基于DWI的影像组学和机器学习预测急性脑卒中机械取栓后预后

郭群，吴含，彭明洋，陈国中，殷信道，孙军

急性缺血性脑卒中具有发病率高、致残率高及病死率高等特点。机械取栓治疗可使闭塞的血管快速再通，改善卒中患者预后[1]。然而，研究显示机械取栓后预后差异较大，预后不良率约为28.6%～74.6%[2-3]。早期预测卒中患者的预后有助于早期个性化干预及康复治疗。以往的研究显示弥散加权成像(diffusion weighted imaging，DWI)梗死体积、Alberta早期CT评分(Alberta Stroke Program Early CT Score，ASPECTS)-DWI评分等可预测卒中预后[4-5]。但基于DWI预测卒中预后的结果仍存在争议。近年来，机器学习成为医学诊疗的研究热点，它可综合大数据影像资料，深度挖掘多维影像学信息，实现精准诊断及预测。本研究基于机械取栓治疗前DWI图像，采用影像组学方法获取大量特征，旨在探讨基于机器学习技术构建急性脑卒中机械取栓后预后的预测模型。

1 资料与方法

1.1 患者资料

本研究为回顾性研究，本研究经过南京市第一医院医学伦理委员会批准(批准文号：2017-148)，免除受试者知情同意。收集2017年1月至2020年9月在南京市第一医院就诊的急性脑卒中患者360例，其中男237例，女123例，年龄(68.29±19.54)岁。纳入标准：(1)年龄大于18岁；(2)急性前循环卒中患者；(3)发病时间为8 h以内；(4)机械取栓治疗前接受MRI检查；(5)接受机械取栓治疗；(6)有3个月的mRS评分。排除标准：(1)颅内出血、肿瘤或创伤；(2)MRI有运动伪影图像无法评估。采用随机分层抽样的方法将患者随机分为训练集252例，测试集108例。

收集患者的年龄、性别、入院NIHSS评分、发病至MRI检查时间、发病至机械取栓时间、与卒中密切相关的临床病史(高血压、糖尿病、房颤、高脂血症、高同型半胱氨酸)。采用mRS评分方法评估卒中患者3个月功能预后：mRS 0～2为预后良好，mRS 3～6为预后不良。

1.2 MRI扫描方法

所有患者采用3.0 T MR扫描设备(Ingenia,Philips Medical Systems，Netherlands)进行检查。扫描序列包括液体衰减反转恢复(fluid attenuated inversion recovery,FLAIR)序列、DWI、磁共振血管造影(magnetic resonance angiography,MRA)。部分扫描参数如下：DWI采用自旋回波序列，TR 2501 ms，TE 98 ms，矩阵152×122，3个方向，视野230 mm×230 mm，翻转角90°，层数18，层厚6 mm，层间距1.3 mm，b=0和1000 s/mm2。

1.3 图像分析

(1)图像分割：使用ITK-SNAP软件(版本3.4.0，http://www.itksnap.org)，对DWI图像上高信号区进行感兴趣区(region of interest，ROI)逐层勾画后合成三维ROI(图1)。所有ROI均由1名具有5年神经影像诊断经验的放射科医师完成，并由另1名具有10年神经影像诊断经验的放射科医师进行核对。(2)图像标准化：使用μ±3σ方法对ROI进行归一化，然后采用灰度量化来减少计算时间和提高纹理结果的信噪比；最后，使用三维插补技术对容积病灶进行各向同性重采样，以确保获取三维特征的比例和方向保持不变。(3)特征计算：应用A.K.软件(分析版本1.0.3；美国GE Healthcare)对患者DWI图像进行特征提取，最终提取First Order，Shape，GLCM，GLSZM，GLRLM，NGTDM，GLIM等1136个特征。

图1 DWI高信号感兴趣区逐层勾画融合成三维ROI示例Fig.1 A case example of DWI high signal ROI layer delineation and fusion into 3D region of interests(ROIs).

1.4 特征选择、模型构建和测试

先应用单因素逻辑回归分析筛选特征，再进一步应用最低绝对收缩和选择算子(least absolute shrinkage and selection operator，LASSO)回归模型筛选预测预后的最佳影像组学特征，同时进行五折交叉验证对模型参数进行最优化。将LASSO筛选出的影像组学特征纳入支持向量机(support vector machine，SVM)机器学习算法进行建模。SVM采用线性核，应用五折交叉验证进行模型训练，构建并测试基于DWI的预测卒中机械取栓后预后的预测模型。

1.5 统计方法分析

(1)临床资料统计学分析采用SPSS 26.0软件。正态分布的计量资料以均数±标准差表示，计数资料采用例数(百分率)表示，训练集和测试集两组间临床资料比较采用独立t检验或卡方检验分析，P＜0.05为差异有统计学意义。(2)LASSO回归模型、SVM分类器分别基于glmnet、e1071程序包完成。应用Sklearn(http://scikit.learn.org/stable/)机器学习模块的受试者工作特征(receiver operating characteristic，ROC)曲线分析评估模型预测急性脑卒中机械取栓治疗后预后的预测效能。获得受试者工作特征曲线下面积(area under curve，AUC)、准确度、敏感度、特异度、阳性预测值、阴性预测值等模型评价指标。

2 结果

2.1 临床资料比较

共360例急性脑卒中患者纳入研究，其中，252例训练集中预后良好者149例，108例测试集中预后良好者68例。训练集与测试集间、预后良好组与预后不良组间的年龄、性别、入院NIHSS评分、发病至MRI检查时间、发病至机械取栓治疗及相关临床病史均无明显差异(P＞0.05)(表1)。

表1 训练集与测试集卒中患者基本临床特征比较Tab.1 Comparison of basic clinical features between train set and test set in stroke patients

2.2 影像组学特征的提取及筛选

1136个DWI影像组学特征，通过单因素逻辑回归分析及LASSO回归降维筛选出21个特征(表2)。基于LASSO回归模型，利用5折交叉验证中最优的λ来选择系数非零的最佳影像组学特征，影像组学特征的LASSO系数分布见图2，热图见图3。

表2 预测急性脑卒中机械取栓后预后的最佳影像组学特征Tab.2 The best imaging omics characteristics for predicting the outcome after mechanical thrombectomy in acute stroke

图2 1136个影像组学特征的LASSO系数分布 图3 最佳影像组学特征分布热图。A：训练集；B：测试集Fig.2 The distribution of LASSO coefficients of 1136 imaging omics characteristics.Fig.3 The heatmap of training set(A)and test set(B)for the best imaging omics characteristics.

2.3 急性脑卒中机械取栓后预后预测模型构建及测试

基于所得的最佳影像组学特征通过SVM分类器建立卒中预后预测模型。应用ROC曲线分析该模型预测训练集患者机械取栓后预后的AUC为0.956，敏感度和特异度分别为0.965、0.948，准确度为0.954；预测测试集患者机械取栓后预后的AUC为0.801，敏感度和特异度分别为0.818、0.816，准确度为0.828(表3，图4)。

图4 基于DWI预测急性脑卒中机械取栓后预后的受试者工作特征曲线Fig.4 Receiver operating characteristic curve for predicting outcome after mechanical thrombectomy in acute stroke based on DWI.

表3 基于DWI预测急性脑卒中机械取栓治疗后预后预测模型的效能Tab.3 Efficacy of DWIin predicting outcome after mechanical thrombectomy in acute stroke

3 讨论

急性脑卒中患者经机械取栓治疗后尽管血管再通率高，但有很大一部分患者功能预后较差，早期预测患者的功能预后可尽早行相应的干预及康复治疗，如血压血糖的控制、个体化早期抗凝药及抗血小板聚集药治疗、神经认知等康复治疗，提高其生活质量[6-7]。然而，由于急性脑卒中机械取栓治疗后功能预后的机制复杂，目前预测卒中功能预后的研究仍存在争议[8-9]。近年来，神经影像技术已从基本的诊断工具扩展到更重要的作用，目前应用较多的主要为选择再灌注治疗并预测预后[10-11]。其中，DWI序列作为急性脑卒中一线诊断工具的一部分，是目前评估急性脑卒中梗死体积最准确的方法[12-13]。

DWI上高信号区域通常为核心梗死区。以往的研究认为急性脑卒中患者的梗死体积与预后密切相关，治疗前较小的梗死体积通常具有较好的预后[4]。然而，以往的研究结果仍存在争议：邱建博等[14]认为当DWI梗死体积＜33.5 mL时预后较好，Ribo等[15]认为入院DWI梗死体积＜40 mL时预后通常较好，而Raoult等[16]研究发现DWI梗死体积＞80 mL时常预后不良。由此可见，基于传统的影像学参数预测卒中预后的能力有限。近年来，提供多参数形态和功能信息的影像组学成为研究热点[17-18]。影像组学突破基于形态学和半定量分析的传统影像医学模式，采用高通量特征提取算法，对影像图像进行定量分析，充分深入挖掘和分析隐含在图像中的额外信息，最高效的利用影像学检查结果，为临床提供个性化治疗提供支持[19]。LASSO回归是变量选择中的压缩估计方法，已广发用于高维数据的降维和回归分析[20]。本研究通过LASSO回归模型，从1136个特征参数中筛选出21个有预测价值的指标，然后使用SVM建立预测模型。在LASSO回归模型中，当λ变小时，协变量的一些系数可缩小为零。本研究为实现特征筛选和防止过度拟合，在选择交叉验证错误最小时的λ为最优参数。

目前已有一些基于机器学习预测急性脑卒中预后的研究，Heo等[21]研究发现基于临床信息(NIHSS评分、既往病史、实验室检查等)的机器学习算法，可改善缺血性卒中患者长期预后的预测。但该研究未纳入影像图像进行分析。Hamann等[22]基于不同的机器学习模型，发现核心梗死体积与预后相关，但不建议将不匹配因素或者侧支循环作为排除机械取栓治疗的因素。Xie等[23]基于512例急性脑卒中患者的影像、流行病学及临床资料进行Gradient Boosting机器学习预测预后，结果显示其预测不良预后的准确率为87.7%，与本研究结果相似。但该研究存在纳入的特征为基本临床及影像参数，未通过高通量方法提取影像组学特征。本研究通过SVM构建急性脑卒中预后预测模型，SVM作为一种强大而有效的机器学习分类器，可构建一个超平面，提供最佳的分离边界。结果显示训练集和测试集中，基于DWI预测急性脑卒中机械取栓后预后的AUC分别为0.956和0.801，其准确度达0.954、0.828。本研究结果优于邱建博等[14]通过传统的统计学方法预测预后结果，其结果显示DWI预测卒中功能预后的敏感度和特异度分别为60%和95.65%。

本研究仍存在一定的局限性。首先，本研究为回顾性研究，样本量选择时可能存在一定的偏倚。此外，机器学习的特征选择方法较多，如独立成分分析法、逻辑回归分析法，本研究采用LASSO回归法进行筛选，并未比较其他特征筛选法所建模型的差异，后期将进一步比较不同特征筛选方法模型构建的效能，以选择最优效能，适合临床应用的模型。

综上所述，基于DWI的机器学习构建的急性脑卒中机械取栓治疗后预测预测模型，能够较为准确地预测卒中预后，为临床后续个性化治疗提供依据。

作者利益冲突声明：全体作者均声明无利益冲突。