基于MRI 彌散加權(quán)成像的影像組學特征預測急性缺血性腦卒中的短期預后

于 泳

（南京中醫(yī)藥大學附屬鹽城中醫(yī)院<鹽城市中醫(yī)院>醫(yī)學影像科 江蘇 鹽城 22400）

腦卒中已成為人類健康的主要威脅之一，每年全球有600 萬人因卒中而死亡，其致死率超過10%，同時也是中國居民的首要致死病因[1]。急性缺血性腦卒中（acute ischemic stroke，AIS）為最普遍的腦卒中類型[2]，占所有急性腦血管病的70%。AIS 因腦血管長時間或永久性堵塞引發(fā)，導致腦組織持續(xù)缺血、缺氧，進而引起局部神經(jīng)功能缺損或永久性喪失，AIS 患者的預后與及時有效治療密切相關(guān)。重組化織型纖溶酶原激活劑（rt-PA）是治療AIS 最廣泛的藥物，能通過溶解血栓恢復腦組織的血供促進功能恢復[3]。盡管大部分患者在接受靜脈rt-PA溶栓治療后短期癥狀有所緩解，但部分患者仍存在功能障礙，甚至有出現(xiàn)出血性轉(zhuǎn)化的風險。因此，早期預測患者在rt-PA 溶栓治療的預后具有重要意義，有助于前期臨床治療方案的制定。近年來，影像組學的發(fā)展為AIS患者預后預測提供了新機遇，它將醫(yī)學圖像轉(zhuǎn)化為高維、定量的數(shù)據(jù)特征，從而建立模型來輔助臨床診療[4]。本研究初步探索了基于MRI 的影像組學在預測AIS 患者短期預后中的價值，旨在探尋預測AIS 患者短期預后的最佳方案。

1 資料與方法

1.1 一般資料

本研究經(jīng)南京中醫(yī)藥大學附屬鹽城中醫(yī)院倫理委員會批準（批號：KY230409），免除受試者知情同意。本研究回顧性分析2016 年6 月—2023 年3 月于鹽城市中醫(yī)院行顱腦MRI 檢查的219 例AIS 患者的臨床和影像學資料，其中預后良好組106 例（男60 例，女46 例），平均年齡（71.53±11.11）歲；預后不良組113 例（男55 例，女58 例），平均年齡（71.13±10.94）歲。采用隨機分層抽樣法將患者隨機分為訓練集175 例，測試集44 例。

納入標準：①MRI 證實為前循環(huán)的急性腦梗死；② 癥狀發(fā)生6 h 內(nèi)行MRI 檢查；③行靜脈rt-PA 溶栓治療。排除標準：①存在腦腫瘤、腦部外傷或手術(shù)史；② 因其他器官疾患，正在接受藥物或治療；③圖像偽影較重或因病灶過小而無法勾畫ROI 的病例。在醫(yī)院信息系統(tǒng)中查閱患者病歷，記錄臨床資料及病史、入院時基線美國國立衛(wèi)生研究院卒中量表（national institutes of health stroke scale，NIHSS）評分和90 d 改良Rankin 量表（modified rankin scale，mRS）評分。采用mRS 評分作為短期預后判斷指標，mRS 評分0～2 分為預后良好，mRS 評分3～5 分為預后不良。

1.2 方法

采用西門子1.5T MRI 掃描儀進行檢查，頭部線圈為8 通道線圈。掃描序列包括常規(guī)T1WI 序列、T2WI 序列、彌散加權(quán)成像（diffusion weighted imaging，DWI）等。掃描參數(shù)：①T1WI：TR 2 259 ms，TE 25.4 ms，層厚5 mm，間距1.5 mm，視野（FOV）240 mm×240 mm，矩 陣256×192；②T2WI：TR 5 582 ms，TE 111 ms，層 厚5 mm，間 距1.5 mm，F(xiàn)OV 240 mm×240 mm，矩陣256×192；③DWI：TR 3 203 ms，TE 83.9 ms，層厚5 mm，間 距1.5 mm，b 值 取0 和1 000 s/mm2，矩 陣96×96。

1.3 影像組學分析方法

在DWI 序列進行相關(guān)的影像組學特征分析流程，具體步驟如下。①感興趣區(qū)分割：由1 名有10 年神經(jīng)影像診斷經(jīng)驗的放射科醫(yī)師應用ITK-SNAP 軟件（版本3.4.0）手動分割DWI 序列高信號急性腦梗死區(qū)作為感興趣區(qū)（region of interest，ROI）。②預處理：在Python（3.8.5版本）環(huán)境中使用Pyradiomics 包對圖像進行預處理，主要包括強度歸一化和灰度級離散化。③特征提?。菏褂肞yRadiomics 特征提取，包含直方圖特征、形態(tài)學特征、灰度共生矩陣特征，灰度尺寸區(qū)域矩陣，灰度游程矩陣，相鄰灰度差分矩陣，灰度依賴矩陣等特征。④特征篩選：使用方差分析、Spearman 相關(guān)性檢驗及最小絕對收縮與選擇算子算法（least absolute shrinkage and selection operator，LASSO）篩選特征。⑤構(gòu)建模型：應用支持向量機（support vector machine，SVM）分類器構(gòu)建AIS 預后預測模型。

1.4 統(tǒng)計學方法

采用SPSS 27.0 統(tǒng)計軟件進行數(shù)據(jù)分析。符合正態(tài)分布的計量資料以均數(shù)±標準差（）表示，采用t檢驗；計數(shù)資料以頻數(shù)（n）、百分率（%）表示，采用χ2檢驗。影像組學數(shù)據(jù)通過Python 軟件篩選和統(tǒng)計。模型效能采用受試者工作特征（receiver operating characteristic，ROC）曲線評估。以P＜0.05 表示差異具有統(tǒng)計學意義。

2 結(jié)果

2.1 不同預后患者的臨床資料

兩組患者的性別、年齡、高脂血癥史、糖尿病史、高血壓史、腦卒中史、腦出血史、飲酒史、抽煙史、高同型半胱氨酸血癥、房顫史組間差異無統(tǒng)計學意義（P＞0.05），兩組患者入院時NIHSS 評分有統(tǒng)計學意義（P＜0.001），詳見表1。

表1 不同預后患者臨床基線資料比較

2.2 影像組學特征提取及篩選

在MRI 檢查的DWI 序列提取了396 個特征，通過方差分析、秩和檢驗和Spearman 相關(guān)性檢驗后剩下45 個特征，最后使用LASSO 降維后選出15 個特征，包括2 個一階特征，4 個形狀特征和9 個紋理特征。病灶感興趣區(qū)分割示意圖見圖1，影像組學特征的LASSO 系數(shù)分布圖見圖2。

圖1 彌散加權(quán)成像序列ROI 分割示意圖

圖2 影像組學特征降維LASSO 系數(shù)收斂圖

2.3 急性缺血性腦卒中短期預后預測模型構(gòu)建及效能評估

通過SVM 分類器建立AIS 預后預測模型。應用ROC 曲線分析該模型訓練集的AUC 為0.897，準確度為0.840，靈敏度0.893，特異度為0.791；測試集的AUC為0.835，準確度為0.795，靈敏度0.818，特異度為0.773，見表2，圖3。

圖3 模型訓練集及測試集預測AIS 短期預后的效能

表2 模型訓練集及測試集預測AIS 短期預后的效能

3 討論

AIS 是全球重點關(guān)注的健康問題之一，AIS 的預后因個體差異而有所不同，早期診斷和預后評估對于AIS 的預后至關(guān)重要[5]。DWI 序列可以在發(fā)作后的幾個小時內(nèi)顯示梗死核心，但傳統(tǒng)影像學對于AIS 預后的評估缺乏手段。而影像組學可以將醫(yī)學圖像轉(zhuǎn)換為定量數(shù)據(jù)，充分高效利用檢查數(shù)據(jù)，為臨床方案的選擇提供依據(jù)。

目前影像組學已被用于AIS 的診療及預后評估。Zhang 等[6]開發(fā)了基于NCCT 的AIS 短期預后預測模型，在測試集中，組學模型和融合模型的AUC 分別為0.705和0.857，優(yōu)于臨床模型（0.643）。Yu 等[7]在DWI 等序列上選擇了16 個組學特征構(gòu)建預后模型，通過五個分類器對比后，LightGBM 模型的表現(xiàn)最佳，在測試集模型準確度為0.831，曲線下面積（AUC）為0.902。Zhou 等[8]開發(fā)了基于臨床數(shù)據(jù)和DWI 及T2WI 序列的AIS 預后預測模型，其ROC 曲線下面積在訓練集中為0.868，在測試集中為0.890，大于單一的臨床或影像組學模型，這提示影像組學模型可與臨床數(shù)據(jù)模型融合，形成融合模型或諾莫圖來指導臨床工作。本研究中SVM 構(gòu)建的模型訓練集AUC 為0.897，準確度為0.840；測試集的AUC為0.835，準確度為0.795，提示模型能夠較準確地預測患者的短期預后，但較前者對比，還需要增加其他序列分析或融入更多的臨床基線數(shù)據(jù)來提高模型的精度。

此外，MRI 影像組學亦可預測AIS 患者機械取栓后的結(jié)局與預后，如Li 等[9]在DWI 序列上提取特征，通過SVM 分類器構(gòu)建AIS 患者機械取栓術(shù)后預后模型，其訓練集和測試集的AUC 值分別為0.945 和0.920。影像組學還被用于針對AIS 血栓的分析，可以預測AIS 的血栓來源，進一步指導臨床溶栓或取栓方式的選擇[10]。

本研究中，兩組患者入院時NIHSS 評分有統(tǒng)計學意義，提示較高的NIHSS 初評分通常預示更差的預后。影像組學模型共篩選出15 個與AIS 預后相關(guān)的特征，包括2 個一階特征，4 個形狀特征和9 個紋理特征，本研究結(jié)果顯示一階特征（first order features，F(xiàn)OF）、灰度游程矩陣（gray level run length matrix，GLRLM）、灰度共生矩陣（gray level co-occurrence matrix，GLCM）、灰度級大小區(qū)域矩陣（gray level size zone matrix，GLSZM）等特征與短期預后顯著相關(guān)。FOF 定量描述了圖像中體素的分布，這些信息可能揭示了缺血或受損組織的灰度分布。GLRLM 反映了相同灰度值的連續(xù)像素的長度，這可能表示在AIS 中受損組織的范圍和連續(xù)性，并可能預示患者的恢復潛力。GLCM 描述了兩個特定灰度值在圖像中的共現(xiàn)頻率，可能與AIS 患者卒中區(qū)域的微觀結(jié)構(gòu)有關(guān)。GLSZM 表示相同灰度級的連續(xù)區(qū)域大小，其中較大的區(qū)域可能代表廣泛的受損腦組織，這與不良臨床預后有關(guān)。這些影像組學特征揭示了腦卒中受損組織的微宏觀特點，其中GLRLM 中測量具有較高灰度值的長運行長度的聯(lián)合分布（LRHGLE）及GLCM 中逆差分歸一化（IDN）特征的權(quán)重相對較大。LRHGLE 是衡量圖像中高灰度值的長運行長度的分布，長的連續(xù)運行可能與某些生物結(jié)構(gòu)或組織類型相對應，而高灰度值可能與特定的生物屬性或組織狀態(tài)相對應，在AIS 背景下，這可能與病變區(qū)域存在大塊的高信號區(qū)域有關(guān)，提示更壞的臨床結(jié)局。IDN 則是一種強調(diào)圖像中低對比度區(qū)域的特征，其捕獲了圖像中相似灰度值的鄰近像素的出現(xiàn)頻率,高的IDN 值意味著圖像中有更多的相似灰度值的鄰近像素，在AIS 背景下，該特征可提供關(guān)于受影響腦組織的微觀結(jié)構(gòu)和完整性的信息，更嚴重的組織損傷可能導致更顯著的紋理改變，與患者的預后結(jié)局和恢復潛力相關(guān)。較傳統(tǒng)單純分析影像資料相比，這些影像組學特征描繪了圖像到更高維數(shù)據(jù)的轉(zhuǎn)換，可反映影像圖像不同矩陣中局部異質(zhì)性、灰度擴展、灰度值差異等，為患者的預后提供影像組學依據(jù)。

本研究存在一定的局限性。本研究為回顧性且來源單中心，樣本量少，需要后期擴大樣本量進一步研究。其次，預測模型構(gòu)建僅使用了DWI 序列，需要后期融合其他序列進一步研究。此外，本研究亦缺乏外部驗證來驗證模型的泛化性。

綜上所述，基于MRI 構(gòu)建的急性缺血性腦卒中患者短期預后的預測模型，能夠較準確地預測患者的短期預后，可以為臨床進行相應干預手段和治療方案的選擇提供依據(jù)。