基于弥散加权成像的影像组学和机器学习预测急性缺血性脑卒中预后

唐太松，吴丽霞，熊巧玲

（云南省滇南中心医院〈红河州第一人民医院〉医学影像科 云南 蒙自 661199）

急性缺血性脑卒中会导致脑组织缺血缺氧，继而发生脑组织坏死软化[1]。急性缺血性脑卒中患者预后取决于许多因素，包括组织类型、缺血持续时间与严重程度、脑微出血灶、患者年龄及已患病情况[2-3]。影像组学通过提取、分析影像特征获得相对客观的定量信息，更全面、透彻地了解病变情况。本研究针对急性缺血性卒中患者，旨在探讨基于DWI的影像组学特征预测患者预后情况的价值。

1 资料与方法

1.1 一般资料

选取2018年 1月—2020年12月云南省滇南中心医院符合标准的232名患者。其中，男149例，女83例；年龄29～96岁（62.18±12.43）岁。纳入标准：①发病至完成磁共振检查时间小于24 h；②诊断符合第4届全国脑血管病会议制定的脑梗死诊断标准；③前循环梗死；④初次发病患者；⑤经机械取栓或溶栓治疗。排除标准：①心房颤动、恶性肿瘤患者；②严重心、肝、肺、肾功能不全患者；③DWI图像质量差；④无患者预后信息。

1.2 方法

所有患者采用GE Signa HDXT 1.5T磁共振扫描仪进行脑部MRI扫描。弥散加权成像（DWI）扫描参数：TR=4 800 ms，TE=82 ms，NEX=1，FOV=24 cm×24 cm，层间距1 mm，层厚5.5 mm。MRI DWI序列图像以DICOM格式从PACS下载到PC。

1.3 观察指标

记录患者的年龄、性别、ASPECTS评分、梗死总体积、病灶是否累及白质、是否累及皮质脊髓束、是否区域性病灶（直径＞2 cm的梗死灶）。

1.4 影像组学特征提取

由医学影像科主治医师使用开源软件3D slicer对DWI图像所有层面的ROI进行图像分割勾画出梗死灶；使用SlicerRadiomics获得影像组学特征（图1）。本研究影像组学特征共提取形状特征（shape）、一阶特征（firstorder）、灰度共生矩阵特征（gray level cooccurrence matrix，GLCM）、灰度相关矩阵特征（gray level dependence matrix，GLDM）、灰度游程矩阵特征（gray level run length matrix，GLRLM）、灰度区域大小矩阵特征（gray level size zone matrix，GLSZM）、邻域灰度差矩阵特征（neighborhood gray-tone difference matrix，NGTDM）7个特征簇，共107个特征参数。

图1 研究的工作流程图

1.5 预后评价标准

采用改良Rankin量表（mRS）对患者神经功能恢复情况进行评估。发病第90天mRS评分为0～2分，定义为预后良好。发病第90天mRS评分为3～6分，则定义为预后不良。

1.6 影像组学特征筛选及模型构建、评估

运用Rstudio 2021.09.1 Build372软件对影像组学数据进行处理。通过LASSO回归和5折交叉验证筛选预测效能佳的影像组学特征建立预测模型。筛选出的影像组学特征纳入支持向量机（SVM）并测试基于DWI预测急性缺血性脑卒中患者预后的预测模型。以预测准确率为评判标准评估预测模型诊断效能，通过模型改进找到最优模型。

1.7 统计学方法

采用SPSS 23.0统计软件进行数据分析。计量资料以均数±标准差（）表示，行t检验；计数资料以频数（n）、百分比（%）表示，行χ2检验。P＜0.05为差异有统计学意义。

2 结果

2.1 患者预后情况

232例患者中，预后良好165例（71.1%），预后不良67例（28.9%）。

2.2 患者一般资料

患者的临床资料见表1。两组患者ASPECTS评分、梗死累及白质、梗死累及皮质脊髓束、区域性病灶、梗死总体积比较差异有统计学意义（P＜0.05）。两组患者年龄、性别差异无统计学意义（P＞0.05）。

表1 预后良好组与预后不良组患者各变量结果比较

2.3 影像组学特征建立

107个特征参数经过独立样本t检验得到68个特征参数（图2）。再经过单因素Logistics回归分析、LASSO回归和5折交叉验证筛选出预测效能最高的11 个特征参数（表2）。基于LASSO回归模型，利用5折交叉验证中最优λ来选择系数非零的最优影像组学特征（图3）。

图2 68个影像组学特征的回归系数分布

图3 5折交叉验证中回归系数分布

表2 预测急性脑卒中预后的最优影像组学特征

2.4 预测模型验证

运用支持向量机算法（SVM），采用线性核函数，将数据按0.7：0.3分为训练集、测试集。基于DWI的模型训练集AUC、准确率、敏感度、特异度分别为0.901、0.865、0.745、0.914。基于DWI的模型测试集AUC、准确率、敏感度、特异度分别为0.854、0.7971、0.450、0.939（图4）。

图4 基于DWI预测急性缺血性脑卒中预后的ROC曲线

3 讨论

近年来急性缺血性脑卒中发病率逐渐升高，对社会、家庭造成沉重负担[4-5]。早期预测患者预后可尽早进行相应干预及康复治疗，使患者在治疗中获得更高获益[6]。

基于传统影像学参数预测缺血性脑卒中的能力有限。大面积脑梗死一般预示预后不良，具有较高致残率、病死率[7-8]。CT灌注成像中使用灰质、白质组织特异性阈值可提高预测预后准确性[9]。梗死局限于灰质比累及白质者预后更好[10]。白质梗死、皮质脊髓束累及常预示预后不良[11-12]。

影像组学可以提取出大量影像组学特征，从而将医学图像转换为定量数据，充分高效利用影像学检查[13]。影像组学数据在对脑梗死进行诊断、评估、预后预测等方面具有巨大潜能。本研究提取107个影像组学特征，高维数据的降维和回归分析运用LASSO回归分析[14]。SVM是一种基于结构化风险最小化准则的机器学习方法，最常用和适用的场景是二分类。本研究运用SVM构建预测急性缺血性脑卒中预后预测模型。

本研究局限性：①样本量较小，需扩大样本量进一步验证；②人工图像分割存在一定不准确性，未来可以尝试全自动分割方法[15]；③梗死体积呈偏态分布，限制了结果对大面积梗死的适用性。

综上所述，基于DWI的SVM构建的急性缺血性脑卒中患者预后预测模型，能够较准确地预测患者预后，为临床进行相应干预及康复治疗提供依据。