基于平扫CT的Logistic回归模型和朴素贝叶斯模型预测血肿扩大

宋祖华，周治明*，郭大静，唐茁月，李 欣

(1.重庆医科大学附属第二医院放射科，重庆 400010；2.重庆市人民医院放射科，重庆 400013)

自发性脑出血占脑卒中的10%～30%，致残率和死亡率高[1-2]，血肿扩大(hematoma enlargement, HE)被认为是自发性脑出血患者病死率和预后不良的独立预测因子和可调控因素[3-4]，因而准确预测HE对临床干预自发性脑出血具有重要意义。近年来，研究[5-11]发现多种CT平扫征象，包括卫星征、漩涡征、混合征和低密度征等以及临床和实验室指标可用于预测自发性脑出血早期HE。基于机器学习的预测模型具有较为准确的预测效果。作为经典的机器学习算法之一，朴素贝叶斯(naive Bayesian, NB)可自多变量大数据集中自动优化模型，并在最小监督下持续纳入新的临床数据[12]。本研究分析自发性脑出血早期HE相关因素，基于常规Logistic回归和NB分别构建预测自发性脑出血早期HE模型，并观察其预测价值。

1 资料与方法

1.1 一般资料 回顾性分析2015年4月-2019年11月486例于重庆医科大学附属第二医院经颅脑CT证实的脑出血患者。纳入标准：①年龄≥18岁；②发病6 h内接受初次CT扫描；③24 h内接受随访CT扫描。排除标准：①随访CT扫描前接受手术治疗；②缺血性脑梗死出血转化；③脑外伤、血管畸形、颅内动脉瘤及脑肿瘤等继发性脑出血；④原发性脑室内出血；⑤CT图像质量欠佳。最终纳入208例患者，男123例，女85例，年龄31～88岁，平均 (61.2±13.2)岁。HE的定义：随访CT显示血肿体积比例较初次CT增加>33%，或血肿体积差>6 ml[4,13]。HE组86例，男60例，女26例，年龄32～88岁，平均(62.1±13.4)岁；非HE组122例，男63例，女59例，年龄31～88岁，平均(60.6±13.2)岁。本研究经医院伦理委员会批准，患者均签署知情同意书。

1.2 仪器与方法 采用Philips Ingenuity 64层和Toshiba Aquilion ONE 320层CT扫描仪行颅脑CT平扫，参数：管电压120 kV，智能匹配管电流技术(250～300 mA)，矩阵512×512，层厚1或5 mm，探测器宽度0.625 mm。由1名具有9年以上头颈部影像学诊断经验的主治医师和1名具有14年以上头颈部影像学诊断经验的副主任医师独立盲法阅片，对CT征象进行评价和记录，意见不一时经协商达成一致。评价内容包括出血病灶形态(规则或不规则)、密度(均匀或不均匀)以及是否存在卫星征、漩涡征、混合征及低密度征[5-9]。

1.3 构建模型与评估

1.3.1Logistic回归方法 采用SPSS 22.0统计分析软件，根据独立预测因子以Logistic回归方法构建模型，以受试者工作特征(receiver operating characteristic, ROC)曲线计算其敏感度、特异度、阳性预测率、阴性预测率、准确率及ROC曲线下面积(area under the curve, AUC)。

1.3.2 NB方法 将患者按照7∶3分为训练集(145例)和测试集(63例)，利用RapidMiner Studio软件(https://rapidminer.com/)，采用NB方法在训练集建立模型，以10倍交叉验证在测试集上优化训练的NB模型，评估方法同样用ROC曲线。

1.4 统计学分析 采用SPSS 22.0统计分析软件，连续变量以±s表示，选用独立样本t检验；分类变量以频率(百分比)表示，选用χ2检验。采用单因素分析比较2组间一般临床资料和CT影像特征的差异，筛选出具有统计学意义的相关变量，然后对这些变量进行多因素分析，计算优势比(odds ratio, OR)及95%置信区间(confidence interval, CI)，最终挑选出用于构建模型的HE独立预测因子。P<0.05为差异有统计学意义。

2 结果

2.1 单因素分析 8个单因素变量，包括性别、糖尿病病史、入院时格拉斯哥昏迷量表(Glasgow coma scale, GCS)评分、血小板含量、载脂蛋白A1含量、CT漩涡征、卫星征和伴脑室内出血的组间差异具有统计学意义(P均<0.05)，其他观察指标组间差异无统计学意义。见表1、图1～6。

图1 患者男，45岁，自发性脑出血 平扫CT图像示右侧基底节区血肿内低密度征(箭) 图2 患者女，48岁，自发性脑出血 平扫CT图像示右侧基底节区血肿内混合征(箭) 图3 患者女，56岁，自发性脑出血 平扫CT图像示左侧基底节区血肿卫星征(箭) 图4 患者男，61岁，自发性脑出血 平扫CT图像示右侧基底节区不规则血肿(箭) 图5 患者男，32岁，自发性脑出血 平扫CT图像示左侧基底节区血肿内伴脑室内出血(箭) 图6 患者女，40岁，自发性脑出血 平扫CT图像示左侧基底节区血肿内漩涡征(箭)

表1 HE组与非HE组单因素分析结果

2.2 多因素分析 男性、糖尿病病史、CT卫星征、漩涡征及伴脑室内出血5个特征可作为HE的独立预测因子(P均<0.05)，见表2。

表2 HE组与非HE组多因素分析结果

2.3 诊断效能比较Logistic回归模型、NB模型在训练集中与测试集中预测HE的敏感度分别为0.620、0.627和0.500，特异度分别为0.880、0.779与0.946，阳性预测率分别为0.780、0.678和0.867，阴性预测率分别为0.760、0.769与0.729，准确率分别为0.770、0.717与0.762，AUC分别为0.823、0.768与0.847。见图7。

图7 模型预测HE的ROC曲线 A.Logistic回归模型； B.NB模型针对训练集； C.NB模型针对测试集

3 讨论

本研究通过评估多种临床变量与HE的关系，发现男性、糖尿病病史、CT显示漩涡征与卫星征、伴脑室内出血这5个因素与HE密切相关，可作为HE独立预测因素，既往研究[14]显示男性患HE风险高于女性，可能与男女生活习惯差异有关，如多数男性有吸烟或饮酒习惯，吸烟、饮酒或为HE潜在风险因素。本研究提示糖尿病是HE的预测因素，糖尿病患者血糖水平升高，易加速血脑屏障破坏并损害小血管的完整性，进而导致HE[15-16]。

据报道[17]，HE是单一或多个出血点出血造成的，且多个出血点可在最初血肿内呈现级联出血模式，导致邻近血管的二次剪切损伤。颅脑CT平扫速度快、效率高，是诊断脑出血的常用方法。HE于CT图像上常表现为形态不规则或密度差异，CT判断血肿形态及密度是否具有异质性至关重要。

本研究表明卫星征与漩涡征与HE显著相关，与既往研究[18-19]一致。卫星征提示血肿主体周围存在散在小血肿，有研究[5]推测其为小血管再灌注损伤或多发小动脉损伤所致，易引起血肿体积进一步扩大；漩涡征提示血肿密度存在异质性，可能反映出血的时间差异：新鲜血液呈低密度，血凝块回缩并分离出血清后则呈高密度[6]。自发性脑出血伴脑室内出血也是HE独立预测因素之一，本研究样本中血肿多数来自丘脑或基底节区，该部位组织顺应性较大，因压力梯度增加而出血增多，同时此部位邻近脑室，血肿易破溃进入受压能力较弱的脑室[20]。

机器学习能够从数据中有效学习，并对新数据做出准确预测，目前已成功用于评估蛛网膜下腔出血患者预后及肿瘤鉴别诊断等多个领域[21-22]。本研究以NB方法根据常规可用变量建立模型预测HE，其在测试集的AUC为0.847，高于Logistic回归模型的AUC(0.823)，表明NB模型诊断效能高于传统Logistic回归模型，具有良好的预测HE性能与潜能，能够早期识别具有HE风险的患者。

本研究的局限性：①为小样本单中心回顾性研究，可能存在样本选择偏倚；②所用Logistic回归模型对数据和场景的适应能力存在局限性；③建立NB模型时，基于训练集数据来判断后验概率，从而决定分类，导致稳定性欠佳。

综上所述，基于平扫CT的Logistic回归模型和NB模型有助于预测自发性脑出血早期HE；NB模型预测自发性脑出血早期HE效能优于Logistic回归模型。