基于MRI 弥散加权成像的影像组学特征预测急性缺血性脑卒中的短期预后

于 泳

（南京中医药大学附属盐城中医院<盐城市中医院>医学影像科 江苏 盐城 22400）

脑卒中已成为人类健康的主要威胁之一，每年全球有600 万人因卒中而死亡，其致死率超过10%，同时也是中国居民的首要致死病因[1]。急性缺血性脑卒中（acute ischemic stroke，AIS）为最普遍的脑卒中类型[2]，占所有急性脑血管病的70%。AIS 因脑血管长时间或永久性堵塞引发，导致脑组织持续缺血、缺氧，进而引起局部神经功能缺损或永久性丧失，AIS 患者的预后与及时有效治疗密切相关。重组化织型纤溶酶原激活剂（rt-PA）是治疗AIS 最广泛的药物，能通过溶解血栓恢复脑组织的血供促进功能恢复[3]。尽管大部分患者在接受静脉rt-PA溶栓治疗后短期症状有所缓解，但部分患者仍存在功能障碍，甚至有出现出血性转化的风险。因此，早期预测患者在rt-PA 溶栓治疗的预后具有重要意义，有助于前期临床治疗方案的制定。近年来，影像组学的发展为AIS患者预后预测提供了新机遇，它将医学图像转化为高维、定量的数据特征，从而建立模型来辅助临床诊疗[4]。本研究初步探索了基于MRI 的影像组学在预测AIS 患者短期预后中的价值，旨在探寻预测AIS 患者短期预后的最佳方案。

1 资料与方法

1.1 一般资料

本研究经南京中医药大学附属盐城中医院伦理委员会批准（批号：KY230409），免除受试者知情同意。本研究回顾性分析2016 年6 月—2023 年3 月于盐城市中医院行颅脑MRI 检查的219 例AIS 患者的临床和影像学资料，其中预后良好组106 例（男60 例，女46 例），平均年龄（71.53±11.11）岁；预后不良组113 例（男55 例，女58 例），平均年龄（71.13±10.94）岁。采用随机分层抽样法将患者随机分为训练集175 例，测试集44 例。

纳入标准：①MRI 证实为前循环的急性脑梗死；② 症状发生6 h 内行MRI 检查；③行静脉rt-PA 溶栓治疗。排除标准：①存在脑肿瘤、脑部外伤或手术史；② 因其他器官疾患，正在接受药物或治疗；③图像伪影较重或因病灶过小而无法勾画ROI 的病例。在医院信息系统中查阅患者病历，记录临床资料及病史、入院时基线美国国立卫生研究院卒中量表（national institutes of health stroke scale，NIHSS）评分和90 d 改良Rankin 量表（modified rankin scale，mRS）评分。采用mRS 评分作为短期预后判断指标，mRS 评分0～2 分为预后良好，mRS 评分3～5 分为预后不良。

1.2 方法

采用西门子1.5T MRI 扫描仪进行检查，头部线圈为8 通道线圈。扫描序列包括常规T1WI 序列、T2WI 序列、弥散加权成像（diffusion weighted imaging，DWI）等。扫描参数：①T1WI：TR 2 259 ms，TE 25.4 ms，层厚5 mm，间距1.5 mm，视野（FOV）240 mm×240 mm，矩 阵256×192；②T2WI：TR 5 582 ms，TE 111 ms，层 厚5 mm，间 距1.5 mm，FOV 240 mm×240 mm，矩阵256×192；③DWI：TR 3 203 ms，TE 83.9 ms，层厚5 mm，间 距1.5 mm，b 值 取0 和1 000 s/mm2，矩 阵96×96。

1.3 影像组学分析方法

在DWI 序列进行相关的影像组学特征分析流程，具体步骤如下。①感兴趣区分割：由1 名有10 年神经影像诊断经验的放射科医师应用ITK-SNAP 软件（版本3.4.0）手动分割DWI 序列高信号急性脑梗死区作为感兴趣区（region of interest，ROI）。②预处理：在Python（3.8.5版本）环境中使用Pyradiomics 包对图像进行预处理，主要包括强度归一化和灰度级离散化。③特征提取：使用PyRadiomics 特征提取，包含直方图特征、形态学特征、灰度共生矩阵特征，灰度尺寸区域矩阵，灰度游程矩阵，相邻灰度差分矩阵，灰度依赖矩阵等特征。④特征筛选：使用方差分析、Spearman 相关性检验及最小绝对收缩与选择算子算法（least absolute shrinkage and selection operator，LASSO）筛选特征。⑤构建模型：应用支持向量机（support vector machine，SVM）分类器构建AIS 预后预测模型。

1.4 统计学方法

采用SPSS 27.0 统计软件进行数据分析。符合正态分布的计量资料以均数±标准差（）表示，采用t检验；计数资料以频数（n）、百分率（%）表示，采用χ2检验。影像组学数据通过Python 软件筛选和统计。模型效能采用受试者工作特征（receiver operating characteristic，ROC）曲线评估。以P＜0.05 表示差异具有统计学意义。

2 结果

2.1 不同预后患者的临床资料

两组患者的性别、年龄、高脂血症史、糖尿病史、高血压史、脑卒中史、脑出血史、饮酒史、抽烟史、高同型半胱氨酸血症、房颤史组间差异无统计学意义（P＞0.05），两组患者入院时NIHSS 评分有统计学意义（P＜0.001），详见表1。

表1 不同预后患者临床基线资料比较

2.2 影像组学特征提取及筛选

在MRI 检查的DWI 序列提取了396 个特征，通过方差分析、秩和检验和Spearman 相关性检验后剩下45 个特征，最后使用LASSO 降维后选出15 个特征，包括2 个一阶特征，4 个形状特征和9 个纹理特征。病灶感兴趣区分割示意图见图1，影像组学特征的LASSO 系数分布图见图2。

图1 弥散加权成像序列ROI 分割示意图

图2 影像组学特征降维LASSO 系数收敛图

2.3 急性缺血性脑卒中短期预后预测模型构建及效能评估

通过SVM 分类器建立AIS 预后预测模型。应用ROC 曲线分析该模型训练集的AUC 为0.897，准确度为0.840，灵敏度0.893，特异度为0.791；测试集的AUC为0.835，准确度为0.795，灵敏度0.818，特异度为0.773，见表2，图3。

图3 模型训练集及测试集预测AIS 短期预后的效能

表2 模型训练集及测试集预测AIS 短期预后的效能

3 讨论

AIS 是全球重点关注的健康问题之一，AIS 的预后因个体差异而有所不同，早期诊断和预后评估对于AIS 的预后至关重要[5]。DWI 序列可以在发作后的几个小时内显示梗死核心，但传统影像学对于AIS 预后的评估缺乏手段。而影像组学可以将医学图像转换为定量数据，充分高效利用检查数据，为临床方案的选择提供依据。

目前影像组学已被用于AIS 的诊疗及预后评估。Zhang 等[6]开发了基于NCCT 的AIS 短期预后预测模型，在测试集中，组学模型和融合模型的AUC 分别为0.705和0.857，优于临床模型（0.643）。Yu 等[7]在DWI 等序列上选择了16 个组学特征构建预后模型，通过五个分类器对比后，LightGBM 模型的表现最佳，在测试集模型准确度为0.831，曲线下面积（AUC）为0.902。Zhou 等[8]开发了基于临床数据和DWI 及T2WI 序列的AIS 预后预测模型，其ROC 曲线下面积在训练集中为0.868，在测试集中为0.890，大于单一的临床或影像组学模型，这提示影像组学模型可与临床数据模型融合，形成融合模型或诺莫图来指导临床工作。本研究中SVM 构建的模型训练集AUC 为0.897，准确度为0.840；测试集的AUC为0.835，准确度为0.795，提示模型能够较准确地预测患者的短期预后，但较前者对比，还需要增加其他序列分析或融入更多的临床基线数据来提高模型的精度。

此外，MRI 影像组学亦可预测AIS 患者机械取栓后的结局与预后，如Li 等[9]在DWI 序列上提取特征，通过SVM 分类器构建AIS 患者机械取栓术后预后模型，其训练集和测试集的AUC 值分别为0.945 和0.920。影像组学还被用于针对AIS 血栓的分析，可以预测AIS 的血栓来源，进一步指导临床溶栓或取栓方式的选择[10]。

本研究中，两组患者入院时NIHSS 评分有统计学意义，提示较高的NIHSS 初评分通常预示更差的预后。影像组学模型共筛选出15 个与AIS 预后相关的特征，包括2 个一阶特征，4 个形状特征和9 个纹理特征，本研究结果显示一阶特征（first order features，FOF）、灰度游程矩阵（gray level run length matrix，GLRLM）、灰度共生矩阵（gray level co-occurrence matrix，GLCM）、灰度级大小区域矩阵（gray level size zone matrix，GLSZM）等特征与短期预后显著相关。FOF 定量描述了图像中体素的分布，这些信息可能揭示了缺血或受损组织的灰度分布。GLRLM 反映了相同灰度值的连续像素的长度，这可能表示在AIS 中受损组织的范围和连续性，并可能预示患者的恢复潜力。GLCM 描述了两个特定灰度值在图像中的共现频率，可能与AIS 患者卒中区域的微观结构有关。GLSZM 表示相同灰度级的连续区域大小，其中较大的区域可能代表广泛的受损脑组织，这与不良临床预后有关。这些影像组学特征揭示了脑卒中受损组织的微宏观特点，其中GLRLM 中测量具有较高灰度值的长运行长度的联合分布（LRHGLE）及GLCM 中逆差分归一化（IDN）特征的权重相对较大。LRHGLE 是衡量图像中高灰度值的长运行长度的分布，长的连续运行可能与某些生物结构或组织类型相对应，而高灰度值可能与特定的生物属性或组织状态相对应，在AIS 背景下，这可能与病变区域存在大块的高信号区域有关，提示更坏的临床结局。IDN 则是一种强调图像中低对比度区域的特征，其捕获了图像中相似灰度值的邻近像素的出现频率,高的IDN 值意味着图像中有更多的相似灰度值的邻近像素，在AIS 背景下，该特征可提供关于受影响脑组织的微观结构和完整性的信息，更严重的组织损伤可能导致更显著的纹理改变，与患者的预后结局和恢复潜力相关。较传统单纯分析影像资料相比，这些影像组学特征描绘了图像到更高维数据的转换，可反映影像图像不同矩阵中局部异质性、灰度扩展、灰度值差异等，为患者的预后提供影像组学依据。

本研究存在一定的局限性。本研究为回顾性且来源单中心，样本量少，需要后期扩大样本量进一步研究。其次，预测模型构建仅使用了DWI 序列，需要后期融合其他序列进一步研究。此外，本研究亦缺乏外部验证来验证模型的泛化性。

综上所述，基于MRI 构建的急性缺血性脑卒中患者短期预后的预测模型，能够较准确地预测患者的短期预后，可以为临床进行相应干预手段和治疗方案的选择提供依据。