《Frontiers in Neurology》：Baseline CT radiomics for early prediction of post-traumatic hydrocephalus in traumatic brain injury: development and temporal validation
编辑推荐：
背景：创伤后脑积水（post-traumatic hydrocephalus, PTH）可损害创伤性脑损伤（traumatic brain injury, TBI）后的神经功能恢复，然而仅基于基线评估的可靠早期风险分层仍有限。研究人员旨在开发并时间验证一个基于
背景：创伤后脑积水（post-traumatic hydrocephalus, PTH）可损害创伤性脑损伤（traumatic brain injury, TBI）后的神经功能恢复，然而仅基于基线评估的可靠早期风险分层仍有限。研究人员旨在开发并时间验证一个基于术前CT的影像组学模型，用于PTH的早期预测，并评估临床预测因子所带来的增量价值。方法：这项回顾性单中心队列研究纳入341例因TBI接受神经外科治疗的连续成人患者。2021–2023年间治疗的患者（n = 289）构成训练队列，2024年间治疗的患者（n = 52）作为时间独立验证队列。研究人员从术前最后一次CT的14个自动分割颅内区域中提取了11,998个影像组学特征。特征选择采用互信息过滤和LASSO回归。对多种机器学习分类器进行了基准测试，并采用堆叠（stacking）策略构建临床–影像组学融合模型。模型性能通过区分度、校准度和决策曲线分析进行评估。结果：训练队列中PTH发生率为27.3%，验证队列中为23.1%。在时间验证中，临床模型、影像组学模型和融合模型的AUC分别为0.769（95% CI，0.608–0.906）、0.783（95% CI，0.604–0.929）和0.865（95% CI，0.735–0.958）。融合模型还表现出可接受的校准度，并在临床相关阈值范围内具有更高的净获益。结论：基线术前CT影像组学能够实现TBI后PTH的早期风险分层。在时间验证条件下，与临床预测因子整合可提供增量预测价值，并可能支持个体化监测。
**论文解读：基于基线CT影像组学早期预测创伤后脑积水的模型开发与时间验证**
**一、研究背景与问题**
创伤性脑损伤（traumatic brain injury, TBI）是全球重大公共卫生负担，每年新发病例超过2000万，常导致死亡和长期残疾，并伴随多种神经并发症。创伤后脑积水（post-traumatic hydrocephalus, PTH）是TBI最具临床意义且潜在可治疗的并发症之一，在手术患者中发生率可达8%–36%。PTH常需脑脊液分流手术，并导致住院时间延长、神经恢复延迟及远期认知功能损害。PTH的病理生理机制涉及出血和蛛网膜下腔出血相关炎症反应、脑脊液吸收障碍、脑室顺应性改变以及脑室周围白质微结构损伤。目前PTH的风险分层主要依赖人口学特征、入院神经状态和定性影像学特征如蛛网膜下腔出血严重程度、脑室内出血和脑室形态，但传统模型判别能力中等，且受观察者间变异影响。更重要的是，许多既往研究纳入术后临床或影像变量，难以真正实现基于基线评估的早期风险分层。因此，亟需开发仅基于基线影像的预测工具，以支持早期风险分层和个体化监测计划。影像组学（radiomics）可高通量提取定量影像特征，捕捉视觉评估之外的强度分布、空间纹理和结构异质性，常规基线CT可能包含反映出血分布、微环境改变和早期脑脊液循环障碍的潜在定量特征。
**二、研究设计与方法概述**
这是一项回顾性单中心队列研究，在浙江大学医学院附属金华医院开展，经伦理委员会批准。研究纳入2021年1月至2024年6月间接受神经外科手术治疗的连续成人TBI患者341例，其中2021–2023年治疗的289例为训练队列，2024年治疗的52例为时间验证队列。PTH定义为术后6个月内发生并同时满足影像学（Evans指数>0.30、颞角≥2 mm、第三脑室变圆或不成比例的脑室扩大）和临床（不能用其他原因解释的新发神经功能恶化）标准。研究使用MONAI Auto3DSeg模块自动分割14个颅内区域，采用PyRadiomics遵循图像生物标志物标准化倡议提取每个区域857个特征，共11,998个特征。特征选择采用互信息过滤和LASSO回归，评估8种机器学习分类器，并以逻辑回归构建临床模型，通过堆叠策略构建融合模型。模型评估指标包括受试者工作特征曲线下面积（AUC）、平均精度（AP）、校准曲线、Brier评分、Hosmer–Lemeshow检验和决策曲线分析（DCA）。
**三、主要研究结果**
**临床风险因素分析与临床模型**：单因素和多因素逻辑回归显示，年龄（OR 1.05，95% CI 1.03–1.08，p<0.001）和改良Fisher分级（OR 1.71，95% CI 1.34–2.19，p<0.001）是PTH的独立危险因素，入院GCS评分是保护因素（OR 0.74，95% CI 0.66–0.83，p<0.001）。临床模型在训练队列的OOF AUC为0.835，时间验证队列AUC为0.769。
**影像组学特征选择与模型性能**：互信息过滤保留前50个特征，LASSO进一步筛选出12个非零系数特征构建影像组学特征。特征选择稳定性分析显示中位选择频率99.4%，11/12个特征在至少80%重采样子集中被保留。8种分类器中，逻辑回归在时间验证队列取得最高AUC（0.783，95% CI 0.604–0.929），被选为最优影像组学模型，训练队列OOF AUC为0.841。
**融合模型**：将临床模型和影像组学模型预测概率作为输入，采用逻辑回归元学习器构建融合模型。融合模型在训练队列AUC达0.894（95% CI 0.851–0.932），时间验证队列AUC为0.865（95% CI 0.735–0.958），优于单独临床模型和影像组学模型。DeLong检验表明融合模型在训练队列和时间验证队列均显著优于临床模型；与影像组学模型相比，训练队列差异显著（p=0.002），时间验证队列差异未达统计学意义（p=0.289）。在时间验证队列，融合模型敏感性0.833、特异性0.800、准确性0.808、F1分数0.667，AP为0.736。
**校准与临床效用**：校准曲线显示融合模型在训练和时间验证队列均具有良好校准度，Hosmer–Lemeshow检验p值分别为0.315和0.306。DCA分析显示融合模型在广泛阈值概率范围内较临床和影像组学模型提供更高净获益。
**融合模型中的成分贡献**：森林图显示临床预测和影像组学预测对融合模型最终预测具有独立贡献，支持二者信息的互补价值。
**四、讨论与结论**
研究讨论指出，高龄与脑顺应性降低、脑室弹性改变和脑脊液吸收能力受损相关；低GCS反映更严重的原发性脑损伤和炎症反应；改良Fisher分级与蛛网膜下腔和脑室内出血导致蛛网膜颗粒阻塞及炎症纤维化一致。仅依赖临床模型的判别能力中等，常规预测因子可能无法完全捕捉CSF循环障碍背后的影像异质性。影像组学特征可能编码出血分布、脑室周围水肿异质性和微结构破坏的细微模式，这些模式先于明显脑室扩大出现，难以被定性分级系统完全反映。融合模型通过堆叠框架整合全局损伤严重程度和局部结构异质性，利用out-of-fold预测减少过拟合风险。研究采用时间验证而非随机内部拆分，更接近真实前瞻部署条件，模型性能未显著下降支持其稳健性。研究局限性包括单中心回顾性设计、共享同一扫描平台、时间验证不等同于多中心外部验证、自动分割可能引入边界误差、术前CT时间间隔不均、验证队列样本量较小仅12个事件导致置信区间较宽，以及影像组学特征为数学描述符不能直接建立机制因果。结论认为，术前CT影像组学可预测TBI后PTH并在时间验证下保持判别能力，与临床预测因子整合提供增量价值，可能促进个体化围手术期风险分层。该模型应视为风险分层工具而非替代临床判断，临床应用前需前瞻性评估和明确风险阈值。
