基于CT影像組學(xué)特征的機器學(xué)習(xí)模型對癥狀性頸動脈斑塊的診斷價值

CT radiomics-based machine learning models in diagnosis for symptomatic carotid artery plaque

LIJing12，WANGKaifeng3，ZHANGMeilan12，SONGBowen12，ZHAO Fengqiao2，DUHai2

GraduateSchlBatouedicalolgoferongoliUiesityfenceamp;chologyotouina;t ofRadiologydontalialdosoa;olofsicicalieeseicalUeity 350001，China.

[Abstract]Objective：Toexplorethediagnosticeficiencyofthemachinelearning modelsbasedonCTradiomics features for symptomaticcarotidplaques.Methods：TeclinicaldataandheadandneckCTAimagesof18Opatientswereretrospectively analyzed.Atotalof18Opatientsweredivided intoasymptomaticgroup（54cases）andanasymptomaticgroup（126cases） basedonwhethertherewereischemiceventsintheipsilateraleye（transientmonocular blindnessortransientamaurosisor retinalinfarction）orischemiceventsinthecerebralhemispheres（transientischemicatackorstroke）withinthepast6months. 180caseswererandomlydividedintoatrainingset（144cases）andatestset（36cases）ataratioof8：2.Theradiomics featuresextracted from CTA images of the training set were selected through Mann-Whitney υ test，Spearman correlation analysis，andLASSOalgorithm.Themostoptimalfeatureswereretainedtoconstructfivemachinelearningmodels，XGBoost， SVM，LR，LightGBMandExtraTres.ROCcurvewasused toevaluate themodels’eficiency.Results：Inthetestset，the AUCsof the five modelsreachedO.723-0.786.ThepredictiveperformanceofExtraTresandLightGBMmodelsperformed well.TheAUC，sesitivitysecificityofExtrareesmodelinthetrainingsetwreO.781.663，0.761，andtoseintstet were0.786，0.643，0.875.AndtheAUC，sensitivityspecificityofLightGBMmodelinthetrainingsetwereO.829，0.735， 0.804 and those in the test set were O.77，0.643，0.875，respectively. Conclusion ∵ Machine learning models based on CT radiomics features can effectively identify symptomatic carotid plaques.

[Keywords] Carotid plaque;Tomography，X-ray computed;Machine learning;Radiomics;Symptomatic

腦卒中是全球第二大死亡因素[1]。缺血性腦卒中是最常見的類型，占我國腦卒中的 69.6%～ 70.8%^[2] 。2020年全球 30～79 歲人群中頸動脈斑塊的患病率約 20%^[3] 。研究證實，對于癥狀性頸動脈斑塊患者，支架置入術(shù)較動脈內(nèi)膜切除術(shù)發(fā)生非致殘性卒中的風(fēng)險更高，而動脈內(nèi)膜切除術(shù)在預(yù)防無癥狀性頸動脈斑塊卒中方面效果不大[4]。目前卒中預(yù)測主要基于斑塊段管腔狹窄程度，但斑塊結(jié)構(gòu)和組成也起著重要作用，因此，無創(chuàng)識別癥狀性頸動脈斑塊有助于臨床治療策略的選擇，并可改善風(fēng)險分層。目前，臨床最常用的檢查手段為CTA，其具有無創(chuàng)、操作簡單、空間分辨力高等特點[5]。影像組學(xué)是從影像圖像中高通量地提取大量圖像特征[，用于疾病的診斷、預(yù)后評估及腫瘤的分期、分型等方面[7-9]。機器學(xué)習(xí)是人工智能的一個子集，基于影像組學(xué)特征構(gòu)建的機器學(xué)習(xí)模型可學(xué)習(xí)不同數(shù)據(jù)類型的內(nèi)部特征，以輔助臨床醫(yī)師決策[10]。本研究旨在開發(fā)基于CT影像組學(xué)特征的多種機器學(xué)習(xí)模型，并分析其對癥狀性頸動脈斑塊的診斷效能，幫助臨床對無癥狀頸動脈高危斑塊的個性化管理。

1資料與方法

1.1一般資料

收集2020年1月至2022年3月在市中心醫(yī)院行頭頸部CTA的患者180例（268個頸動脈斑塊），其中男136例，女44例。納入標準： ① 經(jīng)CTA檢查確診頸動脈斑塊； ② 臨床資料可明確在過去6個月內(nèi)有無缺血性卒中或短暫性腦缺血發(fā)作（transientischemicattack，TIA）; ③ 臨床和影像資料完整。排除標準： ① 有頸動脈內(nèi)膜剝脫術(shù)和支架植入術(shù)史；② 頸動脈閉塞； ③ 有后循環(huán)癥狀； ④CTA 圖像質(zhì)量差； ⑤CTA 顯示顱內(nèi)動脈異常病變，如煙霧病、顱內(nèi)動脈瘤等； ⑥ 其他頸動脈病變，如頸動脈夾層、頸動脈瘤等。

180例根據(jù)過去6個月內(nèi)有無引起同側(cè)眼缺血事件（短暫性單眼失明、一過性黑蒙或視網(wǎng)膜梗死）或大腦半球缺血事件（短暫性缺血發(fā)作或卒中）4分為癥狀組（54例）和無癥狀組（126例）。以8：2的比例隨機分為訓(xùn)練集（144例）和測試集（36例）。本研究經(jīng)醫(yī)院倫理委員會批準（批號：2025-078），免除患者知情同意。

1.2儀器與方法

采用GERevolution256排CT掃描儀，患者取仰臥位，掃描范圍從主動脈弓至顱頂。掃描參數(shù)：100kV ，自動管電流 100～350mA ），矩陣 512×512 ，探測器寬度 40mm ，視野 25cm×25cm ，層厚、層距均為 0.625mm 。經(jīng)肘正中靜脈注射 20mL 生理鹽水，后以 4.0～5.0mL/s 流率注射碘海醇 40～50mL ，再注射生理鹽水 20mL ，動態(tài)監(jiān)測降主動脈衰減閥值達245HU后2s觸發(fā)采集。將獲得的圖像傳輸至工作站進一步分析。

1.3影像組學(xué)模型構(gòu)建

1.3.1圖像分割與特征提取以DICOM格式收集影像圖像行重采樣、歸一化預(yù)處理。由2位具有5年工作經(jīng)驗的影像醫(yī)師分析圖像，并在ITK-SNAP軟件（版本3.8）上對斑塊進行逐層勾畫獲得VOI，VOI包括鈣化與非鈣化斑塊區(qū)域（圖1）。2位醫(yī)師意見不同時經(jīng)協(xié)商解決或由1位工作15年的上級醫(yī)師審核。

一致性分析：2位醫(yī)師對隨機選取的30例CT圖像行VOI分割和特征提取，使用ICC檢驗，評估特征提取的一致性。為檢驗觀察者內(nèi)部的一致性，其中1位醫(yī)師于1周后行二次勾畫和特征提取，并將提取的特征與第1次比較， ICCgt;0.75 的特征用于后續(xù)分析。1.3.2影像組學(xué)特征篩選使用Pyradiomics模塊（https//github.com/Radiomics/pyradiomics）進行影像組學(xué)特征提取。應(yīng)用 Z -score來標準化數(shù)據(jù)，取所有特征的平均值為0，標準差為1，以確保均勻性。后使用Mann-Whitney U 檢驗進行特征選擇，保留 Plt;0.05 的特征。為解決特征之間的冗余，計算Spearman相關(guān)系數(shù)，剔除相關(guān)系數(shù) gt;0.9 的特征。為優(yōu)化保留特征，采用貪婪遞歸刪除策略，在每次迭代中刪除最高冗余特征。使用最小絕對收縮和選擇算子（leastabsoluteshrinkage and selection operator，LASSO）算法和10倍交叉驗證識別非零系數(shù)的特征用于模型構(gòu)建。

圖1癥狀性頸動脈斑塊與無癥狀性頸動脈斑塊的VOI獲取注：圖 1a～1d 患者，男，74歲，右側(cè)頸動脈分叉處癥狀性頸動脈斑塊。斑塊最大位置管腔呈重度狹窄，黑色圓圈所在位置為管腔，白色十字所在位置為斑塊，黑箭所指為斑塊潰瘍形成，圖1c為ROI（紅色區(qū)域），圖1d為VOI。圖1e～1h患者，男，57歲，右側(cè)頸內(nèi)動脈起始部無癥狀性頸動脈斑塊。斑塊最大位置管腔呈中度狹窄，圖1g為ROI（紅色區(qū)域），圖1h為VOI

1.3.3模型構(gòu)建及驗證將篩選后的影像組學(xué)特征，分別使用極致梯度提升（eXtreme gradient boosting，XGBoost）支持向量機（support vector machines，SVM）、邏輯回歸（logisticregression，LR）融合輕量級梯度提升機（light gradient boosting machine，LightGBM）、極度隨機數(shù)（extremely randomized trees，ExtraTrees）

1.4統(tǒng)計學(xué)分析

使用SPSS26.0及Python（版本3.9）軟件進行數(shù)據(jù)分析。計數(shù)資料以例表示，組間比較行 χ² 檢驗。計量資料以 表示，組間比較行獨立樣本 χ_t 檢驗或Mann-Whitney U 檢驗。采用校準曲線和決策曲線評估模型的校準度及臨床凈收益。使用DeLong檢驗比較模型間AUC的差異。以 Plt;0.05 為差異有統(tǒng)計學(xué)意義。

2結(jié)果

2.12組一般資料比較

2組除年齡外，性別、總膽固醇（TC）、甘油三酯（TG）、低密度脂蛋白膽固醇（LDL-C）、高密度脂蛋白膽固醇（HDL-C）、斑塊段管腔狹窄程度、高血壓、糖尿病、斑塊位置差異均無統(tǒng)計學(xué)意義（均 Pgt;0.05 。2位醫(yī)師對隨機選取的30例圖像特征提取的一致性良好（ ICCgt;0.85 ）。

表1無癥狀組和癥狀組一般資料比較

：TC為總膽固醇，HDL-C為高密度脂蛋白膽固醇，LDL-C為低密度脂蛋白膽固醇，TG為甘油三酯?！盀閠值，為 U 值，為x2值。

2.2機器學(xué)習(xí)模型構(gòu)建

訓(xùn)練集圖像共提取1835個影像組學(xué)特征，剔除 ICC?0.75 的特征，通過Mann-Whitney U 檢驗篩選保留 Plt;0.05 的33個特征，經(jīng)Spearman相關(guān)分析刪除冗余特征后篩選出14個特征，經(jīng)LASSO算法篩選后保留6個最有意義的特征，分別為original_glszm_ZonePercentage、wavelet_LLH_glcm_InverseVariance，wavelet_LHL_firstorder_Mean、exponential_glcm_InverseVariance、original_shape_Sphericity、gradi-ent_glcm_Idn，特征權(quán)重見圖2，隨后進行機器學(xué)習(xí)模型的構(gòu)建。

圖2最終篩選出6種特征的權(quán)重圖

2.3 機器學(xué)習(xí)模型效能比較

5種機器學(xué)習(xí)模型在訓(xùn)練集及測試集中均表現(xiàn)出良好的診斷效能（圖3）。測試集中各機器學(xué)習(xí)模型的AUC均 gt;0.7 ，其中ExtraTrees和LightGBM模型的診斷效能較好且較穩(wěn)定，AUC分別為0.786（ 95%CI 0.611～0.961） 和 0.770（95%CI0.592～ 0.949），并在測試集中表現(xiàn)出較高的敏感度及特異度（表2，3）。XGBoost模型在訓(xùn)練集和驗證集的結(jié)果差距較大，且不穩(wěn)定；而LR模型的敏感度在訓(xùn)練集中低于其他模型。校準曲線表明，5種機器學(xué)習(xí)模型在訓(xùn)練集和測試集對癥狀性頸動脈斑塊的預(yù)測和實際間擬合良好（圖4）。決策曲線分析顯示，訓(xùn)練集和驗證集中5種機器學(xué)習(xí)模型對診斷癥狀性頸動脈斑塊的凈收益較好（圖5）。DeLong檢驗表明，測試集中5種機器學(xué)習(xí)模型的AUC差異無統(tǒng)計學(xué)意義（ Pgt; 0.05）（圖6。

表2訓(xùn)練集中機器學(xué)習(xí)模型對癥狀性頸動脈斑塊的診斷效能

注：LightGBM為融合輕量級梯度提升機，XGBoost為極致梯度提升，ExtraTrees為極度隨機數(shù)，SVM為支持向量機，LR為邏輯回歸。

表3測試集中機器學(xué)習(xí)模型對癥狀性頸動脈斑塊的診斷效能

注：LightGBM為融合輕量級梯度提升機，XGBoost為極致梯度提升，ExtraTres為極度隨機數(shù)，SVM為支持向量機，LR為邏輯回歸。

3討論

本研究通過對頸動脈CTA圖像提取影像組學(xué)特征，應(yīng)用多種機器學(xué)習(xí)模型來區(qū)分癥狀性與無癥狀性頸動脈斑塊。5種機器學(xué)習(xí)模型均表現(xiàn)出良好的診斷效能，可用于識別癥狀性頸動脈斑塊。

3.1無癥狀性與癥狀性頸動脈斑塊的鑒別意義

癥狀性頸動脈斑塊與無癥狀性頸動脈斑塊的治療方法不同\"，癥狀性頸動脈斑塊多需臨床干預(yù)，如行手術(shù)治療或支架置入等；而無癥狀性頸動脈斑塊多以藥物治療為主，以穩(wěn)定斑塊為目標。有研究顯示，影像組學(xué)分析可用于識別癥狀性頸動脈斑塊，Zaccagna等[12]基于CT紋理影像組學(xué)特征識別癥狀性頸動脈斑塊，AUC最高達0.81。本研究基于CT影像組學(xué)特征的機器學(xué)習(xí)模型對癥狀性頸動脈斑塊的預(yù)測效能良好，其在測試集中AUC達 0.723～0.786 與文獻報道一致。

3.2影像組學(xué)鑒別癥狀性頸動脈斑塊的優(yōu)勢

目前，越來越多的研究表明頸動脈斑塊易損性與斑塊段管腔狹窄程度有關(guān)，且與斑塊成分，如血管炎癥、斑塊內(nèi)出血、富含脂質(zhì)的壞死核心和纖維帽等密切相關(guān)[13-14]。不同斑塊成分的CT值也不同，但由于部分容積效應(yīng)，肉眼很難識別斑塊的內(nèi)部成分；而影像組學(xué)是一種非侵入性的方法，通過智能計算在原始圖像的基礎(chǔ)上構(gòu)建模型，獲取肉眼看不見的特征，為疾病的診斷、預(yù)后和個體化治療提供依據(jù)[15]。一項納入中、重度頸動脈斑塊段管腔狹窄患者（狹窄程度 gt;50% ）的研究顯示，與常規(guī)特征模型相比，影像組學(xué)模型提高了對癥狀性斑塊的診斷效能（AUC分別為 0.706，0.858）^[16] ；而本研究納入輕、中、重度管腔狹窄的斑塊，對癥狀性斑塊的判讀范圍更廣泛。Shi等[17]發(fā)現(xiàn)，相較于僅納入臨床信息（同型半胱氨酸）及影像特征（包括斑塊潰瘍及頸動脈緣征）構(gòu)建的傳統(tǒng)模型，影像組學(xué)模型對癥狀性頸動脈斑塊的診斷效能更好。本研究基于CT影像組學(xué)特征構(gòu)建的5種機器學(xué)習(xí)模型在測試集中AUC均 gt;0.7 ，證實其對癥狀性頸動脈斑塊具有良好的診斷效能，與陳超等[18]的研究結(jié)果一致。

圖35種機器模型的ROC曲線注：圖3a為訓(xùn)練集，圖3b為測試集，LightGBM 為融合輕量級梯度提升機，XGBoost為極致梯度提升，ExtraTrees為極度隨機數(shù)， SVM為支持向量機，LR為邏輯回歸圖45種機器學(xué)習(xí)模型的校準曲線注： 圖4a為訓(xùn)練集，圖4b為測試集圖55種機器學(xué)習(xí)模型的決策曲線注：圖5a 為訓(xùn)練集，圖5b為測試集，圖6測試集中各個模型的DeLong檢驗

3.3機器學(xué)習(xí)模型的臨床應(yīng)用價值

機器學(xué)習(xí)已廣泛應(yīng)用于大數(shù)據(jù)分析，其可自動學(xué)習(xí)數(shù)據(jù)模式并優(yōu)化模型參數(shù)。很多因素可影響模型的預(yù)測效能，如圖像質(zhì)量、ROI的勾畫、構(gòu)建模型的方法等[19]。本研究使用5種機器學(xué)習(xí)模型用于預(yù)測癥狀性頸動脈斑塊，其中，ExtraTrees和LightGBM模型在訓(xùn)練集和驗證集中展現(xiàn)出來良好且穩(wěn)定的預(yù)測效能。ExtraTrees模型是隨機現(xiàn)在分割值，使得決策樹有多樣性和非相關(guān)性，可有效抑制過擬合[20]；LightGBM在預(yù)測精度、模型穩(wěn)定性和計算效率等方面性能優(yōu)越；而SVM模型的穩(wěn)定性需有充足的空間包容測試樣本[21]。本研究樣本量較小，可能是導(dǎo)致結(jié)果欠佳的原因;LR模型僅能處理線性數(shù)據(jù)[22]，且易欠擬合，分類精度不高，這可能是其在本研究訓(xùn)練集中敏感度較低（0.408）的原因；傳統(tǒng)模型XGBoost，如樣本存在噪聲，可能難以了解潛在信號且該模型并不適用于回歸模型[22]，導(dǎo)致其在本研究訓(xùn)練集和驗證集的結(jié)果差距較大（AUC分別為0.955、0.728），且不穩(wěn)定。Dong等[16基于CT影像組學(xué)特征選取XGBoost、SVM和LR3種機器學(xué)習(xí)模型對癥狀性頸動脈斑塊進行識別，結(jié)果顯示，LR模型的診斷效能最好（AUC為0.858），但該研究僅選擇了3種機器學(xué)習(xí)模型且納入樣本量較?。?20例），本研究選取了5種常見的機器學(xué)習(xí)模型且樣本量更大。

本研究存在的局限性： ① 樣本量較小，可能使結(jié)果產(chǎn)生偏差，雖然使用10倍交叉驗證防止模型過擬合，但仍需更大樣本量的前瞻性研究評估模型的準確性和穩(wěn)定性； ② 為單中心研究，缺少外部驗證檢驗?zāi)Ｐ偷钠者m性； ③ 盡可能排除其他引起同側(cè)眼缺血事件或大腦半球缺血事件的病因，但仍無法確保這些癥狀均由頸動脈粥樣硬化斑塊引起。

綜上所述，基于CT影像組學(xué)特征的機器學(xué)習(xí)模型對癥狀性頸動脈斑塊的診斷效能良好，可輔助臨床決策和個性化治療。

[參考文獻]

[1] GBD 2019 STROKE COLLABORATORS. Global，regional， and national burden of stroke and its risk factors，1990- 2019：a systematic analysis for the global burden of disease study 2019[J]. Lancet Neurol，2021，20（10）：795- 820.

[2］彭斌，吳波．中國急性缺血性腦卒中診治指南2018［J]. 中華神經(jīng)科雜志，2018，51（9）：666-682.

[3]SONG P，F(xiàn)ANG Z，WANG H，et al. Global and regionalprevalence，burden，and risk factors for carotid atherosclerosis：asystematic review，meta-analysis，and modelling study[J].Lancet Glob Health，202O，8（5）： e721-e729.

[4]BONATI L H，JANSEN O，DE BORST G J，et al. Management of atherosclerotic extracranial carotid artery stenosis[J]. Lancet Neurol，2022，21（3）：273-283.

[5]RAJIAH P.Updates in vascular computed tomography [J].Radiol Clin North Am，2020，58（4）：671-691.

[6]LAMBIN P，RIOS-VELAZQUEZ E，LEIJENAAR R，et al.Radiomics：extracting more information from medical images using advanced feature analysis[J]. Eur J Cancer，2012，48（4）：441-446.

[7]LI X，WU M，WU M，et al.A radiomics and genomicsderived model for predicting metastasis and prognosis incolorectal cancer[J].Carcinogenesis，2O24，45（3）： 170-180.

[8]JIANG W，MENG R，CHENG Y，et al. Intra- and peritumoral based radiomics for assessment of lymphovascular invasion in invasive breast cancer[J].J Magn Reson Imaging，2024，59（2）：613-625.

[9] ZHANG L，WANG Y，PENG ΔΔΔΔΔΔΔΔΔΔΔΔΔΔΔΔΔΔΔΔΔΔΔΔΔΔΔΔ al． The progress of multimodal imaging combination and subregion based radiomics research of cancers[J]. Int JBiol Sci，2022，18 （8） ：3458-3469.

[10]TRAN K A，KONDRASHOVA O，BRADLEY A，et al. Deep learning in cancer diagnosis，prognosis and treatment selection[J].Genome Med，2021，13（1）：152.

[11] NAYLOR R，RANTNER B，ANCETTI S，et al. Editor’s choice- European society for vascular surgery （esvs） 2023 clinical practice guidelines on the management of atherosclerotic carotid and vertebral artery disease [J].Eur J Vasc Endovasc Surg，2023，65（1）：7-111.

[12]ZACCAGNA F，GANESHAN B，ARCA M，et al. CT texture-basedradiomicsanalysisofcarotid arteries identifiesvulnerable patients：apreliminaryoutcome study[J]. Neuroradiology，2021，63（7） ：1043-1052.

[13]KRAMER C M，TREIMAN G S. Vulnerable plaque in carotid arterieswithout“significant”stenosis：unmasking the hidden links to stroke[J]. J Am Coll Cardiol， 2020，76（19）：2223-2225.

[14]SCHWARZF，BAYER-KARPINSKA A，POPPERT H， et al.Serial carotid MRI identifies rupture of a vulnerable plaque resulting in amaurosisfugax[J]. Neurology， 2013，80（12）：1171-1172.

[15] GILLIES R J，KINAHAN P E，HRICAK H. Radiomics ： images are more than pictures，they are data[J]. Radiology，278：563-577.

[16]DONG Z，ZHOU C，LI H，et al. Radiomics versus conventional assessment to identify：symptomatic participantsat carotid computed tomography angiography [J].Cerebrovasc Dis，2022，51（5）：647-654.

[17] SHI J，SUN Y，HOU J，et al. Radiomics signatures of carotid plaque on computed tomography angiography： anapproach to identifysymptomatic plaques[J].Clin Neuroradiol，2023，33（4）：931-941.

[18］陳超，李增暉，胥文瀚，等．基于CTA的影像組學(xué)特征識 別癥狀性頸動脈斑塊[J]．中國醫(yī)學(xué)計算機成像雜志， 2023，29（4）：360-366.

[19]GUIOT J，VAIDYANATHAN A，DEPREZ L，et al. A review in radiomics：making personalized medicinea realityvia routine imaging[J].Med Res Rev，2022，42 （1） ：426-440.

[20]GREENERJ G，KANDATHIL S M，MOFFAT L，et al. Aguide to machine learning for biologists[J].Nat Rev Mol Cell Biol，2022，23（1）：40-55.

[21] SCHOBER P，VETTER T R. Logistic regression in medical research[J]. Anesth Analg，2021，132（2） ：365- 366.

[22]GREENERJG，KANDATHIL S M，MOFFAT L，et al. Aguide to machine learning for biologists［J].Nat Rev Mol Cell Biol，2022，23（1）：40-55.

（收稿日期 2024-06-18）