顱內(nèi)磁共振血管壁成像質(zhì)量對(duì)影像組學(xué)模型鑒別癥狀性斑塊的影響

趙海燕,彭雯佳,陳玉坤,王爍,王皓冉,張雪鳳,陳錄廣,陸建平

顱內(nèi)動(dòng)脈粥樣硬化性疾病是缺血性腦卒中的主要病因之一[1],對(duì)該疾病的影像學(xué)評(píng)估至關(guān)重要。傳統(tǒng)的血管成像方法雖然能夠評(píng)估管腔狹窄程度,但無(wú)法直觀地評(píng)價(jià)血管壁,因此這些技術(shù)很容易忽略細(xì)微的動(dòng)脈粥樣硬化斑塊等病變。高分辨磁共振血管壁成像(magnetic resonance vessel wall imaging,MR-VWI)已逐漸被用于評(píng)估顱內(nèi)動(dòng)脈粥樣硬化斑塊特征,如形態(tài)、成分及其易損性,對(duì)于腦血管病的危險(xiǎn)分層和指導(dǎo)治療具有重要的參考價(jià)值[2,3]。目前,基于MR-VWI圖像數(shù)據(jù)的影像組學(xué)方法在對(duì)顱內(nèi)動(dòng)脈責(zé)任斑塊和腦卒中復(fù)發(fā)預(yù)測(cè)方面也有較大潛力[4]。然而,在臨床實(shí)踐中,由于不適當(dāng)?shù)膾呙柙O(shè)置或患者運(yùn)動(dòng),MR-VWI圖像質(zhì)量并不總是很好。本研究擬通過(guò)因圖像質(zhì)量不佳而重復(fù)掃描的數(shù)據(jù)篩選出對(duì)圖像質(zhì)量比較敏感的影像組學(xué)特征,并根據(jù)不同圖像質(zhì)量數(shù)據(jù)構(gòu)建癥狀性斑塊預(yù)測(cè)模型,探討MR-VWI的圖像質(zhì)量對(duì)影像組學(xué)分析的影響。

材料與方法

1.一般資料

本研究的第一部分,回顧性搜集2019年1月至2022年11月在海軍軍醫(yī)大學(xué)第一附屬醫(yī)院放射診斷科行顱內(nèi)動(dòng)脈MR-VWI檢查的病例,納入標(biāo)準(zhǔn):①因技師掃描當(dāng)時(shí)發(fā)現(xiàn)某個(gè)管壁成像序列的圖像質(zhì)量不佳而當(dāng)即重復(fù)掃描該序列的病例;②顱內(nèi)動(dòng)脈粥樣硬化狹窄者。排除標(biāo)準(zhǔn):①非動(dòng)脈粥樣硬化性顱內(nèi)動(dòng)脈狹窄;②檢查前曾行顱內(nèi)動(dòng)脈開放性或介入手術(shù)治療者。

本研究的第二部分,回顧性搜集2020年8月至2021年7月在海軍軍醫(yī)大學(xué)第一附屬醫(yī)院放射診斷科行顱內(nèi)動(dòng)脈MR-VWI檢查的病例。納入標(biāo)準(zhǔn):①顱內(nèi)動(dòng)脈粥樣硬化狹窄者;②MR-VWI發(fā)現(xiàn)一個(gè)或多個(gè)動(dòng)脈粥樣硬化斑塊,至少一個(gè)斑塊位于大腦中動(dòng)脈的M1段或M2段近端、或椎動(dòng)脈顱內(nèi)段或基底動(dòng)脈且斑塊負(fù)荷>40%;③年齡≥18歲。排除標(biāo)準(zhǔn):①非動(dòng)脈粥樣硬化性顱內(nèi)動(dòng)脈狹窄;②未見顱內(nèi)動(dòng)脈異常;③檢查前曾行顱內(nèi)動(dòng)脈開放性或介入手術(shù)治療者;④MR檢查序列不全者,包括缺少同期的腦組織DWI序列。據(jù)患者臨床表現(xiàn)和腦組織DWI結(jié)果,把納入的患者分為有癥狀和無(wú)癥狀兩類[5],有癥狀的含義是DWI顯示新發(fā)腦梗死且梗死灶對(duì)應(yīng)責(zé)任斑塊的供血區(qū)或腦缺血病程≤12周患者,無(wú)癥狀患者為DWI無(wú)新發(fā)梗死,并且無(wú)腦缺血相關(guān)癥狀或病程>12周。

2.儀器與方法

采用德國(guó)西門子Skyra 3.0T MR及20通道頭頸聯(lián)合線圈進(jìn)行掃描。三維(three dimensional,3D)MR管壁成像序列采用失狀面空間和化學(xué)位移編碼激發(fā)(spatial and chemical-shift encoded excitation,SPACE)的T1WI序列(以下簡(jiǎn)稱3D SPACE T1WI),參數(shù):TR 900 ms,TE 5.6 ms,視野180 mm×180 mm,矩陣360×360,層厚0.6 mm,層間距0 mm,層數(shù)208,回波鏈長(zhǎng)度60,空間分辨率0.5 mm×0.5 mm,掃描時(shí)間7分41秒。3D SPACE T1WI的增強(qiáng)掃描前通過(guò)肘靜脈注入釓對(duì)比劑(Gadovist,1.5 mmol/kg)。二維(two dimensional,2D)MR管壁成像采用黑血T2WI快速自旋回波(turbo spin echo,TSE)序列(以下簡(jiǎn)稱2D TSE T2WI),掃描方向垂直于單側(cè)大腦中動(dòng)脈的水平段或基底動(dòng)脈,參數(shù):TR 2890 ms,TE 46 ms,視野100 mm×100 mm,矩陣256×320,層厚2 mm,層間距0.5 mm,層數(shù)15,回波鏈長(zhǎng)度20,激勵(lì)次數(shù)6,空間分辨率0.39 mm×0.31 mm,掃描時(shí)間3分40秒。掃描順序依次是3D SPACE T1WI平掃、3D SPACE T1WI增強(qiáng)以及2D TSE T2WI序列。

3.圖像質(zhì)量評(píng)價(jià)

據(jù)MR-VWI序列對(duì)斑塊所在血管壁顯示的清晰程度,對(duì)圖像質(zhì)量進(jìn)行評(píng)分(圖1):1分,無(wú)法分辨血管壁;2分,血管壁可見,邊緣明顯模糊;3分,血管壁可見,局部邊緣輕中度模糊;4分,血管壁可見,邊緣清晰銳利,可能局部管壁結(jié)構(gòu)輕微模糊。同一個(gè)斑塊在不同管壁成像序列的評(píng)分,取其中得分最低者作為該斑塊的最終得分。圖像質(zhì)量的評(píng)定由兩位高年資放射科醫(yī)生(分別從事血管疾病影像研究12年和10年)獨(dú)立進(jìn)行評(píng)分,若存在分歧由兩位醫(yī)生協(xié)商決定。

圖1 顱內(nèi)MR-VWI圖像質(zhì)量評(píng)分圖例。3D SPACE T1WI平掃對(duì)右側(cè)大腦中動(dòng)脈M1段血管壁的顯示(黃色方框內(nèi)),評(píng)分依次為1～4分。a) 1分; b) 2分; c) 3分; d) 4分。

4.影像組學(xué)分析

斑塊勾畫與分類:利用開源軟件ITK-SNAP(version 3.8.0,www.itksnap.org)對(duì)3個(gè)MR序列分別勾畫目標(biāo)血管的管腔和管壁輪廓,兩個(gè)輪廓之間的區(qū)域包含管壁和斑塊、作為感興趣區(qū)(region of interest,ROI)。對(duì)于有癥狀患者,選擇癥狀側(cè)的責(zé)任動(dòng)脈最狹窄一層進(jìn)行勾畫,歸類為癥狀性斑塊;若有癥狀患者的非責(zé)任動(dòng)脈也存在狹窄,亦選擇該非責(zé)任動(dòng)脈最狹窄一層勾畫,歸類為無(wú)癥狀斑塊。對(duì)于無(wú)癥狀患者,在顱內(nèi)動(dòng)脈的最狹窄一層勾畫,歸類為無(wú)癥狀斑塊。由一位放射科醫(yī)生勾畫,另一位高年資放射科醫(yī)生對(duì)勾畫的ROI進(jìn)行審核和修正。

篩選不穩(wěn)定特征:使用PyRadiomics開源庫(kù)(version 3.0.1,https://github.com/AIM-Harvard/pyradiomics)在MR-VWI的3D SPACE T1WI平掃和增強(qiáng)序列以及2D TSE T2WI序列中提取的斑塊ROI進(jìn)行影像組學(xué)特征分析。在第一部分中通過(guò)比較同一例患者同一次MR-VWI檢查中同一個(gè)序列前后兩次重復(fù)掃描的斑塊影像組學(xué)特征的原始值,若其差異有顯著性表示該特征不穩(wěn)定,即該影像組學(xué)特征易受圖像質(zhì)量的影響。本研究中擬納入100個(gè)較常用的影像組學(xué)特征用于后續(xù)特征提取,其中形狀特征9個(gè),一階梯度特征18個(gè),紋理特征73個(gè)。

構(gòu)建預(yù)測(cè)模型:首先,在第二部分中通過(guò)納入的所有數(shù)據(jù)(無(wú)論圖像質(zhì)量?jī)?yōu)劣)基于影像組學(xué)特征構(gòu)建癥狀性斑塊的預(yù)測(cè)模型(模型A)。然后,基于與模型A相同的圖像數(shù)據(jù),提前將所有不穩(wěn)定特征剔除,再基于所有穩(wěn)定特征進(jìn)一步構(gòu)建癥狀性斑塊的預(yù)測(cè)模型(模型B)。最后,在第二部分納入的病例中剔除圖像質(zhì)量較低者(1分和2分),再次構(gòu)建癥狀性斑塊的預(yù)測(cè)模型(模型C)。

預(yù)測(cè)模型構(gòu)建過(guò)程中的特征選擇將采用LASSO(Least Absolute Shrinkage and Selection Operator)回歸算法,公式如下:

(1)

其中α為正則化項(xiàng)系數(shù),x和y分別為輸入特征和金標(biāo)準(zhǔn)標(biāo)簽,m為樣本總量。該算法通過(guò)L1正則化使得某些特征的權(quán)重為0,從而達(dá)到特征稀疏化,實(shí)現(xiàn)特征選擇。本研究使用訓(xùn)練數(shù)據(jù)估計(jì)每個(gè)特征對(duì)應(yīng)的LASSO權(quán)重系數(shù),權(quán)重系數(shù)的絕對(duì)值越高代表特征重要性越高。本研究根據(jù)LASSO權(quán)重系數(shù)的絕對(duì)值從高到低排序,優(yōu)先選擇LASSO系數(shù)絕對(duì)值高的特征。

在數(shù)據(jù)集劃分方面,本研究將使用5折交叉驗(yàn)證的方法進(jìn)行模型訓(xùn)練,即以7:3的比例將勾畫的斑塊數(shù)據(jù)隨機(jī)劃分為訓(xùn)練集與測(cè)試集。本研究使用SMOTE算法對(duì)訓(xùn)練集中的陽(yáng)性樣本進(jìn)行插值,產(chǎn)生額外的陽(yáng)性樣本以緩解類不平衡問(wèn)題。另外,將隨機(jī)森林(random forest,RF)方法作為機(jī)器學(xué)習(xí)的分類算法。

5.統(tǒng)計(jì)學(xué)分析

統(tǒng)計(jì)分析與作圖采用 MedCalc 15.2.2(MedCalc Software Ltd.,Ostend, Belgium)和 Matplotlib (version 3.7.1,https://github.com/matplotlib/matplotlib)進(jìn)行。重復(fù)掃描影像組學(xué)特征的比較,據(jù)數(shù)據(jù)是否服從正態(tài)分布,采用Wilcoxon符號(hào)秩和檢驗(yàn)?；谟跋窠M學(xué)特征的癥狀性斑塊的預(yù)測(cè)模型的診斷效能采用受試者工作特征曲線(receiver operator characteristic curve,ROC曲線)進(jìn)行分析,診斷效能高低主要通過(guò)曲線下面積(area under ROC curve,AUC)體現(xiàn),其他表示診斷性能的指標(biāo)包括準(zhǔn)確度、靈敏度、特異度以及F1分?jǐn)?shù)。采用Delong檢驗(yàn)比較AUC之間的差異。P<0.05為差異具有統(tǒng)計(jì)學(xué)意義。

結(jié) 果

1.一般資料

第一部分,一共搜集到24例因圖像質(zhì)量不佳而即刻重復(fù)掃描的病例,其中3D SPACE T1WI的平掃和增強(qiáng)序列重復(fù)掃描各7例,2D TSE T2WI序列重復(fù)掃描有10例。第二部分,有102例患者的120個(gè)斑塊納入本部分研究,其中無(wú)癥狀患者51例,有癥狀患者51例。無(wú)癥狀斑塊69個(gè),包含51例無(wú)癥狀患者的51個(gè)無(wú)癥狀斑塊和18例多發(fā)狹窄的有癥狀患者的18個(gè)無(wú)癥狀斑塊。癥狀性斑塊51個(gè),包含33例單發(fā)狹窄的有癥狀患者的33個(gè)癥狀性斑塊和18例多發(fā)狹窄的有癥狀患者的18個(gè)癥狀性斑塊。

2.圖像質(zhì)量評(píng)價(jià)

第一部分,7例3D SPACE T1WI平掃序列中第一次掃描1分至4分的數(shù)量依次是1個(gè)、2個(gè)、2個(gè)以及2個(gè);第二次掃描1分至4分的數(shù)量依次是0個(gè)、3個(gè)、2個(gè)以及2個(gè)。7例3D SPACE T1WI增強(qiáng)序列中,第一次掃描1分至4分的數(shù)量依次是4個(gè)、2個(gè)、1個(gè)以及0個(gè);第二次掃描1分至4分的數(shù)量依次是3個(gè)、2個(gè)、0個(gè)以及2個(gè)。10例2D TSE T2WI序列中,第一次掃描1分至4分的數(shù)量依次是1個(gè)、3個(gè)、3個(gè)以及3個(gè);第二次掃描1分至4分的數(shù)量依次是0個(gè)、0個(gè)、6個(gè)以及4個(gè)。

第二部分,69個(gè)無(wú)癥狀斑塊中1分至4分的數(shù)量依次是1個(gè)、2個(gè)、25個(gè)以及41個(gè)。51個(gè)癥狀性斑塊中1分至4分的數(shù)量依次是1個(gè)、3個(gè)、16個(gè)以及31個(gè)。

3.篩選出的不穩(wěn)定影像組學(xué)特征

比較同一個(gè)序列重復(fù)掃描的斑塊影像組學(xué)特征,發(fā)現(xiàn)3D SPACE T1WI序列的形狀特征和一階梯度特征均無(wú)明顯差異(P>0.05);紋理特征中有1個(gè)差異有顯著性(P=0.027),不穩(wěn)定特征占比為1/73。3D SPACE T1WI增強(qiáng)序列的形狀特征中有3個(gè)差異有顯著性(P<0.05),不穩(wěn)定特征占3/9;一階梯度特征中有2個(gè)差異有顯著性(P<0.05),不穩(wěn)定特征占2/18;紋理特征中17個(gè)差異有顯著性,不穩(wěn)定特征占17/73。2D TSE T2WI序列的形狀特征中有2個(gè)差異有顯著性(P<0.05),不穩(wěn)定特征占2/9;一階梯度特征中有2個(gè)差異有顯著性(P<0.05),不穩(wěn)定特征占2/18;紋理特征中19個(gè)差異有顯著性(P<0.05),不穩(wěn)定特征占19/73(表1)。

表1 通過(guò)比較重復(fù)掃描的斑塊影像組學(xué)特征篩選的不穩(wěn)定特征

4.癥狀性斑塊的預(yù)測(cè)模型

模型A的訓(xùn)練集有84個(gè)斑塊,包含37個(gè)癥狀性斑塊和47個(gè)無(wú)癥狀斑塊;測(cè)試集有36個(gè)斑塊,包含14個(gè)癥狀性斑塊和22個(gè)無(wú)癥狀斑塊。測(cè)試集的AUC為0.708±0.022(圖2,表2)。模型A篩選出的對(duì)癥狀性斑塊有診斷價(jià)值的影像組學(xué)特征有8個(gè),與第一部分篩選出的易受圖像質(zhì)量影像的不穩(wěn)定特征比對(duì),其中有3個(gè)特征是不穩(wěn)定特征,分別是3D SPACE T1WI增強(qiáng)序列的形狀特征中的T1C_original_shape2D_MaximumDiameter、2D TSE T2WI序列的紋理特征中的T2_original_glcm_DifferenceAverage以及T2_original_ngtdm_Contrast。

模型B同樣基于第二部分納入的全部圖像,即訓(xùn)練集和測(cè)試集均與模型A相同,但剔除了所有不穩(wěn)定特征,得到測(cè)試集的AUC為0.740±0.007(圖2,表2),模型B和模型A的AUC差異無(wú)統(tǒng)計(jì)學(xué)意義(P=0.480),篩選出的對(duì)癥狀性斑塊有診斷價(jià)值的影像組學(xué)特征有7個(gè)。

在第二部分納入的圖像中剔除圖像質(zhì)量較差(1分的2個(gè),2分的5個(gè))的7個(gè)斑塊,構(gòu)建模型C,其訓(xùn)練集有79個(gè)斑塊,包含34個(gè)癥狀性斑塊和45個(gè)無(wú)癥狀斑塊;測(cè)試集有34個(gè)斑塊,包含13個(gè)癥狀性斑塊和21個(gè)無(wú)癥狀斑塊。測(cè)試集的AUC為0.758±0.013(圖2,表2),模型C預(yù)測(cè)顱內(nèi)癥狀性斑塊的AUC高于模型A(P=0.002)和模型B(P=0.005)。模型C篩選出的對(duì)癥狀性斑塊有診斷價(jià)值的影像組學(xué)特征有8個(gè),與第一部分篩選出的不穩(wěn)定特征比對(duì),這些特征均為穩(wěn)定特征。模型A、模型B和模型C所提取的影像組學(xué)特征名稱及其重要性排序分別見圖3～5。

討 論

基于高場(chǎng)強(qiáng)(3.0 T及以上)MRI的高分辨MR-VWI可以檢測(cè)顱內(nèi)狹窄性和非狹窄性血管壁病變,過(guò)去十余年越來(lái)越多地用于顱內(nèi)動(dòng)脈粥樣硬化疾病的研究,并逐步應(yīng)用于臨床診斷,現(xiàn)已成為最先進(jìn)的無(wú)創(chuàng)性顯示活體顱內(nèi)斑塊的檢測(cè)手段[6-10]。通過(guò)MR-VWI技術(shù)可以鑒別顱內(nèi)動(dòng)脈狹窄的病因,識(shí)別斑塊形態(tài)學(xué)特征,量化斑塊負(fù)荷和重構(gòu)模式,判別斑塊位置及其與分支或穿支開口的關(guān)系等,對(duì)腦卒中進(jìn)行病因檢測(cè)和危險(xiǎn)程度分層,對(duì)指導(dǎo)血管內(nèi)治療或藥物治療隨訪等方面具有重要的參考價(jià)值[11-13]。然而,由于顱內(nèi)動(dòng)脈管徑及其斑塊相對(duì)微小,受限于目前的成像分辨率和技術(shù)方法,對(duì)斑塊成分和形態(tài)的解釋比較主觀(難以獲得病理印證),斑塊的量化分析也需要經(jīng)驗(yàn)豐富的醫(yī)生才能確保測(cè)量的準(zhǔn)確性,使得對(duì)顱內(nèi)斑塊的易損性評(píng)估具有挑戰(zhàn)性,迫切需要一種客觀可重復(fù)的定量方法來(lái)評(píng)估癥狀性顱內(nèi)斑塊的特征。

影像組學(xué)運(yùn)用自動(dòng)化數(shù)據(jù)特征提取算法,從醫(yī)學(xué)影像中提取并量化海里特征數(shù)據(jù),進(jìn)一步對(duì)其進(jìn)行技術(shù)分析,從而對(duì)臨床決策做出指導(dǎo),被廣泛地應(yīng)用于腫瘤診斷、分期和療效預(yù)測(cè)領(lǐng)域[14]。近年來(lái),影像組學(xué)也逐步應(yīng)用于動(dòng)脈粥樣硬化疾病的研究。Shi等[15]基于2D MR-VWI的斑塊結(jié)構(gòu)影像組學(xué)分析能夠準(zhǔn)確區(qū)分急性癥狀性和無(wú)癥狀的基底動(dòng)脈斑塊;隨后該團(tuán)隊(duì)基于2D管壁成像技術(shù)對(duì)顱內(nèi)大腦中動(dòng)脈和基底動(dòng)脈的粥樣斑塊進(jìn)行研究[5],發(fā)現(xiàn)斑塊的直方圖分析中信號(hào)強(qiáng)度的離散度可以有效地預(yù)測(cè)顱內(nèi)責(zé)任斑塊。何建風(fēng)等[16]對(duì)顱內(nèi)前、后循環(huán)動(dòng)脈粥樣硬化斑塊的研究發(fā)現(xiàn)兩組的危險(xiǎn)因素、常規(guī)MR管壁特征及影像組學(xué)特征存在顯著差異,且影像組學(xué)的特征差異較常規(guī)影像特征更多見。Tang等[17]通過(guò)對(duì)3D磁共振管壁成像的斑塊影像組學(xué)研究,發(fā)現(xiàn)影像組學(xué)特征有助于預(yù)測(cè)癥狀性顱內(nèi)動(dòng)脈粥樣硬化狹窄患者的卒中復(fù)發(fā)。最近,李紅霞等[18]基于3D MR-VWI的顱內(nèi)斑塊影像組學(xué)模型可有效預(yù)測(cè)混合型缺血性卒中機(jī)制,研究提示混合型卒中機(jī)制患者的顱內(nèi)斑塊具有更高的強(qiáng)化比率。張歸玲等[19]研究發(fā)現(xiàn)影像組學(xué)模型在識(shí)別大腦中動(dòng)脈責(zé)任斑塊的效能高于臨床影像學(xué)特征,尤其是增強(qiáng)后3D MR-VWI影像組學(xué)模型較平掃模型在識(shí)別責(zé)任斑塊方面的效果更好。與傳統(tǒng)視覺(jué)影像特征相比,影像組學(xué)對(duì)挖掘顱內(nèi)粥樣斑塊的深度信息具有重要價(jià)值,這為研究腦血管病發(fā)病機(jī)制及治療策略提供了新的方法與思路[4]。

影像組學(xué)的處理流程可以概括為搜集醫(yī)學(xué)影像數(shù)據(jù)、根據(jù)特定任務(wù)在圖像中勾畫ROI、在ROI內(nèi)提取大量特征并降維、構(gòu)建預(yù)測(cè)模型并進(jìn)行分類預(yù)測(cè)。不難假設(shè),如果提供給影像組學(xué)分析的醫(yī)學(xué)圖像質(zhì)量不佳,那么構(gòu)建的預(yù)測(cè)模型恐怕是不準(zhǔn)確的。臨床實(shí)踐中由于成像設(shè)備硬件的參數(shù)、成像序列的設(shè)計(jì)以及被掃描者的依從性等多種因素,皆對(duì)圖像質(zhì)量造成影響。對(duì)顱內(nèi)動(dòng)脈MR-VWI圖像質(zhì)量的嚴(yán)格控制,是放射醫(yī)生和臨床醫(yī)生對(duì)腦血管疾病做出正確診斷和治療決策的有力保障[7];特別是在影像組學(xué)和人工智能時(shí)代,良好的圖像質(zhì)量也是開展精準(zhǔn)影像研究的前提。本研究通過(guò)對(duì)比兩次圖像質(zhì)量不同的管壁圖像數(shù)據(jù),篩選出了斑塊影像組學(xué)的不穩(wěn)定特征;從不穩(wěn)定特征的分布上看與3D T1WI平掃管壁序列相比,3D T1WI增強(qiáng)和2D T2WI序列的影像組學(xué)不穩(wěn)定特征占比更多,可能是后兩個(gè)序列的影像組學(xué)特征更易受到圖像質(zhì)量的影響,也可能是掃描順序靠后和注射對(duì)比劑后更易出現(xiàn)運(yùn)動(dòng)偽影等導(dǎo)致圖像質(zhì)量下降所致。在預(yù)測(cè)顱內(nèi)癥狀性斑塊方面,本研究進(jìn)一步證實(shí)了圖像質(zhì)量對(duì)影像組學(xué)預(yù)測(cè)模型的影響:如果不考慮圖像質(zhì)量的因素,預(yù)測(cè)模型的診斷效能最低;如果剔除了不穩(wěn)定特征構(gòu)建預(yù)測(cè)模型,則診斷效能有所提高;如果一開始就基于較高圖像質(zhì)量數(shù)據(jù)(排除較低圖像質(zhì)量數(shù)據(jù))構(gòu)建預(yù)測(cè)模型,則其診斷效能可進(jìn)一步提高。另外,基于較高圖像質(zhì)量的預(yù)測(cè)模型提取的影像組學(xué)特征都是穩(wěn)定的,且根據(jù)重要性系數(shù)排名前三位的特征均來(lái)自3D管壁成像序列。這可能提示與2D T2WI管壁成像相比,在確保圖像質(zhì)量的前提下,高分辨3D T1WI的平掃和增強(qiáng)管壁序列更能夠滿足顱內(nèi)斑塊影像組學(xué)分析的需求;巧合的是,這也與MR-VWI的序列發(fā)展趨勢(shì)相契合,即覆蓋較大范圍(全顱及頭頸聯(lián)合掃描)的3D黑血管壁成像逐漸代替小范圍(針對(duì)大腦中動(dòng)脈水平段或基底動(dòng)脈掃描)的2D管壁成像序列。

本研究有3個(gè)方面的局限性:①本研究是單中心回顧性研究,樣本量相對(duì)較小,所有患者均在同一臺(tái)MR儀掃描,因此所得到的不穩(wěn)定的影像組學(xué)特征可能不具有普適性。②對(duì)于較高圖像質(zhì)量(3分)和最高圖像質(zhì)量(4分)分別在預(yù)測(cè)顱內(nèi)癥狀性斑塊的差異方面,本研究沒(méi)有進(jìn)一步構(gòu)建預(yù)測(cè)模型。主要原因是相關(guān)亞組的樣本量很小,推測(cè)得到的結(jié)果不可靠。③本研究重點(diǎn)關(guān)注于圖像質(zhì)量對(duì)影像組學(xué)分析的影響,沒(méi)有對(duì)患者的臨床和傳統(tǒng)影像學(xué)指標(biāo)納入分析。已有研究[13,15-17]證明結(jié)合臨床信息、影像表現(xiàn)和影像組學(xué)特征共同構(gòu)建的預(yù)測(cè)模型的效能最佳。

綜上所述,良好的圖像質(zhì)量是MR-VWI準(zhǔn)確診斷和量化分析的基石,本研究證明顱內(nèi)斑塊影像組學(xué)分析需要嚴(yán)格控制圖像質(zhì)量的要求是合理的。未來(lái)隨著磁共振軟硬件系統(tǒng)和管壁成像序列的發(fā)展,加之人工智能技術(shù)對(duì)圖像質(zhì)量的優(yōu)化,相信顱內(nèi)動(dòng)脈粥樣硬化疾病的精準(zhǔn)診斷和影像組學(xué)分析能力將會(huì)進(jìn)一步提升。