基于头颅CT 平扫影像组学预测脑出血血肿扩大的可行性研究

韩曙光，王小鹏（通信作者）

（1 徐州医科大学附属医院影像科 江苏 徐州 221000）

（2 徐州医科大学附属医院神经内科 江苏 徐州 221000）

自发性脑出血是高血压患者最严重的并发症，脑出血约28%的患者会发生早期血肿扩大，若患者在保守治疗的情况下，出现血肿扩大则预示患者预后较差，且血肿增大过快还需要进一步手术治疗[1]。在初次发现脑出血的患者中，如何进行提前判断血肿是否会进展扩大是目前临床急需解决的问题，判断患者血肿的稳定性能有效指导临床治疗决策[2]。影像组学是一种将病变不可见的特征可视化的方法，可区分病变的异质性[3]。相关研究证实脑出血的血肿内部的微血管破坏、持续性的微观渗血都具有图像异质性[4]，因此引入图像影像组学能客观地分析血肿的影像学特征。本研究拟采用头颅CT 平扫图像影像组学联合临床数据进行预测脑出血血肿扩大，为临床治疗提供证据。

1 资料与方法

1.1 一般资料

回顾性2020 年1 月—2023 年1 月在徐州医科大学附属医院诊断为脑出血的患者109 例的CT 平扫图像与临床资料。纳入标准：①脑出血患者图像连续无伪影，符合matlab 软件提取要求；②患者24 h 进行CT 平扫复查，并测量体积。排除标准：脑出血量过大，进行开颅手术或引流手术的患者。

1.2 方法

分组方法：所有初诊为脑出血的患者均测量首诊CT与24 h 复查CT 出血量，CT 血肿体积超过CT 基线的33%或6 mL 的患者定义为脑出血血肿扩大[5]。将发生早期血肿扩大定义为A 组（n=41），未发生早期血肿扩大定义为B 组（n=68）。记录患者入院前脑出血家族史、血糖、血压、甘油三酯、初诊期格拉斯哥昏迷评分（Glasgow coma scale，GCS）、初诊血肿量。

采用通用电器256 排螺旋CT（GE Revolution CT）扫描，采用常规重建技术重建，自动管电流，管电压100 kV，层厚、层间距均为5 mm，螺距0.8，扫描范围由颅低至颅定。

1.3 影像组学提取

以头颅CT 平扫脑组织窗原始数据进行勾画脑出血血肿所有层面，3Dslicer 软件（https://www.slicer.org/）三维容积融合成容积ROI，将ROI 文件导入matlab2018（https://www.mathworks.com/）中，利用开源代码feature_ext.py 进行ROI 中的影像组学提取，每个患者头颅CT 平扫图像ROI 中共提取1132 个影像组学特征（图1）。

图1 影像组学提取流程图

1.4 统计学方法

采用SPSS 19.0、medcalc19.7 软件进行数据处理，符合正态分布的计量资料以均数±标准差（）表示，采用t检验；不符合正态分布采用秩和检验，以中位数与四分位间距[M（Q1，Q3）]表示；计数资料以频数（n）、百分率（%）表示，组间比较采用χ2检验；以P＜0.05为差异具有统计学意义。单因素分析具有差异指标进行Lasso 回归特征降维，将特征降维后纹理特征纳入二元Logistics 回归分析，筛选预测前列腺结节良恶性的独立风险因素并建立预测模型。对降维后特征与Logistics 预测模型进行受试者工作特征（ROC）曲线分析诊断效能，对ROC 曲线间比较采用Delong 检验。

2 结果

2.1 临床资料比较

两组患者年龄、性别、血压、甘油三酯、初诊GCS、初诊血肿量差异均不具有统计学意义（P＞0.05）；A 组血糖高于B 组，差异具有统计学意义（P＜0.05）。见表1。

表1 两组患者一般资料、实验室检查

2.2 影像组学参数比较与模型建立

头颅CT 平扫图像共提取1132 个影像组学特征中，其中226 个特征值差异显著（P＜0.05），906 个特征值无显著差异（P＞0.05）。进行Lasso 回归特征降维后筛选出6 个特征（表2），Lasso 回归的最佳调谐Lambda为0.000786。降维后特征纳入二元Logistics 回归方程结果显示sumEntropy、ClusterProminence、血糖为预测脑出血血肿扩大的独立风险因素（表3），模型为：Logit（P）=5.466+sumEntropy×3.563+ClusterProminence×2.586+血糖×1.782。Logit（P）的ROC 曲线下面积为0.872，取阈值为78.563时，灵敏度及特异度分别为83.3%、82.7%，Delong 检验分析示Logit（P）ROC 明显优于sumEntropy、ClusterProminence、血糖（P=0.0442、P=0.0051、P＜0.001），见图2。

表2 两组影像组学特征值比较[M（Q1，Q3）]

表3 降维后特征二元Logistics 回归分析

表4 独立分析因素与二元Logistics 的ROC 曲线分析

图2 影像组学特征联合模型Logit（P）预测脑出血血肿扩大ROC 曲线图

3 讨论

脑出血的保守治疗的预后与血肿是否扩大密切相关，且对于血肿扩大的患者需进行手术干预，早期预测患者是否发生血肿扩大，能对临床选择治疗方案提供有效影像学证据。A 组血糖明显高于B 组（P＜0.05），表明血糖能预测脑出血血肿扩大，与以往研究类似[6]。本研究显示sumEntropy、ClusterProminence、血糖为预测脑出血血肿扩大的独立风险因素，且建立联合模型的AUC达到0.872，灵敏度及特异度分别为83.3%、82.7%，表明通过影像组学特征提取联合临床数据能够很好地进行脑出血血肿扩大的预测。

本研究单因素分析结果显示血压无法预测脑出血早期血肿扩大，主要原因是脑出血患者在初诊时均处于较高血压的状态，因此无法区分血肿扩大的可能性[7]。脑出血的形成是红细胞悬液到血凝块形成的过程,这是影像组学分析脑血肿异质性的病理基础[8]。本研究中sumEntropy 表示图像中纹理粗细的离散程度（如灰度直方图分布、像素对称性、纹理均匀的等），当血肿稳定性较差，存在微小出血时，新鲜出血与稳定血肿的位置和出血量不断变化[9-10]，由此形成了两组sumEntropy 数值的差异。ClusterProminence 则表示图像灰度总数与每一个个体变量的距离差异的空间定量值，当图像像素越集中则数值越小，本研究中A 组的ClusterProminence 明显大于B 组，表明血肿内像素越不集中，越容易发生脑出血血肿扩大。本次研究的不足主要在于单中心、小样本研究，未来将需要进一步多中心数据验证，以消除单中心数据偏移的可能性。

综上所述，CT 平扫影像组学有进行预测高血压脑出血血肿扩大，且联合血糖建立联合模型预测效能最佳，能有效指导临床进行治疗决策。