基于彌散加權(quán)成像的影像組學(xué)和機(jī)器學(xué)習(xí)預(yù)測急性缺血性腦卒中預(yù)后

唐太松，吳麗霞，熊巧玲

（云南省滇南中心醫(yī)院〈紅河州第一人民醫(yī)院〉醫(yī)學(xué)影像科 云南 蒙自 661199）

急性缺血性腦卒中會導(dǎo)致腦組織缺血缺氧，繼而發(fā)生腦組織壞死軟化[1]。急性缺血性腦卒中患者預(yù)后取決于許多因素，包括組織類型、缺血持續(xù)時間與嚴(yán)重程度、腦微出血灶、患者年齡及已患病情況[2-3]。影像組學(xué)通過提取、分析影像特征獲得相對客觀的定量信息，更全面、透徹地了解病變情況。本研究針對急性缺血性卒中患者，旨在探討基于DWI的影像組學(xué)特征預(yù)測患者預(yù)后情況的價(jià)值。

1 資料與方法

1.1 一般資料

選取2018年 1月—2020年12月云南省滇南中心醫(yī)院符合標(biāo)準(zhǔn)的232名患者。其中，男149例，女83例；年齡29～96歲（62.18±12.43）歲。納入標(biāo)準(zhǔn)：①發(fā)病至完成磁共振檢查時間小于24 h；②診斷符合第4屆全國腦血管病會議制定的腦梗死診斷標(biāo)準(zhǔn)；③前循環(huán)梗死；④初次發(fā)病患者；⑤經(jīng)機(jī)械取栓或溶栓治療。排除標(biāo)準(zhǔn)：①心房顫動、惡性腫瘤患者；②嚴(yán)重心、肝、肺、腎功能不全患者；③DWI圖像質(zhì)量差；④無患者預(yù)后信息。

1.2 方法

所有患者采用GE Signa HDXT 1.5T磁共振掃描儀進(jìn)行腦部MRI掃描。彌散加權(quán)成像（DWI）掃描參數(shù)：TR=4 800 ms，TE=82 ms，NEX=1，F(xiàn)OV=24 cm×24 cm，層間距1 mm，層厚5.5 mm。MRI DWI序列圖像以DICOM格式從PACS下載到PC。

1.3 觀察指標(biāo)

記錄患者的年齡、性別、ASPECTS評分、梗死總體積、病灶是否累及白質(zhì)、是否累及皮質(zhì)脊髓束、是否區(qū)域性病灶（直徑＞2 cm的梗死灶）。

1.4 影像組學(xué)特征提取

由醫(yī)學(xué)影像科主治醫(yī)師使用開源軟件3D slicer對DWI圖像所有層面的ROI進(jìn)行圖像分割勾畫出梗死灶；使用SlicerRadiomics獲得影像組學(xué)特征（圖1）。本研究影像組學(xué)特征共提取形狀特征（shape）、一階特征（firstorder）、灰度共生矩陣特征（gray level cooccurrence matrix，GLCM）、灰度相關(guān)矩陣特征（gray level dependence matrix，GLDM）、灰度游程矩陣特征（gray level run length matrix，GLRLM）、灰度區(qū)域大小矩陣特征（gray level size zone matrix，GLSZM）、鄰域灰度差矩陣特征（neighborhood gray-tone difference matrix，NGTDM）7個特征簇，共107個特征參數(shù)。

圖1 研究的工作流程圖

1.5 預(yù)后評價(jià)標(biāo)準(zhǔn)

采用改良Rankin量表（mRS）對患者神經(jīng)功能恢復(fù)情況進(jìn)行評估。發(fā)病第90天mRS評分為0～2分，定義為預(yù)后良好。發(fā)病第90天mRS評分為3～6分，則定義為預(yù)后不良。

1.6 影像組學(xué)特征篩選及模型構(gòu)建、評估

運(yùn)用Rstudio 2021.09.1 Build372軟件對影像組學(xué)數(shù)據(jù)進(jìn)行處理。通過LASSO回歸和5折交叉驗(yàn)證篩選預(yù)測效能佳的影像組學(xué)特征建立預(yù)測模型。篩選出的影像組學(xué)特征納入支持向量機(jī)（SVM）并測試基于DWI預(yù)測急性缺血性腦卒中患者預(yù)后的預(yù)測模型。以預(yù)測準(zhǔn)確率為評判標(biāo)準(zhǔn)評估預(yù)測模型診斷效能，通過模型改進(jìn)找到最優(yōu)模型。

1.7 統(tǒng)計(jì)學(xué)方法

采用SPSS 23.0統(tǒng)計(jì)軟件進(jìn)行數(shù)據(jù)分析。計(jì)量資料以均數(shù)±標(biāo)準(zhǔn)差（）表示，行t檢驗(yàn)；計(jì)數(shù)資料以頻數(shù)（n）、百分比（%）表示，行χ2檢驗(yàn)。P＜0.05為差異有統(tǒng)計(jì)學(xué)意義。

2 結(jié)果

2.1 患者預(yù)后情況

232例患者中，預(yù)后良好165例（71.1%），預(yù)后不良67例（28.9%）。

2.2 患者一般資料

患者的臨床資料見表1。兩組患者ASPECTS評分、梗死累及白質(zhì)、梗死累及皮質(zhì)脊髓束、區(qū)域性病灶、梗死總體積比較差異有統(tǒng)計(jì)學(xué)意義（P＜0.05）。兩組患者年齡、性別差異無統(tǒng)計(jì)學(xué)意義（P＞0.05）。

表1 預(yù)后良好組與預(yù)后不良組患者各變量結(jié)果比較

2.3 影像組學(xué)特征建立

107個特征參數(shù)經(jīng)過獨(dú)立樣本t檢驗(yàn)得到68個特征參數(shù)（圖2）。再經(jīng)過單因素Logistics回歸分析、LASSO回歸和5折交叉驗(yàn)證篩選出預(yù)測效能最高的11 個特征參數(shù)（表2）。基于LASSO回歸模型，利用5折交叉驗(yàn)證中最優(yōu)λ來選擇系數(shù)非零的最優(yōu)影像組學(xué)特征（圖3）。

圖2 68個影像組學(xué)特征的回歸系數(shù)分布

圖3 5折交叉驗(yàn)證中回歸系數(shù)分布

表2 預(yù)測急性腦卒中預(yù)后的最優(yōu)影像組學(xué)特征

2.4 預(yù)測模型驗(yàn)證

運(yùn)用支持向量機(jī)算法（SVM），采用線性核函數(shù)，將數(shù)據(jù)按0.7：0.3分為訓(xùn)練集、測試集?；贒WI的模型訓(xùn)練集AUC、準(zhǔn)確率、敏感度、特異度分別為0.901、0.865、0.745、0.914?；贒WI的模型測試集AUC、準(zhǔn)確率、敏感度、特異度分別為0.854、0.7971、0.450、0.939（圖4）。

圖4 基于DWI預(yù)測急性缺血性腦卒中預(yù)后的ROC曲線

3 討論

近年來急性缺血性腦卒中發(fā)病率逐漸升高，對社會、家庭造成沉重負(fù)擔(dān)[4-5]。早期預(yù)測患者預(yù)后可盡早進(jìn)行相應(yīng)干預(yù)及康復(fù)治療，使患者在治療中獲得更高獲益[6]。

基于傳統(tǒng)影像學(xué)參數(shù)預(yù)測缺血性腦卒中的能力有限。大面積腦梗死一般預(yù)示預(yù)后不良，具有較高致殘率、病死率[7-8]。CT灌注成像中使用灰質(zhì)、白質(zhì)組織特異性閾值可提高預(yù)測預(yù)后準(zhǔn)確性[9]。梗死局限于灰質(zhì)比累及白質(zhì)者預(yù)后更好[10]。白質(zhì)梗死、皮質(zhì)脊髓束累及常預(yù)示預(yù)后不良[11-12]。

影像組學(xué)可以提取出大量影像組學(xué)特征，從而將醫(yī)學(xué)圖像轉(zhuǎn)換為定量數(shù)據(jù)，充分高效利用影像學(xué)檢查[13]。影像組學(xué)數(shù)據(jù)在對腦梗死進(jìn)行診斷、評估、預(yù)后預(yù)測等方面具有巨大潛能。本研究提取107個影像組學(xué)特征，高維數(shù)據(jù)的降維和回歸分析運(yùn)用LASSO回歸分析[14]。SVM是一種基于結(jié)構(gòu)化風(fēng)險(xiǎn)最小化準(zhǔn)則的機(jī)器學(xué)習(xí)方法，最常用和適用的場景是二分類。本研究運(yùn)用SVM構(gòu)建預(yù)測急性缺血性腦卒中預(yù)后預(yù)測模型。

本研究局限性：①樣本量較小，需擴(kuò)大樣本量進(jìn)一步驗(yàn)證；②人工圖像分割存在一定不準(zhǔn)確性，未來可以嘗試全自動分割方法[15]；③梗死體積呈偏態(tài)分布，限制了結(jié)果對大面積梗死的適用性。

綜上所述，基于DWI的SVM構(gòu)建的急性缺血性腦卒中患者預(yù)后預(yù)測模型，能夠較準(zhǔn)確地預(yù)測患者預(yù)后，為臨床進(jìn)行相應(yīng)干預(yù)及康復(fù)治療提供依據(jù)。