以生境成像技术提取血肿内亚区域平扫CT影像组学特征预测自发性颅内出血患者血肿增大

卢万俊,袁梦轩,彭 剑,孙成团,沈洁玲,高丽清

(1.扬州大学附属江都人民医院神经内科,2.影像科,江苏 扬州 225200)

自发性颅内出血(spontaneous intracerebral hemorrhage, sICH)具有极高残疾率和死亡率[1-2];约30%患者在发病24 h内可发生血肿扩大(hematoma expansion, HE),此为sICH早期神经功能恶化及临床不良结局的影响因素之一[3-4]。既往基于头颅平扫CT(non-contrast CT, NCCT)预测sICH患者发生HE风险的研究多仅关注血肿内局部特征如“混合密度征”[5]、“黑洞征”[6]和CT血管成像(CT angiography, CTA)所示“点征”[7]等,或将血肿作为整体进行分析,而忽略了其内不同区域特征预测HE的价值[8]。生境分析技术可对具有相似亚区域的图像进行聚类成像并捕捉其间细微差异,近年来广泛用于肿瘤相关研究[9]。本研究观察以生境成像技术提取sICH亚区域NCCT影像组学特征预测HE的价值。

1 资料与方法

1.1 研究对象 回顾性分析2018年1月—2022年12月扬州大学附属江都人民医院收治的228例传统影像学未见明显异常的sICH患者,男149例、女79例,年龄32～92岁、平均(66.3±12.2)岁;根据HE发生与否分为HE组(n=99)和非HE(non-HE, NHE)组(n=129):HE组男63例、女36例,年龄32～91岁、平均(66.6±12.8)岁,NHE组男86例、女43例,年龄37～92岁、平均(66.0±11.8)岁。纳入标准:①首次发病;②年龄>18岁;③颅内出血为基底节区出血;④于发病后6 h内完成首次、发病后24 h内复查NCCT;⑤首次NCCT示颅内出血量10～20 ml。排除标准:①于外院接受首次NCCT检查;②服用抗血小板、抗凝等药物;③继发性脑出血,如颅脑外伤、脑血管畸形、血液系统疾病等;④传统影像学见颅内血肿表现;⑤既往脑部疾病或颅脑手术史;⑥NCCT图像质量差。本研究经院伦理委员会审核批准(YJRY-2023-K-007)。

1.2 仪器与方法 采用GE LightSpeed 64排120层螺旋CT机,嘱患者仰卧,自颅底至颅顶进行扫描;参数:管电压120 kV,管电流220 mA,矩阵512×512,FOV 25 cm×25 cm,层厚5.0 mm。

1.3 图像分析 由具有8年(医师1)、15年(医师2)工作经验的神经影像主治和副主任医师分别以盲法观察NCCT图像,评估有无传统影像学颅内血肿表现,如形态是否规则、有无“涡旋征”、“黑洞征”、“混合密度征”、“岛状征”或“卫星征”;意见不一致时,提请具有20年工作经验的主任医师(医师3)进行判断。1个月后由医师1再次分析NCCT图像,保留观察者内一致性好(Kappa>0.8)的结果。以复查NCCT示颅内血肿体积较首次NCCT增加6 ml或33%为HE[3]。

1.4 图像处理 将基线和复查NCCT图像归一化并重采样为1 mm×1 mm×1 mm大小并导入ITK-SNAP (http://www.itksnap.org, version 3.8.0)软件。首先由医师2于基线NCCT图像逐层勾画颅内血肿,再由医师3对结果进行审核及修改,软件自动计算血肿体积。以“Onekey AI”科研平台(http://www.medai.icu)的“OKT-gen_roi_rad_features.exe”软件包分别提取基线血肿内4类“熵”和2类“能量”特征,并叠加汇总保存在于扩展名为“.npy”的文件;采用 “OKT-gen_habitat_cluster.exe”软件包对上述血肿特征进行聚类:首先对血肿“熵”和“能量”特征及血肿NCCT灰度图进行叠加汇总,再以叠加汇总后的体素特征对血肿各体素进行刻画,最后以无监督的K-meams聚类算法进行体素聚类[10];以Calinski-Harabasz值为标准,选择最佳聚类簇数量(数量为3)[11]。见图1。

1.5 模型构建 将ROI整体导入“Onekey AI”科研平台,提取包括一阶、形状、灰度游程矩阵、灰度共生矩阵、灰度区域大小矩阵、灰度依赖矩阵和邻域灰度差分矩阵共1 834个影像组学特征;之后向该平台内导入ROI亚区1、ROI亚区2及ROI亚区3,分别对每亚区提取除形状外的1 820个影像组学特征。对各ROI特征进行降维筛选:首先以t检验比较HE组与NHE组特征,保留P<0.05者;之后行Pearson分析,对2个r>0.9的特征仅留其一;再以10折交叉验证的最小绝对收缩和选择算子(least absolute shrinkage and selection operator, LASSO)算法进一步降维,保留非零系数特征;最终分别于ROI整体、ROI亚区1、ROI亚区2及ROI亚区3中筛选出17、18、19及14个特征(图2)。按8∶2将患者分为训练集(n=182)和测试集(n=46)。采用支持向量机(support vector machine, SVM)分类器对4个ROI的影像组学特征进行预测HE的模型训练,并于测试集进行验证;绘制受试者工作特征(receiver operating characteristic, ROC)曲线,以曲线下面积(area under the curve, AUC)和决策曲线分析(decision curve analysis, DCA)评估模型预测效能,并以DeLong检验进行比较。

图2 ROI亚区3特征权重图

1.6 统计学分析 采用SPSS 21.0统计分析软件。以±s表示符合正态分布的计量资料,行独立样本t检验;以中位数(上下四分位数)表示不符合正态分布的计量资料,行Mann-WhitneyU检验。对分类变量行χ2检验。以logistic回归分析建立模型。P<0.05为差异有统计学意义。

2 结果

2.1 一般资料 训练集中,HE组空腹血糖[6.16(5.45,8.03)mmol/L]高于NHE组[5.77(5.00,7.24)mmol/L](t=2.047,P=0.041),而年龄、性别、既往史、血压、NCCT参数及其他实验室检查结果差异均无统计学意义(P均>0.05);测试集组间上述资料差异均无统计学意义(P均>0.05)。logistic回归分析显示,空腹血糖并非sICH HE的独立预测因素[OR=1.086,95%CI(0.993,1.188),P=0.070]。

2.2 构建模型 ROI亚区3影像组学模型预测训练集和测试集sICH 患者HE的AUC分别为0.945、0.863,与同集别内ROI整体(0.921、0.813)、ROI亚区1(0.925、0.807)及ROI亚区2(0.909、0.720)差异均无统计学意义(P均>0.05),见表1及图3;而DCA结果显示, ROI亚区3影像组学模型可较其他3个模型带来更大获益。见图4。

表1 4个基于SVM机器学习算法ROI影像组学特征模型预测训练集和测试集sICH 患者发生HE的效能

图3 ROI整体、ROI亚区1、ROI亚区2及ROI亚区3影像组学模型预测sICH 患者HE的ROC曲线 A.训练集; B.测试集

图4 4个ROI影像组学模型预测sICH 患者HE的DCA曲线 A～D.ROI整体(A)、ROI亚区1(B)、ROI亚区2(C)及ROI亚区3(D)影像组学模型预测训练集; E～H.ROI整体(E)、ROI亚区1(F)、ROI亚区2(G)及ROI亚区3(H)影像组学模型预测训练集

3 讨论

影像组学可从医学图像中自动提取肉眼无法观察到的高通量、定量纹理特征信息,为评估病灶内异质性提供可重复、客观的非侵入性方法[12-13]。虽然基于NCCT的影像组学模型预测sICH患者HE的效能优于临床数据模型,而临床-影像组学联合模型的预测效能优于单一影像组学模型[14-15],但急诊情况下采集临床资料受到一定限制,且不同研究所用临床指标差异性较大,难以标准化而不利于临床推广实施。PSZCZOLKOWSKI等[16]认为基于NCCT影像组学特征预测sICH患者早期HE的效能显著优于传统影像学;而荟萃分析[17]结果显示基于NCCT的影像组学方法具有预测sICH患者HE的潜力。

生境成像技术是根据组织病理学及分子生物学差异而将具有不同影像学特征的区域分割为多个异质性相同或相似亚区的图像处理技术[18],现已用于脑胶质瘤研究,有助于预测患者预后、生存期、治疗反应,以及评估与病理学特征的相关性等[19]。目前多以多模态图像叠加进行生境成像,以利于精确划分病灶生境,反映病灶内部更加精细的潜在生物学信息[20];但也有研究[21]以单模态影像进行生境聚类,先于原始ROI中提取“熵”的特征图像,之后融合“熵”特征与原始灰度值,从两个维度对每个体素进行刻画及聚类,相当于增加一个新模态。本研究采用后者,为更精确地划分血肿内亚区,增加了2个“能量”特征,加上4个“熵”特征及原始ROI灰度值特征,共基于7个维度特征图像进行叠加,以刻画血肿内各体素,因无需进行图像配准而更为便捷。

本研究结果显示,ROI亚区3影像组学模型预测sICH 患者HE的AUC略高于同集别ROI整体、ROI亚区1及ROI亚区2;且DCA结果显示,ROI亚区3影像组学模型可较其他3个模型带来更大获益。

综上所述,基于生境成像技术提取血肿与脑组织临界区域NCCT影像组学特征对预测sICH患者HE具有较高价值。但本研究为单中心、小样本回顾性分析,有待未来累积更多病例开展多中心前瞻性临床研究加以完善。