基于MRI影像组学和机器学习预测急性脑卒中出血转化的研究

2022-05-28缪丽琼彭明洋王同兴陈国中殷信道吴刚

磁共振成像 2022年3期

缪丽琼，彭明洋，王同兴，陈国中，殷信道，吴刚*

作者单位：1.江阴市中医院放射科，无锡214400；2.南京医科大学附属南京医院(南京市第一医院)医学影像科，南京210006

血管内机械取栓切除术(mechanical thrombectomy，MT)是目前治疗大血管闭塞引起的急性缺血性脑卒中(acute ischemic stroke，AIS)最有效的方法[1]。MT 治疗可使闭塞的血管快速再通，改善预后。然而，临床显示经MT 治疗后可高达46.1%的患者会出现出血转化(hemorrhagic transformation，HT)并发症，增加患者致残致死风险[2-3]。因此，早期预测HT的发生具有重要的意义。目前国内外已有急性脑卒中HT的危险因素评估或评分模型的研究，然而，这些评分模型的预测准确度为70%～77%[4-5]，对中国人群的预测能力降至53.9%～69.5%[6]。由于预测性能不佳，难以推广至临床。近年来影像组学和机器学习的发展为HT的预测提供了新的契机。影像组学分析可通过从图像中提取高维的定量特征，从而获得更多难以通过直观观察获得的病理生理学信息，其已被证明可以提高从各种成像方法(如CT、MR 和超声)中提取的诊断信息的水平[7]。而机器学习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[8]。目前已有少数基于机器学习算法预测HT 的研究，然而这些研究多为基于临床特征或常规MRI 特征[9-10]。本研究拟基于多模态MRI的影像组学特征，利用机器学习方法构建急性脑卒中MT 后HT 的预测模型，以期实现临床治疗决策的提升及个性化治疗方案的制订。

1 资料与方法

1.1 研究对象

本研究经过南京医科大学伦理委员会批准[批准文号：(2019-664)]，免除受试者知情同意。回顾性分析2017年1月至2020年12月在南京市第一医院行急诊MRI 的急性脑卒中患者的临床和影像学资料。入组标准：(1) MR 证实为前循环的急性脑梗死；(2)症状发生6 h 内行多模态MRI 检查；(3)行MT 治疗；(4) MT后24 h 内有随访CT 或MRI。排除标准：(1)存在脑出血、肿瘤、外伤或手术史；(2)参与其他研究，接受额外药物或治疗；(3)图像伪影或其他因素影响图像评估。最终共有214 例患者纳入本次研究，其中男139 例，女75例，年龄(70.75±14.36)岁。

HT 定义为MT 术后24 h 内头颅CT 或MRI 复查存在脑实质出血或蛛网膜下腔出血[11]。对于部分由于对比剂渗出评估较困难者，由2位有经验的诊断医师根据术前MRI 及术后3～7 天随访的MRI 综合评估进行判断是否存在出血。采用随机分层抽样法将患者随机分为训练集150例，测试集64例。

1.2 检查方法

使用Philips Medical Systems 3.0 T MRI 扫描设备进行多模态MRI扫描。扫描参数如下：弥散加权成像(diffusion weighted imaging，DWI)采用自旋回波序列：TR=2501 ms，TE=98 ms，FA=90°，视野=230 mm×230 mm，矩阵=152×122，层厚6 mm，18 层，层间距1.3 mm，b=0、1000 s/mm2，扫描时间43 s；动态磁敏感灌注加权成像(perfusion weighted imaging，PWI)采用平面回波序列：TR=2000 ms，TE=30 ms，矩阵=96×93，视野=224 mm×224 mm，FA=90°，层厚4 mm，扫描时间88 s。

1.3 影像组学及机器学习分析

在多模态MRI 图像上，进行与MT 相关的影像组学特征分析，具体步骤如下所示：(1)感兴趣区分割：Tmax图由RAPID 软件(iSchemiaView，版本号：5.0.2)自动处理生成。使用ITK-SNAP 软件(版本3.4.0，http://www.itksnap.org)手动分割DWI 高信号急性脑梗死区和Tmax灌注异常区作为感兴趣区(region of interest，ROI)。由1名有10年神经影像诊断经验的放射科医师进行ROI 的勾画。(2)预处理：使用AK 软件(人工智能工具包V3.0.0.R，GE Healthcare)对图像进行预处理，主要包括图像插值、强度归一化和灰度级离散化。(3)特征提取：使用AK 软件分别对DWI和Tmax图的ROI进行特征提取，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，灰度依赖矩阵等共396 个特征。(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)逐步进行特征筛选，通过构造惩罚函数得到一个较为精练的模型，压缩一些回归系数，并设定一些回归系数为零，同时采用十折交叉验证对模型参数进行最优化。(5)构建模型：应用支持向量机(support vector machine，SVM)分类器，对筛选的特征进行机器学习，构建模型。SVM 采用线性核，应用五折交叉验证进行模型训练，构建基于多模态MRI 的HT 预测模型。

1.4 统计学方法

临床数据应用SPSS 软件(26.0 版)进行统计学分析。正态分布的计量资料以均数±标准差表示，应用独立t检验分析；计数资料采用例数(百分率)表示，应用卡方分析。P＜0.05 为差异有统计学意义。应用AK 软件自带的统计学方法进行特征筛选。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操作特征(receiver operating characteristic，ROC)曲线分析评估模型预测HT 的预测效能。获得ROC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 临床基线资料组间比较

训练集与测试集的HT 比例、入院时美国国立卫生院卒中量表(National Institute of Health Stroke Scale，NIHSS)评分、性别、年龄、发病至MRI 检查时间差异无统计学意义(P＞0.05)，详见表1。

表1 训练集和测试集的临床基线资料比较Tab.1 Comparison of basic clinical data between training set and test set

2.2 影像组学特征提取及筛选

DWI和Tmax图分别提取了396个特征，通过方差分析+秩和检验后剩下272 个特征，Spearman 相关性检验后剩下79 个特征，最后使用LASSO 降维后选择的特征数为10 个，特征及权重值见表2，影像组学特征的LASSO 系数分布图见图1，筛选的最佳影像组学特征相关性图见图2。

表2 LASSO降维后与HT最相关的影像组学特征Tab.2 Radiomics related to HT after LASSO dimensionality reduction

图1 影像组学特征的LASSO 系数分布。LASSO：最小绝对收缩与选择算子算法。Fig. 1 The distribution of LASSO coefficients of radiomics. LASSO:least absolute shrinkage and selection operator.

图2 LASSO 降维筛选出的与出血转化相关的影像组学特征之间的相关性图。LASSO：最小绝对收缩与选择算子算法。Fig. 2 The correlation heatmap of the screened features related to hemorrhagic transformation by LASSO dimensionality reduction. LASSO:least absolute shrinkage and selection operator.

2.3 急性脑卒中HT预测模型构建及效能评估

基于所得的最佳影像组学特征通过SVM 分类器建立HT 预测模型。应用ROC 曲线分析该模型预测训练集患者HT 的AUC 为0.984，敏感度和特异度分别为0.932、0.967，准确度为0.946；测试集患者预测HT的AUC 为0.921，敏感度和特异度分别为0.826、0.852，准确度为0.851(表3，图3)。

表3 机器学习模型预测训练集及测试集HT的效能Tab.3 Efficacy of machine learning for predicting HT intraining set and test set

图3 训练集和测试集用于出血转化预测的ROC曲线。Fig. 3 Receiver operating characteristic curve of training set and test set for predicting hemorrhagic transformation.

3 讨论

本研究对214例急性脑卒中患者的DWI和PWI的影像组学特征进行筛选、降维，共筛选出与MT治疗后HT密切相关的10个影像组学特征，包括6个DWI特征(1个一阶特征、1个灰度依赖矩阵、1个灰度共生矩阵特征、1 个游程矩阵特征和2 个灰度区域大小矩阵特征)和4 个PWI 特征(2 个灰度依赖矩阵、1 个灰度共生矩阵特征和1 个游程矩阵特征)。经机器学习建模后，结果显示该模型对HT具有较好的预测效能，其准确度达0.851。本研究构建的预测模型可使临床医生在MT 治疗前能够快速准确地判断患者的HT 风险，制订个性化治疗方案，并可及时与患者家属沟通，减少医患纠纷。

3.1 国内外HT预测模型的研究现状

早期预测急性脑卒中MT 治疗后HT 风险对个体化治疗及康复治疗非常重要。目前已有的HT风险评分模型主要通过将临床上有限数量的易得的预测因子纳入Logistic 回归中，根据回归系数或OR 值为每个预测因子分配一个整数值，将总得分点转化为治疗后HT 的风险[4-5]。然而，由于各个预测评分模型纳入的变量差异较大，且特征变量的类别和数量较少，预测的准确度不高。且这些模型大多为基于静脉溶栓治疗患者的预测。在急性脑卒中MT 治疗后HT 风险的预测研究中，除了常规的临床参数及血生化指标外[12]，基于DWI 和PWI 的影像学方法是其首选的评估方法[13]。然而，由于急性脑卒中MT 治疗后HT 的复杂性、不确定性，目前预测急性脑卒中MT 治疗后HT临床研究仍存在争议。因此，构建HT的预测模型，有助于达到早识别、早干预的目的。

3.2 影像组学在急性脑卒中HT 预测中的应用价值分析

近年来，影像组学研究成为热点，影像组学可对医学影像图像进行定量化测量，深入挖掘图像数据，高通量提取图像的纹理特征，量化肉眼无法感知的病变内部异质性，从而促进疾病的识别和分类[14-15]。目前在脑卒中的诊疗及预后评估中已有较多研究，如Kuang 等[16]研究显示基于CT 影像组学的机器学习可自动计算脑梗死的ASPECTS 评分；Brugnara 等[17]发现基于CT 的影像组学和临床特征的机器学习，可准确预测急性脑卒中血管内治疗后临床预后。此外，MR 影像组学亦可有效识别脑梗死病灶及缺血半暗带[18-19]。但是影像组学与HT 发生之间的关系研究较少。

本研究结果显示一阶特征、恢复依赖矩阵、灰度共生矩阵、游程矩阵及灰度区域大小矩阵特征方面与HT密切相关。一阶特征可以定量的方式描述图像中体素的分布；灰度共生矩阵特征是描述图像灰度组合的值、距离和角度的一种纹理特征，可反映病变的同、异质性；灰度游程矩阵特征可反映图像纹理的方向性和粗糙程度等信息，具有方向性的纹理在某个角度可能会具有较长的游程[20]；灰度区域大小矩阵特征在表征纹理一致性、非周期性或斑点状纹理效果方面显著。较以往临床及影像资料相比，这些影像组学特征描绘了图像到更高维数据的转换，可反映不同矩阵中局部异质性、灰度扩展、灰度值差异等。这些肉眼无法观察的信息可能反映了急性脑卒中病灶的异质性及其HT的机制。

3.3 急性脑卒中HT预测模型效能分析

以往的研究显示AIS 机械取栓治疗前DWI 梗死体积大于供血血管区域的1/3 时，HT 风险增加[21]。Caparros 等[22]发现当临界值为4 cm3时，DWI 梗死体积预测急性脑卒中静脉溶栓后症状性HT的敏感度为78%、特异度为58%。Okazaki 等[13]发现急性脑卒中MT治疗后发生HT的患者，病变部位的脑血流明显升高，局部高灌注(同侧与对侧比值大于1.5)与治疗后HT有关。由此可见，DWI 与PWI 均与HT 的发生相关。而本研究基于以上DWI 和PWI 图像所筛选的特征，通过SVM 分类器进行机器学习，构建HT 预测模型。SVM 作为一个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，以最大限度分离高维物体、空间[23]。本研究结果显示，在训练集中，基于SVM 分类器的预测模型其预测HT 的AUC 可达0.984，准确度为0.946。在测试集中的AUC 可达0.921，准确度为0.851。Yu等[24]通过对AIS患者再灌注治疗前DWI 和PWI 图像进行机器学习后建立预测发生HT 的脑区位置模型，其准确度可达(83.7±2.6)%。本研究与该研究的不同之处在于，本研究并未预测HT 的脑区位置，而是根据DWI 和PWI 的图像的影像组学特征的学习，预测患者是否有HT的风险。Bouts等[25]基于大鼠的多参数MRI 特征通过随机森林算法预测卒中后HT，结果显示该预测模型与基于灌注或渗透性参数的阈值方法相比有较显著改善。由此可见，通过机器学习预测模型的构建，可早期识别具有HT 风险的患者，从而进行早期干预、个性化治疗。