基于彌散加權成像的影像組學特征及機器學習構建急性腦卒中患者血管內(nèi)取栓治療后預后預測模型

朱紅梅，彭明洋，王同興，陳國中，謝光輝，周星帆

急性缺血性腦卒中是導致人們致殘和致死的主要疾病之一。血管內(nèi)取栓（endovascular thrombectomy，EVT）是臨床治療大血管閉塞導致的急性缺血性腦卒中最有效的一種手段，可有效改善患者預后［1-2］。既往研究表明，較小的梗死體積、豐富的側(cè)支循環(huán)、較低的入院美國國立衛(wèi)生研究院卒中量表（National Institutes of Health Stroke Scale，NIHSS）評分等均是EVT后患者預后良好的預測因素［3-5］，其中梗死體積是其預后良好的獨立預測因子［6］。近年來，機器學習成為醫(yī)學診療的研究熱點，其可綜合大數(shù)據(jù)影像資料，深度挖掘多維影像學信息，實現(xiàn)精準診斷及預測［7］。本研究旨在基于彌散加權成像（diffusion weighted imaging，DWI）的影像組學特征及機器學習構建急性腦卒中患者EVT治療后預后預測模型，并分析其預測價值，現(xiàn)報道如下。

1 對象與方法

1.1 研究對象 本研究為回顧性研究。選取2017年1月至2020年6月南京市第一醫(yī)院收治的行EVT治療的急性腦卒中患者280例，入院時DWI為高信號，表觀彌散系數(shù)（apparent diffusion coefficient，ADC）＜0.620×10-3mm2/s；磁共振血管造影（magnetic resonance angiography，MRA）顯示存在頸內(nèi)動脈或大腦中動脈重度狹窄或閉塞。納入標準：（1）年齡＞40歲；（2）發(fā)病時間＜4.5 h；（3）EVT治療后24 h復查MRI。排除標準：（1）顱內(nèi)出血、腫瘤或創(chuàng)傷者；（2）因MRI圖像有運動偽影而無法評估者。采用分層隨機抽樣法將所有患者分為訓練集196例和測試集84例。兩組患者年齡、男性比例、入院時NIHSS評分、發(fā)病至MRI時間、發(fā)病至EVT治療時間、預后良好率比較，差異無統(tǒng)計學意義（P＞0.05），見表1。本研究經(jīng)過南京市第一醫(yī)院倫理委員會批準（批準文號2019-664），免除受試者知情同意。

1.2 MRI檢查

1.2.1 MRI掃描方法 訓練集患者均于EVT治療前及治療后24 h應用3.0T 磁共振掃描設備（Magnetom Verio，Siemens Healthineer，Germany）進行MRI檢查，掃描序列包括液體衰減反轉(zhuǎn)恢復序列（fluid attenuated inversion recovery，F(xiàn)LAIR）、DWI、MRA。掃描參數(shù)如下：DWI選用自旋回波序列，重復時間（repetition time，TR）為4 090 ms，回波時間（echo time，TE）為98 ms，翻轉(zhuǎn)角為180°，掃描野為230 mm×230 mm，矩陣為192×192，層厚6 mm，16層，層間距1.3 mm，b值取0、1 000 s/mm2，持續(xù)30 s。

1.2.2 圖像分割 使用ITK-SNAP軟件（版本3.4.0，http：//www.itksnap.org）手動分割訓練集患者EVT治療前后的DWI，將高信號區(qū)作為感興趣區(qū)（region of interest，ROI）。ROI均由同一名具有5年神經(jīng)影像診斷經(jīng)驗的放射科醫(yī)師完成，并由另一名具有10年神經(jīng)影像診斷經(jīng)驗的放射科醫(yī)師進行核對。

1.2.3 預處理及影像組學特征提取 應用A.K.軟件（人工智能工具包V3.0.0R；GE Healthcare）對訓練集患者分割的DWI圖像進行預處理，主要包括圖像差值、強度歸一化和灰度級離散化，進一步提取圖像特征，提取內(nèi)容包括一階特征、灰度共生矩陣（gray-level cooccurrence matrix，GLCM）、灰度相關矩陣（gray-level dependence matrix，GLDM）、灰度游程矩陣（gray-level run length matrix，GLRLM）、灰度尺寸區(qū)域矩陣（gray-level size zone matrix，GLSZM）、相鄰灰度差分矩陣（neighboring gray tone difference matrix，NGTDM）等1 316個特征。

1.3 影像組學特征篩選及模型構建 應用相關分析、單因素分析和最小絕對收縮和選擇算子（least absolute shrinkage and selection operator，LASSO）回歸模型篩選預測訓練集患者EVT治療后預后的DWI的影像組學特征，同時進行五折交叉驗證以優(yōu)化模型參數(shù)。而后，將篩選出的影像組學特征納入機器學習的支持向量機（support vector machine，SVM）算法進行建模。

1.4 統(tǒng)計學方法 應用SPSS 26.0統(tǒng)計學軟件進行數(shù)據(jù)分析。計量資料以（±s）表示，組間比較采用兩獨立樣本t檢驗；計數(shù)資料以相對數(shù)表示，組間比較采用χ2檢驗。LASSO回歸模型、SVM分類器分別采用“glmnet”“e1071”程序包完成。應用Sklearn（http：//scikit.learn.org/stable/）機器學習模塊的受試者工作特征（receiver operating characteristic，ROC）曲線評估預測模型對測試集患者EVT治療后預后的預測效能，計算曲線下面積（area under curve，AUC）、精準率、召回率、F1分數(shù)。

2 結果

2.1 影像組學特征的提取及篩選 通過訓練集患者EVT治療前及治療后的DWI中的ROI共提取2 632個特征，經(jīng)過相關分析后篩選出379個特征，經(jīng)單因素方差分析后篩選出97個特征，最后使用LASSO回歸模型篩選出12個特征，見圖1、表2。

圖1 2 632個影像組學特征的LASSO系數(shù)分布Figure 1 The distribution of LASSO coefficients of 2 632 radiomics

表2 篩選的預測急性腦卒中患者EVT治療后預后的影像組學特征Table 2 The radiomics screened for predicting the outcome of acute stroke patients after EVT therapy

2.2 急性腦卒中EVT治療后預后預測模型的預測效能基于訓練集患者篩選出的12個影像組學特征，通過機器學習SVM算法建立腦卒中患者EVT治療后預后的預測模型，ROC曲線分析結果顯示，該預測模型預測測試集患者EVT治療后預后的AUC為0.967〔95%CI（0.933，0.991）〕，精準率為0.955，召回率為0.957，F(xiàn)1分數(shù)為0.948，見圖2。

圖2 預測模型預測測試集患者EVT治療后預后的ROC曲線Figure 2 ROC curve of predicting model in predicting prognosis after EVT therapy of patients in test set

3 討論

目前臨床主要采用EVT治療急性缺血性腦卒中，其可快速開通閉塞的血管并恢復血流，但患者預后存在差異。因此，早期評估患者預后對指導臨床進行個性化治療具有重要的價值。既往研究表明，年齡、心房顫動、NIHSS評分等與腦卒中患者預后密切相關［8-10］。近年隨著神經(jīng)影像學的發(fā)展，DWI已作為重要的診斷工具廣泛應用于臨床［11］，治療前DWI顯示的梗死體積及最終梗死體積可預測腦卒中患者預后［3］，但該結論存在爭議。影像組學特征可反映圖像中的灰度分布和體素之間的相互關系，且可量化肉眼無法觀察的病變內(nèi)部的異質(zhì)性，從而利于疾病的識別和分類［12］。目前影像組學方法已用于腦卒中相關研究，如基于CT或MRI的影像組學特征識別急性腦梗死病灶［13-14］，尤其是基于MRI的影像組學特征可為早期腦梗死后認知障礙提供幫助［15］。但目前基于DWI的影像組學特征預測腦卒中患者EVT治療后預后的研究較少。因此，本研究基于急性腦卒中患者EVT治療前及治療后DWI的影像組學特征，結合機器學習SVM算法構建急性腦卒中患者EVT治療后預后的預測模型，并探討該預測模型的預測效能。

本研究結果顯示，與急性腦卒中患者EVT治療后預后相關的影像組學特征主要集中在一階特征、GLCM、GLDM、GLRLM、GLSZM、NGTDM方 面。其中GLCM可反映病變的同、異質(zhì)性，進而間接反映腦卒中異質(zhì)性改變對患者預后的影響。GLRLM可反映圖像紋理的方向性和粗糙程度等，具有方向性的紋理在某個角度可能會具有較長的游程，有助于微觀分析腦卒中紋理方向及粗糙程度與患者預后的關系。

DWI的高信號區(qū)域通常為核心梗死區(qū)，DWI異常區(qū)域中包含了部分缺血半暗帶組織，而缺血半暗帶組織通過及時有效的治療可部分或全部恢復。邱建博等［16］研究結果顯示，治療前DWI顯示的梗死體積預測腦卒中患者血管再通治療后預后的靈敏度和特異度分別為60.00%和95.65%，靈敏度較低；而治療后DWI顯示的梗死體積預測腦卒中患者血管再通治療后預后的靈敏度和特異度分別為80.00%和78.26%。RIBO等［17］認為，入院時梗死體積與最終梗死體積密切相關，可作為預測患者預后的影響因子。因此，結合治療前、治療后DWI顯示的梗死體積預測腦卒中患者EVT治療后預后可提高準確率。SVM是一個強大而有效的機器學習分類器，其構建了一個超平面，提供了最佳的分離邊界，可最大限度地分離高維物體和空間。本研究基于DWI的影像組學特征，結合機器學習構建急性腦卒中患者EVT治療后預后的預測模型，結果顯示，該預測模型預測測試集患者EVT治療后預后的AUC為0.967〔95%CI（0.933，0.991）〕，精準率為0.955，召回率為0.957，F(xiàn)1分數(shù)為0.948，明顯高于既往研究結果［16-17］。

綜上所述，基于治療前后DWI的影像組學特征及機器學習構建的急性腦卒中患者EVT治療后預后的預測模型具有較高的預測效能，可用于指導臨床進行個性化治療。但本研究仍存在一定的局限性：首先，本研究為單中心的回顧性研究，樣本量較小，存在分組不均衡的可能；其次，本研究未基于臨床資料結合影像組學特征進行機器學習；此外，本研究采用LASSO回歸模型篩選DWI的影像組學特征，并未與其他特征篩選法建立的模型進行比較，后期將進一步選擇不同方法構建模型，以選擇效能最優(yōu)的預測模型。

作者貢獻：朱紅梅進行文章的構思與設計；朱紅梅、周星帆進行研究的實施與可行性分析，撰寫、修訂論文；陳國中、謝光輝進行數(shù)據(jù)收集、整理、分析；彭明洋、王同興進行結果分析與解釋；周星帆負責文章的質(zhì)量控制及審校，并對文章整體負責、監(jiān)督管理。

本文無利益沖突。