基于颈动脉CT血管造影感兴趣区（ROI）数据集的整合影像组学与图像深度学习框架，用于斑块稳定性评估以预测缺血性中风风险

《BioMedical Engineering OnLine》：Integrated radiomics and image-based deep learning framework using carotid CT angiography ROI datasets for plaque stability assessment as a predictor of ischemic stroke risk

　　

摘要

背景

颈动脉斑块易损性是缺血性卒中的驱动因素，但术前评估仍不够精确。

方法

本研究是一项回顾性多中心研究，使用经病理验证的颈动脉内膜剥脱术病例的颈动脉 CT 血管造影（CTA）数据集进行影像组学分析，并使用独立标注的 CTA 数据集进行基于图像的深度学习。使用 ANOVA-Kruskal-Wallis 分析、相关性筛选和 LASSO 对影像组学特征进行筛选，随后开发随机森林、支持向量机、k 近邻、朴素贝叶斯和逻辑回归模型。基于图像的模型包括多层感知机（MLP）、卷积神经网络（CNN）以及 ImageNet 预训练的 VGG16、VGG19 和 ResNet50。使用 ROC/AUC、校准分析和外部验证评估模型性能。

结果

主要队列包括 260 例连续颈动脉内膜剥脱术（CEA）患者（200 例用于模型开发/内部验证，60 例用于外部验证），而 236 例（7394 个 ROI）的独立标注 CTA 数据集用于基于图像的深度学习。在内部测试集上，影像组学达到 AUC 0.858（RF）、0.857（SVM）、0.855（朴素贝叶斯）、0.843（KNN）和 0.821（逻辑回归），且训练 - 测试差距较小。外部验证确认了相当的区分能力：SVM 0.839，逻辑回归 0.835，KNN 0.830，朴素贝叶斯 0.817，随机森林 0.817；校准曲线显示预测值与观测值高度一致。图像模型测试 AUC 达到 0.767（VGG16）、0.754（ResNet50）、0.718（VGG19）、0.669（MLP）和 0.654（CNN）；外部 AUC 分别为 0.776、0.751、0.719、0.684 和 0.687。Grad-CAM 定位到与病理一致的强化区域，其中 VGG16/ResNet50 最为明显。

结论

影像组学分类器（特别是 SVM/逻辑回归）和迁移学习骨干网络（VGG16/ResNet50）提供了可重复的 CTA 斑块稳定性预测，具有良好的校准性和外部通用性，支持其潜在用于卒中风险分层。该框架可能有助于术前风险分层并指导手术决策。

图形摘要