良功能结局（mRS≥4）。经LASSO正则化筛选的小波变换多尺度CT纹理特征有效反映了血肿内部病理异质性，并作为核心预后生物标志物。通过ROC、校准曲线、DCA和KS检验的综合验证确认RF模型具有良好的判别能力、校准度和临床净获益。SHAP多维可视化阐明了全局特征重要性和个体化风险贡献模式，探索性DAG分析和反事实分析绘制了连接临床和影像组学预测因子与长期功能预后的假设通路，为未来机制研究提供了方向。该无创预测工具若经外部队列验证，可能支持保守治疗BG-ICH患者的早期个体化风险分层，协助临床医生优化高危个体的监测和靶向干预策略。仍需多中心前瞻性外部验证和多模态影像优化以进一步证实该模型的临床泛化能力。
