基于DWI和灌注加權(quán)成像的機(jī)器學(xué)習(xí)預(yù)測急性腦卒中機(jī)械取栓后早期神經(jīng)功能惡化

王霞，彭明洋，王鵬，謝光輝，陳國中，王同興，陳云云

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(diǎn)。機(jī)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，但有高達(dá)35.2%的患者機(jī)械取栓后24 h內(nèi)發(fā)生早期神經(jīng)功能惡化(END)，導(dǎo)致預(yù)后不良[1]。以往的研究[2-4]顯示，梗死范圍增大、出血轉(zhuǎn)化及腦水腫等均可引起END。Jiang等[4]的灌注加權(quán)成像(PWI)相關(guān)研究顯示，較大的腦血流量更易發(fā)生END。Simonsen等[2]認(rèn)為，END可通過更大的灌注損傷來預(yù)測，但基于DWI和PWI的缺血半暗帶在預(yù)測END中的價值仍有待研究。近年來，機(jī)器學(xué)習(xí)成為醫(yī)學(xué)診療的研究熱點(diǎn)，其可綜合大數(shù)據(jù)影像資料，深度挖掘多維影像學(xué)信息，實(shí)現(xiàn)精準(zhǔn)診斷及預(yù)測[5]。然而目前基于DWI和PWI的機(jī)器學(xué)習(xí)在急性腦卒中END的評估中尚未見報道。本研究基于DWI和PWI圖像，采用影像組學(xué)方法獲取大量特征，旨在探討基于機(jī)器學(xué)習(xí)技術(shù)構(gòu)建急性腦卒中機(jī)械取栓后END的預(yù)測模型。

1 對象與方法

1.1 對象 收集2017年1月至2020年6月在南京市第一醫(yī)院就診的急性腦卒中患者300例，其中男191例，女109例，平均年齡(67.87±15.49)歲。納入標(biāo)準(zhǔn)：(1)年齡大于18歲；(2)發(fā)病時間為24 h以內(nèi)；(3)機(jī)械取栓治療前接受MRI(DWI+PWI)檢查；(4)接受機(jī)械取栓治療。排除標(biāo)準(zhǔn)：(1)顱內(nèi)出血、腫瘤或創(chuàng)傷；(2)MRI有運(yùn)動偽影圖像無法評估。END定義為機(jī)械取栓治療后24 h內(nèi)NIHSS評分較前增加≥4分或死亡。采用隨機(jī)分層抽樣的方法將上述300例患者隨機(jī)分為訓(xùn)練集210例，測試集90例。另以同樣入組標(biāo)準(zhǔn)及排除標(biāo)準(zhǔn)納入2017年1月至2020年6月在東南大學(xué)附屬中大醫(yī)院就診的急性腦卒中患者100例作為驗(yàn)證集，其中男60例，女40例，平均年齡(67.66±14.69)歲。

1.2 方法

1.2.1 MRI掃描方法 所有患者采用3.0 T MR掃描設(shè)備(Ingenia, Philips Medical Systems, Nether-lands)進(jìn)行檢查。掃描序列包括Flair、DWI、MRA、PWI。部分掃描參數(shù)如下：DWI采用自旋回波序列，TR 2 501 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 1 000 s/mm2；DSC-PWI采用梯度回波-回波平面序列，TR 2 000 ms，TE 30 ms，矩陣 96×93，F(xiàn)OV 224 mm×224 mm，F(xiàn)A 90°，層厚4 mm，持續(xù)時間 88 s。采用Medtron公司雙流高壓注射器Accutron MR經(jīng)右側(cè)肘前靜脈給藥[釓噴酸葡胺(Gd-DTPA，廣州康辰藥業(yè)有限公司)，濃度0.05 mmol/kg，流速4 ml/s]后掃描，每個定位掃描60次。

1.2.2 圖像分析方法

1.2.2.1 圖像分割 應(yīng)用RAPID軟件自動處理PWI圖像獲得Tmax圖進(jìn)行PWI圖像評估。圖像分割使用ITK-SNAP軟件(版本3.4.0，http://www.itksnap.org)，分別對DWI圖像上高信號區(qū)及PWI圖(Tmax圖)上灌注異常區(qū)進(jìn)行感興趣區(qū)(ROI)勾畫后合成3D ROI。所有ROI均由1名具有5年神經(jīng)影像診斷經(jīng)驗(yàn)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(yàn)的放射科醫(yī)師進(jìn)行核對。

1.2.2.2 圖像標(biāo)準(zhǔn)化 使用μ±3σ方法對ROI進(jìn)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3D插補(bǔ)技術(shù)對容積病灶進(jìn)行各項同性重采樣，以確保獲取3D特征的比例和方向保持不變。

1.2.2.3 特征計算 應(yīng)用A.K.軟件(分析版本1.0.3；美國GE Healthcare)對400例患者DWI圖像和Tmax圖像特征進(jìn)行提取，最終提取First Order、Shape、GLCM、GLSZM、GLRLM、NGTDM、GLIM等1 316個特征。

1.2.2.4 特征選擇、模型構(gòu)建和驗(yàn)證 應(yīng)用最低絕對收縮和選擇算子(LASSO)回歸模型篩選預(yù)測END的最佳影像組學(xué)特征，同時進(jìn)行五折交叉驗(yàn)證對模型參數(shù)進(jìn)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(jī)(SVM)機(jī)器學(xué)習(xí)算法進(jìn)行建模。SVM采用線性核，應(yīng)用五折交叉驗(yàn)證進(jìn)行模型訓(xùn)練，構(gòu)建基于DWI+PWI的預(yù)測卒中機(jī)械取栓后END的預(yù)測模型。然后應(yīng)用驗(yàn)證集數(shù)據(jù)對所構(gòu)建模型進(jìn)行驗(yàn)證，評估相應(yīng)模型的效能。

2 結(jié) 果

2.1 訓(xùn)練集、測試集和驗(yàn)證集三組間臨床資料的比較 見表1。210例訓(xùn)練集中END為94例，90例測試集中END為37例，100例驗(yàn)證集中END為40例。訓(xùn)練集、測試集及驗(yàn)證集三組間年齡、性別、入院NIHSS評分、發(fā)病至MRI檢查時間及發(fā)病至機(jī)械取栓時間的差異均無統(tǒng)計學(xué)意義(均P>0.05)

2.2 影像組學(xué)特征的提取及篩選 基于LASSO回歸模型，DWI和PWI圖像共提取2 632個影像組學(xué)特征，通過LASSO降維篩選出37個特征(表2)?；贚ASSO回歸模型，利用5折交叉驗(yàn)證中最優(yōu)的來選擇系數(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1。訓(xùn)練集及測試集熱圖見圖2。

表1 各數(shù)據(jù)集基本臨床特征比較[x±s,例(%)]組別END年齡(歲)性別(男)入院NIHSS評分(分)發(fā)病至MRI檢查時間(min)發(fā)病至機(jī)械取栓時間(min)訓(xùn)練集(n=210)94(44.76)68.74±15.08136(64.76)15.81±4.49222.37±77.64272.75±98.45測試集(n=90)37(41.11)63.38±11.1755(61.11)14.19±5.16238.15±87.29298.36±85.36驗(yàn)證集(n=100)40(40.00)67.66±14.6960(60.00)14.96±5.96219.86±79.25283.61±79.16統(tǒng)計值0.7550.3190.7910.693-2.418-4.531P值0.6860.7630.6730.4170.3690.469

表2 篩選的預(yù)測急性腦卒中機(jī)械取栓后預(yù)測END的最佳影像組學(xué)特征特征類別特征名稱一階特征四分位數(shù)(DWI)、峰度(DWI、PWI)、斜度(DWI、PWI)、均方根(PWI)、最大值(DWI)灰度依賴矩陣相關(guān)性非均勻歸一化(DWI、PWI)、相關(guān)性方差(PWI)、低相關(guān)性高灰度級重點(diǎn)(PWI)灰度共生矩陣特征相關(guān)性(DWI、PWI)、逆方差(DWI、PWI)、相關(guān)性信息測度(DWI)、最大相關(guān)系數(shù)(DWI、PWI)、簇狀陰影(DWI)灰度尺寸區(qū)域矩陣小面積高灰度級重點(diǎn)(DWI、PWI)、灰度不均勻歸一化(DWI)、大面積低灰度級重點(diǎn)(DWI、PWI)、低灰度區(qū)域重點(diǎn)(PWI)、灰度方差(PWI)、區(qū)域熵(DWI、PWI)灰度游程矩陣標(biāo)準(zhǔn)化游程不均勻度(DWI、PWI)、長游程重點(diǎn)(PWI)、長游程高灰度級重點(diǎn)(DWI、PWI)相鄰灰度差分矩陣對比度(DWI、PWI)、復(fù)雜度(DWI)、強(qiáng)度(PWI)

圖1 2 632個影像組學(xué)特征的LASSO系數(shù)分布圖

圖2 最佳影像學(xué)特征分布熱圖。A：訓(xùn)練集；B：測試集

2.3 急性腦卒中機(jī)械取栓后END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END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(jī)械取栓后END的AUC為0.987，靈敏度和特異度分別為0.945、0.958，準(zhǔn)確度為0.952；預(yù)測測試集患者機(jī)械取栓后END的AUC為0.981，靈敏度和特異度分別為0.918、0.916，準(zhǔn)確度為0.928(表3、圖3)。

表3 基于DWI+PWI預(yù)測急性腦卒中機(jī)械取栓治療后END預(yù)測模型的效能組別準(zhǔn)確度靈敏度特異度預(yù)測值陽性陰性AUC訓(xùn)練集0.9520.9450.9580.9450.9580.987測試集0.9280.9180.9160.9180.9160.981驗(yàn)證集0.8240.8250.8240.8160.8570.897

圖3 基于DWI+PWI預(yù)測急性腦卒中機(jī)械取栓后END的ROC曲線

2.4 急性腦卒中機(jī)械取栓后END預(yù)測模型驗(yàn)證 利用所構(gòu)建的模型，對驗(yàn)證集進(jìn)行驗(yàn)證以評估模型的效能。ROC曲線分析顯示，基于DWI+PWI的SVM分類器得出的預(yù)測驗(yàn)證集卒中患者機(jī)械取栓后END的AUC為0.897，靈敏度和特異度分別為0.825、0.824，準(zhǔn)確度為0.824(表3、圖3)。

3 討 論

最近的臨床試驗(yàn)[6-7]證明，機(jī)械取栓治療對于缺血性腦卒中是一種有效安全的再通方式。然而，研究[8]也顯示，相當(dāng)一部分患者功能預(yù)后較差(28.6%～67.4%)。影響預(yù)后不良的因素涉及多方面，其中END的發(fā)生與預(yù)后不良密切相關(guān)。因此，早期預(yù)測END對于快速評估給藥方法、治療方案制定及預(yù)后評估具有重要價值。以往的研究[3,9]顯示，NIHSS評分、糖尿病、心房顫動、全身麻醉、入院收縮壓等為END的預(yù)測因素。隨著神經(jīng)影像的發(fā)展，DWI和PWI技術(shù)已從基本的診斷工具擴(kuò)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[10-12]。本研究從DWI和PWI影像上提取了一系列影像組學(xué)特征，使用LASSO回歸模型篩選出與END相關(guān)的影像組織特征集，并基于所選特征建立SVM分類器模型。本研究發(fā)現(xiàn)該模型在訓(xùn)練后經(jīng)驗(yàn)證集驗(yàn)證對急性腦卒中機(jī)械取栓治療后END的預(yù)測具有較高的準(zhǔn)確度，同時在外院的測試集中實(shí)現(xiàn)了較高的泛化能力。

DWI上高信號區(qū)域通常為核心梗死區(qū)，PWI上灌注異常區(qū)域中包含了一部分可挽救的缺血半暗帶。以往的大量研究[2-3,9]認(rèn)為大血管病變、較大的灌注損傷、梗死體積增長等為END的影響因子，END的發(fā)生主要來源于缺血性梗死的生長，而不是出血。盡管這些研究表明一些影像學(xué)特征與END相關(guān)，但基于傳統(tǒng)的影像學(xué)參數(shù)的預(yù)測能力有限，目前基于DWI和PWI預(yù)測急性腦卒中機(jī)械取栓治療后END的研究仍存在爭議。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(diǎn)[13-14]。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(jìn)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[15]。LASSO回歸是變量選擇中的壓縮估計方法，已廣泛用于高維數(shù)據(jù)的降維和回歸分析[16]。本研究通過LASSO回歸模型，從2 632個特征參數(shù)中篩選出37個有鑒別價值的指標(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(shí)現(xiàn)特征篩選和防止過度擬合，在選擇交叉驗(yàn)證錯誤最小時的λ為最優(yōu)參數(shù)。

SVM是一個強(qiáng)大而有效的機(jī)器學(xué)習(xí)分類器，它構(gòu)建了一個超平面，提供了最佳的分離邊界，以最大限度地分離高維物體、空間。本研究通過SVM構(gòu)建模型發(fā)現(xiàn)，訓(xùn)練集和驗(yàn)證集中，基于DWI+PWI預(yù)測急性腦卒中機(jī)械取栓后END的AUC分別為0.987和0.981，其準(zhǔn)確度達(dá)0.952、0.928。Sung等[17]研究顯示結(jié)合臨床和神經(jīng)影像學(xué)信息的機(jī)器學(xué)習(xí)算法(Bootstrap決策樹、Bootstrap決策林、深度神經(jīng)網(wǎng)絡(luò)和邏輯回歸分析)可用于預(yù)測急性輕微卒中患者的END，具有較高的準(zhǔn)確度(ACC=0.966)。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。此外，本研究為了驗(yàn)證預(yù)測模型的泛化能力，從其他中心收集100例同樣入組條件的急性腦卒中患者作為測試集，應(yīng)用所建模型對測試集進(jìn)行測試，結(jié)果顯示基于DWI+PWI的模型預(yù)測卒中機(jī)械取栓后END的效能較好，其準(zhǔn)確率與驗(yàn)證集相仿，達(dá)0.824。由此可見，基于DWI+PWI預(yù)測急性腦卒中機(jī)械取栓后END的模型具有較好的泛化能力。

本研究仍存在一定的局限性。首先，本研究為回顧性研究，為保證兩組樣本均衡，樣本量選擇時存在一定的偏倚。其次，患者樣本量有限，后期需積累更多樣本進(jìn)一步提高模型的準(zhǔn)確度。另外，機(jī)器學(xué)習(xí)的特征選擇方法較多，本研究采用LASSO回歸法進(jìn)行篩選，并未比較其他特征篩選法所建模型的差異，后期需進(jìn)一步選擇不同的方法比較模型的效能，以選擇最優(yōu)效能，適合臨床應(yīng)用的模型。

綜上所述，基于機(jī)器學(xué)習(xí)技術(shù)對DWI和PWI圖像進(jìn)行預(yù)測學(xué)習(xí)，能夠較為精確的預(yù)測急性腦卒中機(jī)械取栓后END，為臨床后續(xù)干預(yù)治療及預(yù)后評估提供依據(jù)。

利益沖突：所有患者均聲明不存在利益沖突