《Frontiers in Neurology》：Prediction of functional outcome after mechanical thrombectomy using radiomics and deep learning features derived from intra-thrombus and peri-thrombus regions
编辑推荐：
**目的：** 尽管机械取栓术（mechanical thrombectomy, MT）在急性缺血性卒中（acute ischemic stroke, AIS）中取得了较高的血管再通率，但功能预后仍高度不一致。本研究旨在评估从基线CT扫描的血栓内及血栓周围区域
**目的：** 尽管机械取栓术（mechanical thrombectomy, MT）在急性缺血性卒中（acute ischemic stroke, AIS）中取得了较高的血管再通率，但功能预后仍高度不一致。本研究旨在评估从基线CT扫描的血栓内及血栓周围区域提取的影像组学特征和深度学习特征（deep learning features, DLFs）在预测MT术后预后方面的有效性。**材料与方法：** 这项回顾性、多中心研究纳入了471例接受MT治疗的AIS患者。来自A中心的患者（n=315）构成训练队列，而来自B中心和C中心的患者（n=156）作为外部测试队列。研究人员手动分割血栓区域，并随后进行1 mm外扩以定义血栓周围区域。研究人员从非增强CT（non-contrast CT, NCCT）和CT血管成像（CT angiography, CTA）图像中提取了428个影像组学特征和128个DLFs。经过特征选择后，研究人员采用十种机器学习分类器构建预测模型。研究人员基于两种策略开发了组合模型，包括早期特征级融合和晚期决策级融合。研究人员使用ROC分析、DeLong检验、NRI和IDI评估模型性能，并进行了亚组分析。**结果：** 共有191例患者（40.6%）获得了良好预后（90天改良Rankin量表评分（modified Rankin Scale, mRS）≤2）。在测试队列中，晚期融合组合模型达到了最高的判别性能（AUC=0.836，95% CI：0.769–0.891）。该模型显著优于血栓周围模型（AUC=0.758，p=0.005）和早期融合组合模型（AUC=0.763，p=0.009）。与血栓内模型相比，晚期融合组合模型也显示出改善的重分类能力，其NRI为0.935，IDI为0.278。亚组分析显示，晚期融合组合模型在预设的各亚组中均保持了一致的判别性能。**结论：** 整合来自血栓内和血栓周围区域的CT影像组学特征和DLFs的晚期融合组合模型，可能为预测机械取栓术后90天功能预后提供一种有效的方法。
**论文解读：基于血栓内与血栓周围区域影像组学及深度学习特征的机械取栓术后功能预后预测研究**
**一、研究背景与问题提出**
卒中仍是全球范围内导致死亡和长期残疾的主要原因之一，其中缺血性卒中约占所有卒中病例的87%。由大血管闭塞（large vessel occlusion, LVO）引起的急性缺血性卒中（acute ischemic stroke, AIS）是一种尤为严重的亚型，约占AIS病例的10%至46%，其死亡或长期残疾风险是非LVO卒中的两倍以上。机械取栓术（mechanical thrombectomy, MT）已被推荐为LVO-AIS的一线治疗方案，能够提高血管再通率和改善功能预后。然而，MT术后的功能预后仍然高度异质性，近50%的患者即使成功再通也未能获得良好预后，这一现象通常被称为“无效再通”。此外，部分患者可能发生恶性脑水肿，这是一种危及生命的并发症，与颅内压增高、脑疝和高死亡率相关。因此，早期准确预测治疗反应和90天功能预后对于风险分层和个体化管理至关重要。
AIS患者的临床结局受到一系列复杂生物学因素和临床因素的影响，包括年龄、性别、合并症、卒中严重程度、血压、血糖水平以及发病时间等。然而，在卒中急诊工作流程中全面收集临床信息可能存在困难，而影像生物标志物则能更快速、可靠地获取。已有多种基于影像的标志物被发现与MT术后功能预后相关，包括Alberta卒中项目早期CT评分（ASPECTS）、侧支循环评分和术后实质高密度征等。随着对血栓特征认识的深入，一些血栓相关影像标志物，如大脑中动脉高密度征、血栓负荷评分和血栓通透性等，也被报道与接受MT治疗的AIS患者的治疗反应和临床预后相关。尽管这些标志物提供了有价值的临床信息，但其预后效用可能受限于次优的预测性能和依赖放射科医生的主观解读。因此，开发更精确、客观的预测模型十分必要。
**二、研究目的与意义**
针对现有预测模型的局限性，本研究旨在利用影像组学与深度学习技术，系统评估来自血栓内及血栓周围区域的影像特征对LVO-AIS患者MT术后90天功能预后的预测价值，并比较多种建模策略以确定最优的预后评估方法。研究结果有望为临床提供一种非侵入性的个体化风险分层工具，辅助临床决策。
**三、主要技术方法**
研究人员开展了一项回顾性、多中心研究，共纳入2018年1月至2025年5月间来自三个医疗中心的471例接受MT治疗的AIS患者。其中，A中心（n=315）构成训练队列，B中心和C中心（n=156）构成外部测试队列。研究人员使用ITK-SNAP软件在CTA源图像上逐层手动勾勒血栓区域，并通过Python脚本对原始轮廓进行1 mm向外扩展以自动生成血栓周围感兴趣区（ROI），随后通过图像配准将CTA衍生的ROI转移到相应NCCT图像上。研究人员使用PyRadiomics工具包提取影像组学特征，每个ROI在NCCT和CTA中分别提取428个特征；同时采用VGG-16网络从血栓最大横截面为中心的连续三个轴向层面提取深度学习特征（DLFs），经降维后获得32维特征表示。特征选择采用四步流程：保留组内相关系数（ICC）>0.75的特征、筛选p<0.05的特征、去除高度相关冗余特征、应用最小绝对收缩和选择算子（LASSO）回归。研究比较了十种机器学习分类器，并基于早期特征级融合和晚期决策级融合两种策略构建了组合模型，采用ROC分析、DeLong检验、净重分类改善指数（NRI）和综合判别改善指数（IDI）评估模型性能。
**四、研究结果**
**患者特征：** 研究最终纳入471例LVO-AIS患者，其中191例（40.6%）在MT术后达到良好功能预后（90天mRS≤2）。训练队列和测试队列在人口统计学特征和若干危险因素方面存在显著差异，包括性别、年龄、入院NIHSS评分、吸烟史和血脂异常等，但两队列在血管再通程度（mTICI）和良好预后比例方面无显著差异。
**特征提取与选择：** 研究人员在NCCT和CTA上为每个ROI提取了107个影像组学特征和32个DLFs。经四步特征选择后，血栓内模型保留了18个DLFs和15个影像组学特征，血栓周围模型保留了13个DLFs和14个影像组学特征，组合模型1保留了20个DLFs和16个影像组学特征。
**模型性能与比较：** 在训练队列中，基于支持向量机（SVM）的模型在三种配置中均取得了最佳性能：血栓内模型（AUC=0.899）、血栓周围模型（AUC=0.902）和组合模型1（AUC=0.946）。在测试队列中，SVM模型同样表现最优：血栓内模型AUC为0.782，血栓周围模型AUC为0.758，组合模型1（早期融合）AUC为0.763。相比之下，基于晚期决策级融合策略构建的组合模型2在测试队列中取得了最高的判别性能（AUC=0.836，95% CI：0.769–0.891）。DeLong检验显示，组合模型2显著优于血栓周围模型（p=0.005）和早期融合组合模型（p=0.009）。虽然与血栓内模型相比AUC差异未达到统计学显著（p=0.084），但组合模型2显示出正向的NRI（0.935）和IDI（0.278），表明其重分类能力得到改善。
**校准与临床效用：** 校准曲线显示组合模型2在测试队列中预测与观察结果之间具有良好一致性。决策曲线分析表明，组合模型2在广泛的阈值概率范围内提供了最高的临床净获益。
**亚组分析：** 亚组分析显示，除入院NIHSS>14的亚组外，组合模型2在按性别、年龄和再通状态定义的各亚组中普遍保持了稳健的性能；在NIHSS>14的亚组中，血栓内模型显示出更高的AUC。
**五、讨论与结论**
本研究表明，以血栓内和血栓周围区域为焦点，结合多种分类器构建的影像组学与深度学习模型能够有效预测取栓术后的功能预后。晚期融合组合模型表现出最佳性能并保持稳定，为卒中患者的个体化术后预后评估提供了潜在的非侵入性工具。
在机制层面，血栓作为MT的直接靶点，其组织学组成和物理特性会显著影响手术过程和患者预后。富红细胞血栓因硬度较低、形变能力较高，更易实现首次通过再通；而富纤维蛋白/血小板血栓质地更坚硬、与血管壁的静摩擦系数更高，增加了取栓难度，反复取栓操作还可能导致血栓碎裂和远端栓塞。传统影像标志物通常局限于对血栓密度或宏观形态的间接评估，且高度依赖阅片者的主观判断。影像组学和深度学习技术为提取血栓的高维特征提供了可行手段。本研究中，血栓内模型表现出稳定的预测性能，验证了血栓结构复杂性对MT术后预后的显著影响。更重要的是，血栓内模型与血栓周围模型的晚期融合进一步增强了预测能力，提示血栓周围区域同样具有预后价值。研究人员推测，血栓周围区域特征可能部分反映了血栓-血管壁界面以及邻近血管壁的病理性改变，如动脉粥样硬化斑块形成、内皮损伤和炎症浸润等。颅内动脉粥样硬化性狭窄（ICAS）约占LVO-AIS的34%，相关血栓通常附着于不稳定的斑块表面并伴有血管壁结构改变，血栓周围特征可能捕捉到了这一模式。
在建模策略方面，本研究比较了10种机器学习分类器，结果显示SVM在训练和测试队列中均表现最佳，这可能归因于其在高维空间中找到最优分离超平面的能力、在小样本场景中良好的泛化性和鲁棒性，以及通过核函数有效处理非线性关系的能力。研究还发现，晚期融合模型优于早期融合模型，表明决策级融合在高维、小样本环境中更稳健。晚期融合允许每个区域模型独立学习区域特异性模式，从而减少噪声传播和过拟合，提高泛化能力。早期融合组合模型未能提升性能，可能与血栓内和血栓周围区域特征在分布、尺度和噪声特征上的差异有关，直接拼接可能引入冗余和多重共线性，稀释判别信息。亚组分析中，高NIHSS评分亚组内血栓内模型优于晚期融合模型，提示基于影像的预后建模应充分考虑临床因素的潜在调节效应。
本研究存在以下局限性：回顾性设计可能限制结果的适用性；血栓分割过程为手动操作，耗时且可能影响结果可靠性；血栓周围区域采用固定1 mm外扩定义，其他定义方式可能涉及不同的生物学过程。此外，训练队列和测试队列来自不同中心，尽管进行了图像归一化和交叉验证，仍可能存在潜在偏倚。未来的研究应聚焦于开发自动化或半自动化的血栓分割方法，并探索最优的血栓周围区域定义。
**研究结论：** 整合入院CT上血栓内和血栓周围区域来源的深度学习特征与影像组学特征，特别是采用晚期融合策略时，构建的预测模型在预测LVO-AIS患者MT术后功能预后方面表现出良好的性能。该方法可为个体化风险分层提供非侵入性工具，并可能有助于临床决策。
