基于弥散加权成像的影像组学特征及机器学习构建急性脑卒中患者血管内取栓治疗后预后预测模型

朱红梅，彭明洋，王同兴，陈国中，谢光辉，周星帆

急性缺血性脑卒中是导致人们致残和致死的主要疾病之一。血管内取栓（endovascular thrombectomy，EVT）是临床治疗大血管闭塞导致的急性缺血性脑卒中最有效的一种手段，可有效改善患者预后［1-2］。既往研究表明，较小的梗死体积、丰富的侧支循环、较低的入院美国国立卫生研究院卒中量表（National Institutes of Health Stroke Scale，NIHSS）评分等均是EVT后患者预后良好的预测因素［3-5］，其中梗死体积是其预后良好的独立预测因子［6］。近年来，机器学习成为医学诊疗的研究热点，其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［7］。本研究旨在基于弥散加权成像（diffusion weighted imaging，DWI）的影像组学特征及机器学习构建急性脑卒中患者EVT治疗后预后预测模型，并分析其预测价值，现报道如下。

1 对象与方法

1.1 研究对象 本研究为回顾性研究。选取2017年1月至2020年6月南京市第一医院收治的行EVT治疗的急性脑卒中患者280例，入院时DWI为高信号，表观弥散系数（apparent diffusion coefficient，ADC）＜0.620×10-3mm2/s；磁共振血管造影（magnetic resonance angiography，MRA）显示存在颈内动脉或大脑中动脉重度狭窄或闭塞。纳入标准：（1）年龄＞40岁；（2）发病时间＜4.5 h；（3）EVT治疗后24 h复查MRI。排除标准：（1）颅内出血、肿瘤或创伤者；（2）因MRI图像有运动伪影而无法评估者。采用分层随机抽样法将所有患者分为训练集196例和测试集84例。两组患者年龄、男性比例、入院时NIHSS评分、发病至MRI时间、发病至EVT治疗时间、预后良好率比较，差异无统计学意义（P＞0.05），见表1。本研究经过南京市第一医院伦理委员会批准（批准文号2019-664），免除受试者知情同意。

1.2 MRI检查

1.2.1 MRI扫描方法 训练集患者均于EVT治疗前及治疗后24 h应用3.0T 磁共振扫描设备（Magnetom Verio，Siemens Healthineer，Germany）进行MRI检查，扫描序列包括液体衰减反转恢复序列（fluid attenuated inversion recovery，FLAIR）、DWI、MRA。扫描参数如下：DWI选用自旋回波序列，重复时间（repetition time，TR）为4 090 ms，回波时间（echo time，TE）为98 ms，翻转角为180°，扫描野为230 mm×230 mm，矩阵为192×192，层厚6 mm，16层，层间距1.3 mm，b值取0、1 000 s/mm2，持续30 s。

1.2.2 图像分割 使用ITK-SNAP软件（版本3.4.0，http：//www.itksnap.org）手动分割训练集患者EVT治疗前后的DWI，将高信号区作为感兴趣区（region of interest，ROI）。ROI均由同一名具有5年神经影像诊断经验的放射科医师完成，并由另一名具有10年神经影像诊断经验的放射科医师进行核对。

1.2.3 预处理及影像组学特征提取 应用A.K.软件（人工智能工具包V3.0.0R；GE Healthcare）对训练集患者分割的DWI图像进行预处理，主要包括图像差值、强度归一化和灰度级离散化，进一步提取图像特征，提取内容包括一阶特征、灰度共生矩阵（gray-level cooccurrence matrix，GLCM）、灰度相关矩阵（gray-level dependence matrix，GLDM）、灰度游程矩阵（gray-level run length matrix，GLRLM）、灰度尺寸区域矩阵（gray-level size zone matrix，GLSZM）、相邻灰度差分矩阵（neighboring gray tone difference matrix，NGTDM）等1 316个特征。

1.3 影像组学特征筛选及模型构建 应用相关分析、单因素分析和最小绝对收缩和选择算子（least absolute shrinkage and selection operator，LASSO）回归模型筛选预测训练集患者EVT治疗后预后的DWI的影像组学特征，同时进行五折交叉验证以优化模型参数。而后，将筛选出的影像组学特征纳入机器学习的支持向量机（support vector machine，SVM）算法进行建模。

1.4 统计学方法 应用SPSS 26.0统计学软件进行数据分析。计量资料以（±s）表示，组间比较采用两独立样本t检验；计数资料以相对数表示，组间比较采用χ2检验。LASSO回归模型、SVM分类器分别采用“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）曲线评估预测模型对测试集患者EVT治疗后预后的预测效能，计算曲线下面积（area under curve，AUC）、精准率、召回率、F1分数。

2 结果

2.1 影像组学特征的提取及筛选 通过训练集患者EVT治疗前及治疗后的DWI中的ROI共提取2 632个特征，经过相关分析后筛选出379个特征，经单因素方差分析后筛选出97个特征，最后使用LASSO回归模型筛选出12个特征，见图1、表2。

图1 2 632个影像组学特征的LASSO系数分布Figure 1 The distribution of LASSO coefficients of 2 632 radiomics

表2 筛选的预测急性脑卒中患者EVT治疗后预后的影像组学特征Table 2 The radiomics screened for predicting the outcome of acute stroke patients after EVT therapy

2.2 急性脑卒中EVT治疗后预后预测模型的预测效能基于训练集患者筛选出的12个影像组学特征，通过机器学习SVM算法建立脑卒中患者EVT治疗后预后的预测模型，ROC曲线分析结果显示，该预测模型预测测试集患者EVT治疗后预后的AUC为0.967〔95%CI（0.933，0.991）〕，精准率为0.955，召回率为0.957，F1分数为0.948，见图2。

图2 预测模型预测测试集患者EVT治疗后预后的ROC曲线Figure 2 ROC curve of predicting model in predicting prognosis after EVT therapy of patients in test set

3 讨论

目前临床主要采用EVT治疗急性缺血性脑卒中，其可快速开通闭塞的血管并恢复血流，但患者预后存在差异。因此，早期评估患者预后对指导临床进行个性化治疗具有重要的价值。既往研究表明，年龄、心房颤动、NIHSS评分等与脑卒中患者预后密切相关［8-10］。近年随着神经影像学的发展，DWI已作为重要的诊断工具广泛应用于临床［11］，治疗前DWI显示的梗死体积及最终梗死体积可预测脑卒中患者预后［3］，但该结论存在争议。影像组学特征可反映图像中的灰度分布和体素之间的相互关系，且可量化肉眼无法观察的病变内部的异质性，从而利于疾病的识别和分类［12］。目前影像组学方法已用于脑卒中相关研究，如基于CT或MRI的影像组学特征识别急性脑梗死病灶［13-14］，尤其是基于MRI的影像组学特征可为早期脑梗死后认知障碍提供帮助［15］。但目前基于DWI的影像组学特征预测脑卒中患者EVT治疗后预后的研究较少。因此，本研究基于急性脑卒中患者EVT治疗前及治疗后DWI的影像组学特征，结合机器学习SVM算法构建急性脑卒中患者EVT治疗后预后的预测模型，并探讨该预测模型的预测效能。

本研究结果显示，与急性脑卒中患者EVT治疗后预后相关的影像组学特征主要集中在一阶特征、GLCM、GLDM、GLRLM、GLSZM、NGTDM方 面。其中GLCM可反映病变的同、异质性，进而间接反映脑卒中异质性改变对患者预后的影响。GLRLM可反映图像纹理的方向性和粗糙程度等，具有方向性的纹理在某个角度可能会具有较长的游程，有助于微观分析脑卒中纹理方向及粗糙程度与患者预后的关系。

DWI的高信号区域通常为核心梗死区，DWI异常区域中包含了部分缺血半暗带组织，而缺血半暗带组织通过及时有效的治疗可部分或全部恢复。邱建博等［16］研究结果显示，治疗前DWI显示的梗死体积预测脑卒中患者血管再通治疗后预后的灵敏度和特异度分别为60.00%和95.65%，灵敏度较低；而治疗后DWI显示的梗死体积预测脑卒中患者血管再通治疗后预后的灵敏度和特异度分别为80.00%和78.26%。RIBO等［17］认为，入院时梗死体积与最终梗死体积密切相关，可作为预测患者预后的影响因子。因此，结合治疗前、治疗后DWI显示的梗死体积预测脑卒中患者EVT治疗后预后可提高准确率。SVM是一个强大而有效的机器学习分类器，其构建了一个超平面，提供了最佳的分离边界，可最大限度地分离高维物体和空间。本研究基于DWI的影像组学特征，结合机器学习构建急性脑卒中患者EVT治疗后预后的预测模型，结果显示，该预测模型预测测试集患者EVT治疗后预后的AUC为0.967〔95%CI（0.933，0.991）〕，精准率为0.955，召回率为0.957，F1分数为0.948，明显高于既往研究结果［16-17］。

综上所述，基于治疗前后DWI的影像组学特征及机器学习构建的急性脑卒中患者EVT治疗后预后的预测模型具有较高的预测效能，可用于指导临床进行个性化治疗。但本研究仍存在一定的局限性：首先，本研究为单中心的回顾性研究，样本量较小，存在分组不均衡的可能；其次，本研究未基于临床资料结合影像组学特征进行机器学习；此外，本研究采用LASSO回归模型筛选DWI的影像组学特征，并未与其他特征筛选法建立的模型进行比较，后期将进一步选择不同方法构建模型，以选择效能最优的预测模型。

作者贡献：朱红梅进行文章的构思与设计；朱红梅、周星帆进行研究的实施与可行性分析，撰写、修订论文；陈国中、谢光辉进行数据收集、整理、分析；彭明洋、王同兴进行结果分析与解释；周星帆负责文章的质量控制及审校，并对文章整体负责、监督管理。

本文无利益冲突。