頸動(dòng)脈全斑塊自動(dòng)分割的影像組學(xué)模型對(duì)缺血性腦卒中的預(yù)測(cè)價(jià)值

摘要 目的：探討基于頭頸CT血管造影（CTA）頸動(dòng)脈全斑塊自動(dòng)分割的影像組學(xué)模型對(duì)缺血性腦卒中發(fā)生風(fēng)險(xiǎn)的預(yù)測(cè)價(jià)值。方法：回顧性分析188例頸動(dòng)脈粥樣硬化病人的臨床及影像資料。根據(jù)近期前循環(huán)供血區(qū)域是否出現(xiàn)缺血性腦卒中表現(xiàn)，將病人相應(yīng)頸動(dòng)脈分為癥狀組（118例）和無(wú)癥狀組（130例），若無(wú)癥狀病人雙側(cè)頸動(dòng)脈均有動(dòng)脈粥樣硬化，則雙側(cè)均納入無(wú)癥狀組，將2021年7月之前的病人作為訓(xùn)練集（199例），之后的病人作為測(cè)試集（49例）。采用單因素和多因素分析對(duì)臨床參數(shù)進(jìn)行比較。應(yīng)用深度學(xué)習(xí)模型實(shí)現(xiàn)CTA頸動(dòng)脈全斑塊自動(dòng)分割，基于分割結(jié)果，從中提取并篩選最優(yōu)的影像組學(xué)特征。采用多層感知計(jì)算法構(gòu)建預(yù)測(cè)模型，通過受試者工作特征（ROC）曲線、校準(zhǔn)曲線及臨床決策曲線評(píng)估模型性能。結(jié)果：全斑塊自動(dòng)分割的Dice值為0.80，與人工勾畫一致性良好。訓(xùn)練集中臨床模型、影像組學(xué)模型及臨床－影像組學(xué)聯(lián)合模型曲線下面積（AUC）分別為0.708，0.908和0.919，測(cè)試集中AUC分別為0.593，0.748和0.802。Delong檢驗(yàn)顯示，聯(lián)合模型與臨床模型的預(yù)測(cè)效能差異有統(tǒng)計(jì)學(xué)意義（P均＜0.001），與影像組學(xué)模型差異不顯著（P＝0.360，P＝0.186）。聯(lián)合模型校準(zhǔn)良好，且具有最高的臨床凈獲益。結(jié)論：基于CTA頸動(dòng)脈全斑塊自動(dòng)分割的影像組學(xué)模型聯(lián)合臨床參數(shù)有助于缺血性腦卒中發(fā)生風(fēng)險(xiǎn)的預(yù)測(cè)。

關(guān)鍵詞 腦卒中；深度學(xué)習(xí)；影像組學(xué)；計(jì)算機(jī)斷層掃描血管成像；預(yù)測(cè)價(jià)值

doi：10.12102/j.issn.1672－1349.2024.12.031

我國(guó)腦卒中的發(fā)病率和患病率逐年升高，是導(dǎo)致嚴(yán)重殘疾和死亡的主要原因，其中，缺血性腦卒中是最常見的類型［1］。頸動(dòng)脈斑塊是導(dǎo)致缺血性腦卒中的主要原因之一，不僅會(huì)導(dǎo)致管腔狹窄，還可能會(huì)發(fā)生斑塊破裂導(dǎo)致顱內(nèi)動(dòng)脈栓塞［2］。動(dòng)脈粥樣硬化是一種系統(tǒng)性疾病，多發(fā)頸動(dòng)脈斑塊病人往往更容易發(fā)生缺血性腦卒中，因此，有必要對(duì)頸動(dòng)脈粥樣硬化斑塊整體水平進(jìn)行風(fēng)險(xiǎn)評(píng)估［3］。

頭頸CT血管造影（computed tomograghy angiography，CTA）是一種無(wú)創(chuàng)的成像技術(shù)，其方便、快捷，是臨床評(píng)估頸動(dòng)脈斑塊最常用的檢查方法。在臨床實(shí)踐中，放射科醫(yī)生對(duì)于斑塊整體水平的評(píng)估不僅耗時(shí)耗力，而且具有一定的主觀性，因此，人們提出了許多計(jì)算機(jī)輔助的方法來(lái)對(duì)影像圖像進(jìn)行處理。近年來(lái)，深度學(xué)習(xí)發(fā)展迅速，在病灶的自動(dòng)分割中表現(xiàn)出了良好效能，在減輕臨床醫(yī)生工作負(fù)擔(dān)的同時(shí)，能夠提高診斷客觀性［4］。放射組學(xué)是一種潛在的分析工具，可以通過提取高通量信息實(shí)現(xiàn)疾病的準(zhǔn)確評(píng)估［5］。本研究旨在通過應(yīng)用VB－Net卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)CTA頸動(dòng)脈全斑塊自動(dòng)分割，根據(jù)其分割結(jié)果構(gòu)建影像組學(xué)模型，并評(píng)估模型對(duì)缺血性腦卒中發(fā)生風(fēng)險(xiǎn)的預(yù)測(cè)效能。

1 資料與方法

1.1 臨床資料

回顧性收集2018年1月—2021年12月于山西醫(yī)科大學(xué)第一醫(yī)院行頭頸部CTA檢查中發(fā)現(xiàn)頸動(dòng)脈斑塊的病人。在病歷系統(tǒng)查詢并記錄病人的臨床資料，包括性別、年齡、體質(zhì)指數(shù)（BMI）、吸煙及飲酒史、血脂指標(biāo)、糖化血紅蛋白（HbA1c）含量以及是否有高血壓、糖尿病、高脂血癥及高同型半胱氨酸血癥。納入標(biāo)準(zhǔn)：1）顱外頸動(dòng)脈中存在且斑塊厚度＞1.5 mm；2）臨床資料相對(duì)完整。排除標(biāo)準(zhǔn)：1）心源性卒中或凝血功能障礙；2）可引起管腔狹窄或閉塞的其他疾病，如頭頸部腫瘤、頸動(dòng)脈夾層等；3）曾行頸動(dòng)脈支架植入或頸動(dòng)脈內(nèi)膜切除術(shù)；4）圖像質(zhì)量不佳。根據(jù)前循環(huán)供血區(qū)域近期是否出現(xiàn)缺血性腦卒中表現(xiàn)，將病人分為有癥狀人群（118例）和無(wú)癥狀人群（70例），癥狀組納入的是有癥狀人群的癥狀側(cè)頸動(dòng)脈（118例），無(wú)癥狀組納入的是無(wú)癥狀人群中發(fā)現(xiàn)動(dòng)脈斑塊的相應(yīng)頸動(dòng)脈，若無(wú)癥狀人群雙側(cè)頸動(dòng)脈均發(fā)現(xiàn)斑塊，則雙側(cè)均納入無(wú)癥狀組（130例）。將2021年7月前入院檢查的病人作為訓(xùn)練集，2021年7月后的病人作為測(cè)試集。在病歷系統(tǒng)查詢并記錄病人的臨床資料。本研究通過山西醫(yī)科大學(xué)第一醫(yī)院醫(yī)學(xué)倫理委員會(huì)批準(zhǔn)（審批號(hào)：2018K008），并免除病人知情同意書。

1.2 檢查方法

使用第3代雙源掃描儀（SOMATOM Force；Siemens Healthcare，Erlangen，Germany）進(jìn)行頭頸動(dòng)脈CTA掃描。經(jīng)肘前靜脈，使用電子注射器以5.0 mL/s速率注射非離子對(duì)比劑碘普羅胺注射液（Ultravist 370），劑量為1.2 mL/kg，隨后以同樣流速注入50 mL生理鹽水進(jìn)行沖洗。初始掃描由智能檢測(cè)觸發(fā)，感興趣區(qū)域（ROI）置于升主動(dòng)脈，閾值為100 HU時(shí)進(jìn)行掃描。掃描參數(shù)：高能量球管電壓Sn 150 kV，低能量球管電壓90 kV，管電流采用自動(dòng)調(diào)節(jié)模式，重建層厚為0.625 mm，層間距為0.5 mm，球管旋轉(zhuǎn)時(shí)間為每轉(zhuǎn)0.28 s，螺距為0.7 mm。

1.3 圖像處理及數(shù)據(jù)分析

1.3.1 全斑塊自動(dòng)分割模型的應(yīng)用

在uAI Research Portal（v20230715）科研平臺(tái)應(yīng)用VB－Net模型實(shí)現(xiàn)頸動(dòng)脈全斑塊自動(dòng)分割。隨機(jī)選取30例病人，由1名有5年心腦血管診斷經(jīng)驗(yàn)的放射科醫(yī)生使用ITK－snap（v3.8）軟件對(duì)斑塊進(jìn)行重新手動(dòng)勾畫。詳見圖1。

1.3.2 影像組學(xué)特征提取以及模型構(gòu)建與評(píng)估

使用Python平臺(tái)（v 3.7）中的“PyRadiomics”包提取影像組學(xué)特征，隨后進(jìn)行標(biāo)準(zhǔn)化，并對(duì)特征進(jìn)行篩選。1）采用單因素分析和Spearman相關(guān)性分析消除無(wú)關(guān)及冗余特征；2）采用最小絕對(duì)收縮和選擇算子算法（least absolute shrinkage and selection operator，LASSO）回歸對(duì)特征進(jìn)行進(jìn)一步篩選；3）通過5折交叉驗(yàn)證確定調(diào)優(yōu)參數(shù)，選取最優(yōu)非零系數(shù)組學(xué)特征并計(jì)算影像組學(xué)評(píng)分（radiomics score，Rad－score）；4）基于多層感知機(jī)（multilayer perceptron，MLP）算法分別構(gòu)建臨床模型、影像組學(xué)模型以及臨床－影像組學(xué)聯(lián)合模型；5）生成相應(yīng)的受試者工作特征（receiver operating characteristic，ROC）曲線，以曲線下面積（area under the curve，AUC）評(píng)估模型效能。繪制校準(zhǔn)曲線，以Hosmer－Lemeshow檢驗(yàn)評(píng)估模型的擬合優(yōu)度，并采用臨床決策曲線評(píng)估臨床收益。具體流程詳見圖2～圖5。

1.4 統(tǒng)計(jì)學(xué)處理

采用SPSS 27.0軟件進(jìn)行統(tǒng)計(jì)學(xué)處理。采用Shapiro－Wilk檢驗(yàn)評(píng)估正態(tài)性，符合正態(tài)分布的定量資料用均數(shù)±標(biāo)準(zhǔn)差（x±s）表示，組間比較采用兩獨(dú)立樣本t檢驗(yàn)，不符合正態(tài)分布的定量資料用中位數(shù)和四分位數(shù)［M（P25，P75）］表示，組間比較采用Mann－Whitney U檢驗(yàn)。定性資料用頻數(shù)和構(gòu)成比（%）表示，組間比較采用χ2檢驗(yàn)。采用單因素及多因素Logistic回歸篩選與缺血性腦卒中發(fā)生相關(guān)的臨床危險(xiǎn)因素。以P＜0.05為差異有統(tǒng)計(jì)學(xué)意義。

2 結(jié) 果

2.1 臨床資料

本研究最終回顧性分析了188例接受頭頸部CTA檢查的病人，其中，有癥狀病人118例，男93例，年齡（64.0±8.9）歲；無(wú)癥狀病人70例，男59例，年齡（63.1±11.6）歲。共納入248根頸動(dòng)脈進(jìn)行研究，其中，癥狀組118例，無(wú)癥狀組130例，兩組臨床資料比較詳見表1。

2.2 全斑塊自動(dòng)化分割效果

應(yīng)用VB－Net網(wǎng)絡(luò)架構(gòu)實(shí)現(xiàn)了全斑塊自動(dòng)化分割，與手動(dòng)分割相比具有較好的一致性（Dice值為0.80）。

2.3 影像組學(xué)特征篩選

對(duì)于每根頸動(dòng)脈的全斑塊共提取到1 904個(gè)影像組學(xué)特征，經(jīng)過單因素以及Spearman相關(guān)性分析保留了220個(gè)組學(xué)特征。通過LASSO回歸對(duì)特征進(jìn)行進(jìn)一步篩選，隨后通過5折交叉驗(yàn)證確定調(diào)優(yōu)參數(shù)。最終保留了37個(gè)特征用于影像組學(xué)模型的構(gòu)建，其中包括3個(gè)一階特征和34個(gè)紋理特征。

2.4 模型構(gòu)建及效能評(píng)估

臨床模型、影像組學(xué)模型及聯(lián)合模型的詳細(xì)參數(shù)見表2。Delong檢驗(yàn)顯示，聯(lián)合模型與臨床模型的預(yù)測(cè)效能差異有統(tǒng)計(jì)學(xué)意義（P均＜0.001），與影像組學(xué)模型差異無(wú)統(tǒng)計(jì)學(xué)意義（P＝0.360，P＝0.186）。相較于影像組學(xué)模型，聯(lián)合模型校準(zhǔn)良好，且具有最高的臨床凈獲益。詳見表2、圖5。

3 討 論

頸動(dòng)脈管腔狹窄程度通常是臨床用來(lái)評(píng)估動(dòng)脈粥樣硬化病人是否需要接受治療的重要指標(biāo)，然而相關(guān)研究表明，缺血性腦卒中的發(fā)作不僅與斑塊導(dǎo)致的管腔狹窄有關(guān)，還與斑塊成分密切相關(guān)［6－8］。動(dòng)脈粥樣硬化往往累及多個(gè)節(jié)段，高危斑塊成分、表征及數(shù)量均會(huì)增加心腦血管事件的發(fā)生風(fēng)險(xiǎn)［9］。因此，在臨床實(shí)踐中，放射科醫(yī)生需要對(duì)斑塊整體水平進(jìn)行評(píng)估，這不僅有賴于豐富的專業(yè)知識(shí)，而且耗時(shí)耗力。近年來(lái)，人工智能發(fā)展迅速，成為輔助臨床醫(yī)生的有利工具。本研究應(yīng)用了深度學(xué)習(xí)模型實(shí)現(xiàn)頸動(dòng)脈全斑塊的自動(dòng)化分割，進(jìn)而根據(jù)其分割結(jié)果提取影像組學(xué)特征，對(duì)頸動(dòng)脈斑塊整體水平進(jìn)行分析。

深度學(xué)習(xí)算法在醫(yī)學(xué)圖像的分割中具有杰出的泛化能力，在心腦血管疾病的研究中發(fā)揮著重要作用［10－12］。Meshram等［13］通過構(gòu)建U－Net網(wǎng)絡(luò)實(shí)現(xiàn)了超聲圖像頸動(dòng)脈斑塊的自動(dòng)分割，但效果欠佳，仍需對(duì)邊界框進(jìn)行手動(dòng)設(shè)定。Ding等［14］加入自監(jiān)督學(xué)習(xí)框架對(duì)卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行了優(yōu)化，在超聲圖像中頸動(dòng)脈斑塊分割的精確度達(dá)到了80.25%～89.18%，并在此基礎(chǔ)上實(shí)現(xiàn)了斑塊總面積的準(zhǔn)確測(cè)量（r＝0.985）。頸動(dòng)脈斑塊的自動(dòng)分割大多集中在超聲圖像，而很少應(yīng)用于CTA的研究中。相較于超聲圖像，CTA的采集不依賴于醫(yī)生的操作水平，而且可以提供更多三維信息，從而提高診斷的準(zhǔn)確性［15－16］。本研究中CTA圖像的全斑塊自動(dòng)分割是采用VB－Net網(wǎng)絡(luò)實(shí)現(xiàn)的，這是在V－Net模塊中加入了Bottleneck的網(wǎng)絡(luò)結(jié)構(gòu)思想的改良網(wǎng)絡(luò)，在保證模型分割效果的同時(shí)，提高了效率［17］。

頸動(dòng)脈斑塊高危成分與缺血性腦卒中的發(fā)生密切相關(guān)，主要包括脂質(zhì)壞死核心、薄或破裂的纖維帽、斑塊內(nèi)出血、斑塊內(nèi)新生血管形成以及炎性細(xì)胞浸潤(rùn)［18］。這些成分在密度上有較大重疊，且受空間分辨力的影響，傳統(tǒng)CT很難對(duì)易損斑塊進(jìn)行識(shí)別。影像組學(xué)通過提取定量特征，將醫(yī)學(xué)圖像轉(zhuǎn)換為可挖掘的數(shù)據(jù)，近年來(lái)廣泛應(yīng)用于動(dòng)脈斑塊的研究［19－21］。Zaccagna 等［22］研究結(jié)果表明，紋理分析可以作為一種評(píng)估頸動(dòng)脈粥樣硬化病人缺血性腦卒中發(fā)生風(fēng)險(xiǎn)的新型工具。Shan 等［23］從CTA圖像中提取影像組學(xué)特征，發(fā)現(xiàn)其可以準(zhǔn)確識(shí)別斑塊內(nèi)新生血管的形成（AUC＝0.93），為預(yù)測(cè)斑塊的易損狀態(tài)以及缺血性腦卒中的發(fā)生提供了有效的方法。本研究在自動(dòng)化分割的基礎(chǔ)上提取影像組學(xué)特征，相較于之前的手動(dòng)勾畫，更具有客觀性。本研究篩選出的37個(gè)影像組學(xué)特征中有34個(gè)是紋理特征，其主要通過描述局部附近像素之間的相互作用來(lái)測(cè)量病灶的異質(zhì)性［24］。結(jié)果表明，頸動(dòng)脈斑塊總體體素的紋理越復(fù)雜，異質(zhì)性越高，就越容易發(fā)生缺血性腦卒中，這與之前的研究結(jié)果一致［25］。在一階特征中，全斑塊體素方差與腦卒中發(fā)生風(fēng)險(xiǎn)呈負(fù)相關(guān)，這可能與無(wú)癥狀病人斑塊內(nèi)更大的鈣化有關(guān)。本研究結(jié)果還表明，一階特征中的第10百分位數(shù)及中位數(shù)數(shù)值越低，越容易發(fā)生腦卒中，這可能與在CTA中表現(xiàn)為低密度的高危特征如斑塊內(nèi)出血及大的脂質(zhì)壞死核心有關(guān)。本研究進(jìn)一步采用MLP的機(jī)器學(xué)習(xí)方法分別構(gòu)建了臨床、影像組學(xué)及聯(lián)合模型，在危險(xiǎn)程度分層上，聯(lián)合模型的預(yù)測(cè)效能均高于單一的臨床模型以及影像組學(xué)模型，而且校準(zhǔn)良好，具有最高的臨床凈獲益。

本研究存在一定的局限性，首先，本研究為單中心研究，樣本量相對(duì)較少，盡管將無(wú)癥狀病人的雙側(cè)頸動(dòng)脈血管納入研究以擴(kuò)大樣本量，但仍需要多機(jī)構(gòu)的大量數(shù)據(jù)來(lái)驗(yàn)證該模型的準(zhǔn)確性和穩(wěn)定性；其次，本研究為回顧性研究，不能預(yù)測(cè)隨后缺血性腦血管事件的發(fā)生，動(dòng)態(tài)性研究可能獲得更有價(jià)值的信息。

4 小 結(jié)

綜上所述，本研究構(gòu)建了一種基于CTA深度學(xué)習(xí)頸動(dòng)脈全斑塊自動(dòng)分割的影像組學(xué)模型，可以對(duì)頸動(dòng)脈全斑塊的整體進(jìn)行評(píng)估，其聯(lián)合臨床參數(shù)，實(shí)現(xiàn)了缺血性腦卒中發(fā)生風(fēng)險(xiǎn)的準(zhǔn)確評(píng)估，有望成為輔助臨床的一種有力工具。

參考文獻(xiàn)：

［1］中華醫(yī)學(xué)會(huì)神經(jīng)病學(xué)分會(huì)，中華醫(yī)學(xué)會(huì)神經(jīng)病學(xué)分會(huì)腦血管病學(xué)組.中國(guó)缺血性卒中和短暫性腦缺血發(fā)作二級(jí)預(yù)防指南2022［J］.中華神經(jīng)科雜志，2022，55（10）：1071－1110.

［2］HUANG R Z，CAO Y，LI H R，et al.MiR－532－3p－CSF2RA axis as a key regulator of vulnerable atherosclerotic plaque formation［J］.The Canadian Journal of Cardiology，2020，36（11）：1782－1794.

［3］GENKEL V，KUZNETSOVA A，LEBEDEV E，et al.Carotid total plaque area as an independent predictor of short－term subclinical polyvascular atherosclerosis progression and major adverse cardiac and cerebrovascular events［J］.Therapeutic Advances in Cardiovascular Disease，2023，17：17539447231194861.

［4］郭東方，郝家偉，吳彥林，等.基于深度學(xué)習(xí)算法對(duì)顱內(nèi)動(dòng)脈瘤進(jìn)行自動(dòng)檢測(cè)和分割［J］.臨床放射學(xué)雜志，2023，42（1）：14－19.

［5］孟婷，阮志兵，徐茂麗，等.基于CT影像組學(xué)構(gòu)建術(shù)前預(yù)測(cè)胰腺癌神經(jīng)周圍侵犯模型的研究［J］.臨床放射學(xué)雜志，2024，43（1）：79－84.

［6］BARADARAN H，GUPTA A.Carotid vessel wall imaging on CTA［J］.American Journal of Neuroradiology，2020，41（3）：380－386.

［7］BRINJIKJI W，HUSTON J R，RABINSTEIN A A，et al.Contemporary carotid imaging：from degree of stenosis to plaque vulnerability［J］.Journal of Neurosurgery，2016，124（1）：27－42.

［8］SCHINDLER A，SCHINNER R，ALTAF N，et al.Prediction of stroke risk by detection of hemorrhage in carotid plaques：meta－analysis of individual patient data［J］.JACC Cardiovascular Imaging，2020，13（2 Pt 1）：395－406.

［9］CASE B C，TORGUSON R，MINTZ G S，et al.Additive effect of multiple high－risk coronary artery segments on patient outcomes：LRP study sub－analysis［J］.Cardiovascular Revascularization Medicine：Including Molecular Interventions，2023，46：38－43.

［10］ZHU Y，CHEN L W，LU W J，et al.The application of the nnU－Net－based automatic segmentation model in assisting carotid artery stenosis and carotid atherosclerotic plaque evaluation［J］.Frontiers in Physiology，2022，13：1057800.

［11］DENG C L，ADU J H，XIE S H，et al.Automatic segmentation of ultrasound images of carotid atherosclerotic plaque based on Dense－UNet［J］.Technology and Health Care，2023，31（1）：165－179.

［12］LI Y M，WU Y，HE J J，et al.Automatic coronary artery segmentation and diagnosis of stenosis by deep learning based on computed tomographic coronary angiography［J］.European Radiology，2022，32（9）：6037－6045.

［13］MESHRAM N H，MITCHELL C C，WILBRAND S，et al.Deep learning for carotid plaque segmentation using a dilated U－Net architecture［J］.Ultrasonic Imaging，2020，42（4/5）：221－230.

［14］DING J，ZHOU R，F(xiàn)ANG X Y，et al.An image registration－based self－supervised Su－Net for carotid plaque ultrasound image segmentation［J］.Computer Methods and Programs in Biomedicine，2024，244：107957.

［15］GUO Y F，CHEN X J，LIN X D，et al.Non－contrast CT－based radiomic signature for screening thoracic aortic dissections：a multicenter study［J］.European Radiology，2021，31（9）：7067－7076.

［16］NIE P，YANG G J，WANG Z G，et al.A CT－based radiomics nomogram for differentiation of renal angiomyolipoma without visible fat from homogeneous clear cell renal cell carcinoma［J］.European Radiology，2020，30（2）：1274－1284.

［17］SHI F，HU W G，WU J J，et al.Deep learning empowered volume delineation of whole－body organs－at－risk for accelerated radiotherapy［J］.Nature Communications，2022，13（1）：6566.

［18］劉宇，項(xiàng)開顏，吳浩光，等.頸動(dòng)脈易損斑塊PET/MRI的研究進(jìn)展［J］.中華醫(yī)學(xué)雜志，2023，103（33）：2632－2638.

［19］王凱，劉子暖，陳韻岱，等.影像組學(xué)在冠心病中的應(yīng)用價(jià)值［J］.臨床放射學(xué)雜志，2022，41（1）：186－190.

［20］XIA H，YUAN L，ZHAO W，et al.Predicting transient ischemic attack risk in patients with mild carotid stenosis using machine learning and CT radiomics［J］.Frontiers in Neurology，2023，14：1105616.

［21］CILLA S，MACCHIA G，LENKOWICZ J，et al.CT angiography－based radiomics as a tool for carotid plaque characterization：a pilot study［J］.La Radiologia Medica，2022，127（7）：743－753.

［22］ZACCAGNA F，GANESHAN B，ARCA M，et al.CT texture－based radiomics analysis of carotid arteries identifies vulnerable patients：a preliminary outcome study［J］.Neuroradiology，2021，63（7）：1043－1052.

［23］SHAN D Z，WANG S Y，WANG J J，et al.Computed tomography angiography－based radiomics model for predicting carotid atherosclerotic plaque vulnerability［J］.Frontiers in Neurology，2023，14：1151326.

［24］MAYERHOEFER M E，MATERKA A，LANGS G，et al.Introduction to radiomics［J］.Journal of Nuclear Medicine，2020，61（4）：488－495.

［25］LIU M，CHANG N，ZHANG S，et al.Identification of vulnerable carotid plaque with CT－based radiomics nomogram［J］.Clinical Radiology，2023，78（11）：e856－e863.

（收稿日期：2024－02－29）

（本文編輯王麗）

基金項(xiàng)目 山西省基礎(chǔ)研究計(jì)劃自然科學(xué)研究面上項(xiàng)目（No.20210302123256，20210302123253）

通訊作者 張華，E－mail：13623665879@163.com

引用信息 郭鐵旦，王靈杰，石彩云，等.頸動(dòng)脈全斑塊自動(dòng)分割的影像組學(xué)模型對(duì)缺血性腦卒中的預(yù)測(cè)價(jià)值［J］.中西醫(yī)結(jié)合心腦血管病雜志，2024，22（12）：2269－2275.