基于影像组学对脑内血肿早期扩大的预测

金少华，路阳

（南京医科大学附属江苏盛泽医院放射科，江苏 苏州 215200）

0 引言

目前，脑出血已成为影响人生活质量的常见疾病，脑出血早期形成的血肿不稳定，血肿体积扩大会导致周围神经组织功能受损，引起致残、致死的概率较高。早期血肿体积扩大是脑出血引起死亡和致残的独立危险因素，因此预判早期血肿体积扩大具有重要的临床意义。

预判血肿扩大较成熟的方法是根据CT图像特点进行血肿体积早期扩大的预测，比如利用血肿密度不均匀的特征（混杂征）和血肿形态不规则的特征（卫星征）来预判血肿体积扩大[1]，这些影像学预测方式存在主观性影响，导致不可避免的主观因素偏差。通过CT血管造影的微小斑点状强化（点征）来预测血肿体积扩大[2]，虽然两者之间有相关性，但CT血管造影的复杂性影响广泛推广。人工智能已经被应用于医学图像处理，用于疾病监测、分类、病变分割、治疗评估和身体成分分析，将更客观的定量成像特征与临床疾病进展联系起来[3-4]。本研究运用影像组学从CT图像中提取客观的影像学特征，通过训练及测试后得到预测模型，来预测脑内血肿体积的早期扩大，并且评价其价值。

1 资料和方法

1.1 一般资料

筛选出2019年11月至2021年6月因脑出血来我院就诊的110例患者，其中男性71例，女性39例，年龄20-75岁，平均（52.92±12.57）岁。纳入标准：（1）入院后立即行头颅CT平扫，并且在24小时内复查头颅CT。（2）CT图像清晰，无明显运动伪影及金属伪影，明确诊断脑出血伴血肿形成。排除标准：（1）复查头颅CT前已手术治疗或介入治疗。（2）继发于脑肿瘤、脑血管畸形出血形成的脑内血肿。（3）脑实质内出血破人脑室，脑实质内血肿与脑室内积血无法辨别分界线。（4）外伤导致的脑内血肿。（5）细小的血肿，不便于手动勾画血肿轮廓。

CT检查方法;使用GE 64排Optima CT660进行两次扫描，管电压120kv，管电流280mA，层厚5mm，层间距5mm。将所有图像以DICOM格式导出备用。

1.2 影像组学图像分割、血肿体积测量

应用3DSlicer软件的Segment Editor模块勾画脑内血肿的边界，首先设定模块内CT值的范围为45-90HU，然后沿血肿的边缘进行勾画轮廓，对于血肿内部不在阈值范围内的低密度区域，关闭阈值设定后手动添加，此方法可以减少不同医师勾画血肿边界的主观性偏差。应用3DSlicer软件的Segment Statistics模块，将勾画好的血肿文件选中，自动计算得到血肿的体积。

1.3 影像组学特征提取及筛选、预测模型构建

应用3DSlicer软件的Radiomics模块进行影像组学特征提取，包括一阶特征、灰度共生矩阵、灰度依赖矩阵、灰度游程矩阵、灰度区域大小矩阵、邻域灰度差分矩阵、3D形状特征，经过高斯拉普拉斯滤波器和小波变换后得到的特征；将提取到的影像组学特征数据导出至表格。将110例患者分为训练集（77例）和测试集（33例），利用t检验和最小绝对收缩和选择算子(LASSO)筛选出具有显著差异的影像组学特征。结合随机森林模型进行建模，在随机森林模型中利用训练集数据进行训练，然后用测试集数据验证模型。采用ROC曲线分析随机森林模型预测脑内血肿体积早期扩大的价值。

2 结果

对同一患者前后两次CT平扫得到的血肿体积进行对比，按血肿体积是否扩大进行分组，血肿扩大组（35例）和血肿未扩大组（75例）。经3DSlicer软件的Radiomics模块提取到353个影像学特征，通过t检验和 LASSO筛选出6个具有显著差异的影像学特征（图1），其中诊断特征1个（原始体素），灰度游程矩阵特征2个（灰色级别非均匀性和运行长度非均匀性），高斯拉普拉斯滤波器过滤后特征1个（灰色级别非均匀性），小波变换后特征2个（长期重点和平均值）。在随机森林模型中利用训练集数据进行训练，然后用测试集数据验证模型，随机森林模型预测脑内血肿早期扩大的ROC曲线下面积为0.929，灵敏度、特异度分别为0.850、0.960（图2）。

图2 随机森林模型的RoC曲线

3 讨论

脑内血肿不仅直接损伤脑组织，而且会对血肿边缘的神经细胞产生继发破坏。脑出血早期血肿扩大的概率较高，早期血肿状态不稳定，变化速度较快，随着时间延长，血肿状态趋于稳定，因此早期进行干预对改善预后尤为重要[5]。急性出血性脑卒中的诊断主要依靠CT检查，血肿的密度取决于血红蛋白的浓度，新鲜出血中血红蛋白含量较少，所以表现为低密度，形成血凝块后血红蛋白含量升高，表现为高密度，混杂征是由新鲜出血与血凝块并存形成的，低密度区越多发生血肿扩大的可能性越大[6-7]。点征是CTA显示血肿内部或者边缘出血斑点状强化，是造影剂外漏形成的，是血肿扩大的重要因素，与血肿扩大呈正相关[2]。混杂征、点征等影像学征象作为定性指标受医师的主观影响大，预测血肿扩大的概率不稳定，预测脑出血早期血肿扩大的灵敏度及特异度低于影像组学模型[8]。有学者对比两者不同的血肿体积测量方法，根据两种方法得到的血肿体积差值来预测血肿体积扩大，差值越大，血肿体积扩大可能性越大，使用的长度×宽度×高度/2方法存在较大的主观性偏差，影响预测性能[9]。

图1353 个影像学特征的LASSO系数回归概况

影像组学是一个旨在从数字图像中提取大量定量特征的过程，对纹理、强度和体积等特征进行连续分析，以提供决策支持。董秦柱等利用影像组学模型来预测脑室内出血增长，通过选定影像组学特征的线性组合乘以其各自的套索系数，计算影像组学分数，影像组学分数是脑室内出血扩大的重要预测因子，影像组学分数较低的个体预后不良概率较低，影像组学分数与严重脑室内出血和不良预后独立相关[10]。血肿周围的水肿带损伤是可逆的，早期干预能改善患者的预后，CT图像确诊水肿带时间较晚，杨光伟等运用影像组学技术鉴别脑血肿周围水肿带与正常脑组织，影像组学模型预测效能较高，对临床治疗具有重要意义[11]。杨俊等构建支持向量机模型和逻辑回归模型预测血肿扩大，与影像征象组成的二元逻辑回归模型预测血肿扩大进行对比，结果是基于影像组学的模型具有更高的预测性能[12]。有学者将影像组学的模型对比放射学体征，比较二者在脑内血肿扩大和患者不良预后的价值，实验结果表明，基于CT影像组学的模型在预测脑内血肿扩大和不良功能结果方面优于放射学体征，将基于放射组学的特征与临床因素相结合可以提高其性能[13]。

本研究应用3DSlicer软件的Segment Editor模块的阈值功能，辅助人工勾画血肿ROI，在勾画血肿边缘时由于阈值的存在，可以减少人工识别正常脑组织和血肿分界的主观偏差，人眼识别相近的灰阶往往存在分歧，需要两位医师协商后决定，设定血肿的CT阈值可以加快勾画血肿边界，同时也提高每次勾画血肿ROI的一致性。血肿内部的低密度区有时不在阈值范围内，在阈值条件下勾画的ROI基础上，再次手动添加低密度区，确保血肿ROI内包括不同密度的出血。本研究构建的随机森林模型预测脑内血肿早期扩大具有较高性能，灵敏度、特异度分别为0.850、0.960。对脑内血肿早期扩大的有效预测，提早干预高风险患者，可以减少患者的不良预后。

总之，影像组学模型可以通过定量特征，帮助医生预判脑出血患者血肿扩大的可能性。本研究不足之处：（1）高血糖、高血压、昏迷量表评分、卒中量表评分、服用华法林等是血肿扩大的危险因素，本研究未考虑这些因素的影响。（2）本研究采用人工分割血肿，运用深度学习自动分割ROI可能更精准。（3）只运用了随机森林模型进行建模，运用多种机器学习方法可以挑选出更优的预测模型[14]。