基于DWI的影像組學(xué)和機器學(xué)習(xí)預(yù)測急性腦卒中機械取栓后預(yù)后

郭群，吳含，彭明洋，陳國中，殷信道，孫軍

急性缺血性腦卒中具有發(fā)病率高、致殘率高及病死率高等特點。機械取栓治療可使閉塞的血管快速再通，改善卒中患者預(yù)后[1]。然而，研究顯示機械取栓后預(yù)后差異較大，預(yù)后不良率約為28.6%～74.6%[2-3]。早期預(yù)測卒中患者的預(yù)后有助于早期個性化干預(yù)及康復(fù)治療。以往的研究顯示彌散加權(quán)成像(diffusion weighted imaging，DWI)梗死體積、Alberta早期CT評分(Alberta Stroke Program Early CT Score，ASPECTS)-DWI評分等可預(yù)測卒中預(yù)后[4-5]。但基于DWI預(yù)測卒中預(yù)后的結(jié)果仍存在爭議。近年來，機器學(xué)習(xí)成為醫(yī)學(xué)診療的研究熱點，它可綜合大數(shù)據(jù)影像資料，深度挖掘多維影像學(xué)信息，實現(xiàn)精準(zhǔn)診斷及預(yù)測。本研究基于機械取栓治療前DWI圖像，采用影像組學(xué)方法獲取大量特征，旨在探討基于機器學(xué)習(xí)技術(shù)構(gòu)建急性腦卒中機械取栓后預(yù)后的預(yù)測模型。

1 資料與方法

1.1 患者資料

本研究為回顧性研究，本研究經(jīng)過南京市第一醫(yī)院醫(yī)學(xué)倫理委員會批準(zhǔn)(批準(zhǔn)文號：2017-148)，免除受試者知情同意。收集2017年1月至2020年9月在南京市第一醫(yī)院就診的急性腦卒中患者360例，其中男237例，女123例，年齡(68.29±19.54)歲。納入標(biāo)準(zhǔn)：(1)年齡大于18歲；(2)急性前循環(huán)卒中患者；(3)發(fā)病時間為8 h以內(nèi)；(4)機械取栓治療前接受MRI檢查；(5)接受機械取栓治療；(6)有3個月的mRS評分。排除標(biāo)準(zhǔn)：(1)顱內(nèi)出血、腫瘤或創(chuàng)傷；(2)MRI有運動偽影圖像無法評估。采用隨機分層抽樣的方法將患者隨機分為訓(xùn)練集252例，測試集108例。

收集患者的年齡、性別、入院NIHSS評分、發(fā)病至MRI檢查時間、發(fā)病至機械取栓時間、與卒中密切相關(guān)的臨床病史(高血壓、糖尿病、房顫、高脂血癥、高同型半胱氨酸)。采用mRS評分方法評估卒中患者3個月功能預(yù)后：mRS 0～2為預(yù)后良好，mRS 3～6為預(yù)后不良。

1.2 MRI掃描方法

所有患者采用3.0 T MR掃描設(shè)備(Ingenia,Philips Medical Systems，Netherlands)進行檢查。掃描序列包括液體衰減反轉(zhuǎn)恢復(fù)(fluid attenuated inversion recovery,FLAIR)序列、DWI、磁共振血管造影(magnetic resonance angiography,MRA)。部分掃描參數(shù)如下：DWI采用自旋回波序列，TR 2501 ms，TE 98 ms，矩陣152×122，3個方向，視野230 mm×230 mm，翻轉(zhuǎn)角90°，層數(shù)18，層厚6 mm，層間距1.3 mm，b=0和1000 s/mm2。

1.3 圖像分析

(1)圖像分割：使用ITK-SNAP軟件(版本3.4.0，http://www.itksnap.org)，對DWI圖像上高信號區(qū)進行感興趣區(qū)(region of interest，ROI)逐層勾畫后合成三維ROI(圖1)。所有ROI均由1名具有5年神經(jīng)影像診斷經(jīng)驗的放射科醫(yī)師完成，并由另1名具有10年神經(jīng)影像診斷經(jīng)驗的放射科醫(yī)師進行核對。(2)圖像標(biāo)準(zhǔn)化：使用μ±3σ方法對ROI進行歸一化，然后采用灰度量化來減少計算時間和提高紋理結(jié)果的信噪比；最后，使用三維插補技術(shù)對容積病灶進行各向同性重采樣，以確保獲取三維特征的比例和方向保持不變。(3)特征計算：應(yīng)用A.K.軟件(分析版本1.0.3；美國GE Healthcare)對患者DWI圖像進行特征提取，最終提取First Order，Shape，GLCM，GLSZM，GLRLM，NGTDM，GLIM等1136個特征。

圖1 DWI高信號感興趣區(qū)逐層勾畫融合成三維ROI示例Fig.1 A case example of DWI high signal ROI layer delineation and fusion into 3D region of interests(ROIs).

1.4 特征選擇、模型構(gòu)建和測試

先應(yīng)用單因素邏輯回歸分析篩選特征，再進一步應(yīng)用最低絕對收縮和選擇算子(least absolute shrinkage and selection operator，LASSO)回歸模型篩選預(yù)測預(yù)后的最佳影像組學(xué)特征，同時進行五折交叉驗證對模型參數(shù)進行最優(yōu)化。將LASSO篩選出的影像組學(xué)特征納入支持向量機(support vector machine，SVM)機器學(xué)習(xí)算法進行建模。SVM采用線性核，應(yīng)用五折交叉驗證進行模型訓(xùn)練，構(gòu)建并測試基于DWI的預(yù)測卒中機械取栓后預(yù)后的預(yù)測模型。

1.5 統(tǒng)計方法分析

(1)臨床資料統(tǒng)計學(xué)分析采用SPSS 26.0軟件。正態(tài)分布的計量資料以均數(shù)±標(biāo)準(zhǔn)差表示，計數(shù)資料采用例數(shù)(百分率)表示，訓(xùn)練集和測試集兩組間臨床資料比較采用獨立t檢驗或卡方檢驗分析，P＜0.05為差異有統(tǒng)計學(xué)意義。(2)LASSO回歸模型、SVM分類器分別基于glmnet、e1071程序包完成。應(yīng)用Sklearn(http://scikit.learn.org/stable/)機器學(xué)習(xí)模塊的受試者工作特征(receiver operating characteristic，ROC)曲線分析評估模型預(yù)測急性腦卒中機械取栓治療后預(yù)后的預(yù)測效能。獲得受試者工作特征曲線下面積(area under curve，AUC)、準(zhǔn)確度、敏感度、特異度、陽性預(yù)測值、陰性預(yù)測值等模型評價指標(biāo)。

2 結(jié)果

2.1 臨床資料比較

共360例急性腦卒中患者納入研究，其中，252例訓(xùn)練集中預(yù)后良好者149例，108例測試集中預(yù)后良好者68例。訓(xùn)練集與測試集間、預(yù)后良好組與預(yù)后不良組間的年齡、性別、入院NIHSS評分、發(fā)病至MRI檢查時間、發(fā)病至機械取栓治療及相關(guān)臨床病史均無明顯差異(P＞0.05)(表1)。

表1 訓(xùn)練集與測試集卒中患者基本臨床特征比較Tab.1 Comparison of basic clinical features between train set and test set in stroke patients

2.2 影像組學(xué)特征的提取及篩選

1136個DWI影像組學(xué)特征，通過單因素邏輯回歸分析及LASSO回歸降維篩選出21個特征(表2)?；贚ASSO回歸模型，利用5折交叉驗證中最優(yōu)的λ來選擇系數(shù)非零的最佳影像組學(xué)特征，影像組學(xué)特征的LASSO系數(shù)分布見圖2，熱圖見圖3。

表2 預(yù)測急性腦卒中機械取栓后預(yù)后的最佳影像組學(xué)特征Tab.2 The best imaging omics characteristics for predicting the outcome after mechanical thrombectomy in acute stroke

圖2 1136個影像組學(xué)特征的LASSO系數(shù)分布 圖3 最佳影像組學(xué)特征分布熱圖。A：訓(xùn)練集；B：測試集Fig.2 The distribution of LASSO coefficients of 1136 imaging omics characteristics.Fig.3 The heatmap of training set(A)and test set(B)for the best imaging omics characteristics.

2.3 急性腦卒中機械取栓后預(yù)后預(yù)測模型構(gòu)建及測試

基于所得的最佳影像組學(xué)特征通過SVM分類器建立卒中預(yù)后預(yù)測模型。應(yīng)用ROC曲線分析該模型預(yù)測訓(xùn)練集患者機械取栓后預(yù)后的AUC為0.956，敏感度和特異度分別為0.965、0.948，準(zhǔn)確度為0.954；預(yù)測測試集患者機械取栓后預(yù)后的AUC為0.801，敏感度和特異度分別為0.818、0.816，準(zhǔn)確度為0.828(表3，圖4)。

圖4 基于DWI預(yù)測急性腦卒中機械取栓后預(yù)后的受試者工作特征曲線Fig.4 Receiver operating characteristic curve for predicting outcome after mechanical thrombectomy in acute stroke based on DWI.

表3 基于DWI預(yù)測急性腦卒中機械取栓治療后預(yù)后預(yù)測模型的效能Tab.3 Efficacy of DWIin predicting outcome after mechanical thrombectomy in acute stroke

3 討論

急性腦卒中患者經(jīng)機械取栓治療后盡管血管再通率高，但有很大一部分患者功能預(yù)后較差，早期預(yù)測患者的功能預(yù)后可盡早行相應(yīng)的干預(yù)及康復(fù)治療，如血壓血糖的控制、個體化早期抗凝藥及抗血小板聚集藥治療、神經(jīng)認(rèn)知等康復(fù)治療，提高其生活質(zhì)量[6-7]。然而，由于急性腦卒中機械取栓治療后功能預(yù)后的機制復(fù)雜，目前預(yù)測卒中功能預(yù)后的研究仍存在爭議[8-9]。近年來，神經(jīng)影像技術(shù)已從基本的診斷工具擴展到更重要的作用，目前應(yīng)用較多的主要為選擇再灌注治療并預(yù)測預(yù)后[10-11]。其中，DWI序列作為急性腦卒中一線診斷工具的一部分，是目前評估急性腦卒中梗死體積最準(zhǔn)確的方法[12-13]。

DWI上高信號區(qū)域通常為核心梗死區(qū)。以往的研究認(rèn)為急性腦卒中患者的梗死體積與預(yù)后密切相關(guān)，治療前較小的梗死體積通常具有較好的預(yù)后[4]。然而，以往的研究結(jié)果仍存在爭議：邱建博等[14]認(rèn)為當(dāng)DWI梗死體積＜33.5 mL時預(yù)后較好，Ribo等[15]認(rèn)為入院DWI梗死體積＜40 mL時預(yù)后通常較好，而Raoult等[16]研究發(fā)現(xiàn)DWI梗死體積＞80 mL時常預(yù)后不良。由此可見，基于傳統(tǒng)的影像學(xué)參數(shù)預(yù)測卒中預(yù)后的能力有限。近年來，提供多參數(shù)形態(tài)和功能信息的影像組學(xué)成為研究熱點[17-18]。影像組學(xué)突破基于形態(tài)學(xué)和半定量分析的傳統(tǒng)影像醫(yī)學(xué)模式，采用高通量特征提取算法，對影像圖像進行定量分析，充分深入挖掘和分析隱含在圖像中的額外信息，最高效的利用影像學(xué)檢查結(jié)果，為臨床提供個性化治療提供支持[19]。LASSO回歸是變量選擇中的壓縮估計方法，已廣發(fā)用于高維數(shù)據(jù)的降維和回歸分析[20]。本研究通過LASSO回歸模型，從1136個特征參數(shù)中篩選出21個有預(yù)測價值的指標(biāo)，然后使用SVM建立預(yù)測模型。在LASSO回歸模型中，當(dāng)λ變小時，協(xié)變量的一些系數(shù)可縮小為零。本研究為實現(xiàn)特征篩選和防止過度擬合，在選擇交叉驗證錯誤最小時的λ為最優(yōu)參數(shù)。

目前已有一些基于機器學(xué)習(xí)預(yù)測急性腦卒中預(yù)后的研究，Heo等[21]研究發(fā)現(xiàn)基于臨床信息(NIHSS評分、既往病史、實驗室檢查等)的機器學(xué)習(xí)算法，可改善缺血性卒中患者長期預(yù)后的預(yù)測。但該研究未納入影像圖像進行分析。Hamann等[22]基于不同的機器學(xué)習(xí)模型，發(fā)現(xiàn)核心梗死體積與預(yù)后相關(guān)，但不建議將不匹配因素或者側(cè)支循環(huán)作為排除機械取栓治療的因素。Xie等[23]基于512例急性腦卒中患者的影像、流行病學(xué)及臨床資料進行Gradient Boosting機器學(xué)習(xí)預(yù)測預(yù)后，結(jié)果顯示其預(yù)測不良預(yù)后的準(zhǔn)確率為87.7%，與本研究結(jié)果相似。但該研究存在納入的特征為基本臨床及影像參數(shù)，未通過高通量方法提取影像組學(xué)特征。本研究通過SVM構(gòu)建急性腦卒中預(yù)后預(yù)測模型，SVM作為一種強大而有效的機器學(xué)習(xí)分類器，可構(gòu)建一個超平面，提供最佳的分離邊界。結(jié)果顯示訓(xùn)練集和測試集中，基于DWI預(yù)測急性腦卒中機械取栓后預(yù)后的AUC分別為0.956和0.801，其準(zhǔn)確度達0.954、0.828。本研究結(jié)果優(yōu)于邱建博等[14]通過傳統(tǒng)的統(tǒng)計學(xué)方法預(yù)測預(yù)后結(jié)果，其結(jié)果顯示DWI預(yù)測卒中功能預(yù)后的敏感度和特異度分別為60%和95.65%。

本研究仍存在一定的局限性。首先，本研究為回顧性研究，樣本量選擇時可能存在一定的偏倚。此外，機器學(xué)習(xí)的特征選擇方法較多，如獨立成分分析法、邏輯回歸分析法，本研究采用LASSO回歸法進行篩選，并未比較其他特征篩選法所建模型的差異，后期將進一步比較不同特征篩選方法模型構(gòu)建的效能，以選擇最優(yōu)效能，適合臨床應(yīng)用的模型。

綜上所述，基于DWI的機器學(xué)習(xí)構(gòu)建的急性腦卒中機械取栓治療后預(yù)測預(yù)測模型，能夠較為準(zhǔn)確地預(yù)測卒中預(yù)后，為臨床后續(xù)個性化治療提供依據(jù)。

作者利益沖突聲明：全體作者均聲明無利益沖突。