机械取栓治疗前后扩散加权成像影像组学结合机器学习预测卒中的预后

郭毅，陈罕奇，王同兴，陈国中，张浩*

1.南京医科大学附属常州市第二人民医院放射科，江苏 常州 213003；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，江苏 南京 210006；*通信作者 张浩 zhanghao1825@126.com

急性缺血性脑卒中具有较高的发病率和致残率。机械取栓治疗是目前快速再通血管的措施，可以改善卒中的预后[1]。然而既往研究显示机械取栓后预后不良率差异较大（28.6%~74.6%）[2-4]。因此，准确预测卒中预后对临床早期个性化干预及康复治疗尤为关键。本研究拟结合机械取栓治疗前后扩散加权成像（DWI）梗死病变的影像组学特征和机器学习的方法开发一种模型，用于预测急性脑卒中的预后，并通过外部数据集验证该模型的准确性。

1 资料与方法

1.1 研究对象 回顾性分析2017年1月—2020年9月在南京市第一医院就诊的急性脑卒中患者225例，男146例，女79例，年龄49~82岁，平均（67.2±18.5）岁。根据中国急性缺血性脑卒中诊治指南2018[5]，所有患者经急诊绿色通道就诊，入院后行头颅CT平扫检查，符合静脉溶栓条件者行静脉溶栓治疗后立即行MRI检查，经MRI评估后符合机械取栓治疗的患者行急诊取栓治疗，治疗后24 h内进行MRI随访。纳入标准：①年龄>18岁；②前循环卒中（大脑中动脉或大脑前动脉重度狭窄或闭塞）；③发病时间为8 h以内；④机械取栓治疗前、治疗后24 h内接受MRI检查；⑤接受机械取栓治疗后血管完全再通（mTICI为2b及以上）；⑥有3个月的改良Rankin评分量表（modified Rankin Scale，mRS）评分。排除标准：①颅内出血、肿瘤或创伤；②MRI有运动伪影图像无法评估。采用分层抽样方法，根据入院美国国立卫生研究院卒中量表（National Institute of Health Stroke Scale，NIHSS）评分按7∶3将患者随机分为训练集157例、测试集68例。另以相同纳入及排除标准回顾性收集2017年1月—2020年9月在南京医科大学附属常州市第二人民医院就诊的急性脑卒中患者75例作为外部验证集，其中男41例，女34例，平均年龄（67.0±17.8）岁。本研究经南京医科大学伦理委员会批准（2019-664），免除受试者知情同意。

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

1.2 仪器与方法 所有患者于治疗前、治疗后采用3.0T MR扫描仪（Ingenia，Philips）进行检查。扫描序列包括FLAIR、DWI、MRA。扫描参数：DWI采用自旋回波序列，TR 2 501 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、1 000 s/mm2。

1.3 图像处理 导出原始DICM图像数据后在ITKSNAP 3.4.0软件（http://www.itksnap.org）中勾画感兴趣区（ROI）：采用双盲法对图像进行ROI勾画，由1名具有5年神经影像诊断经验的放射科高年资主治医师勾画所有患者治疗前、治疗后DWI图像上急性脑梗死区，并由另1名具有10年神经影像诊断经验的放射科副主任医师进行核对。将勾画好的ROI及原序列批量导入影像组学处理软件A.K. 1.0.3，提取First Order、GLCM、GLDM、GLRLM、GLSZM、NGTDM等共计396个[7]。

1.4 特征选择、模型构建及验证 通过Z-SCORE标化提取的治疗前及治疗后DWI的792个影像组学特征。采用单因素逻辑回归分析进行特征筛选，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，构建并测试基于治疗前后DWI的机器学习预测急性脑卒中机械取栓后预后的模型。进一步应用验证集数据对所构建模型进行验证，评估该模型的效能。

1.5 统计学方法 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±s表示，两组比较采用独立样本t检验，多组间比较采用方差分析；计数资料以例（%）表示，组间比较采用χ2检验。P<0.05为差异有统计学意义。②LASSO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（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。获得曲线下面积（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 共纳入300例急性脑卒中患者，预后良好173例，预后不良127例，两组间年龄、性别、入院NIHSS评分、发病至MRI检查时间、发病至机械取栓时间及其他相关临床病史比较，差异无统计学意义（P>0.05），见表1。157例训练集中预后良好89例，68例测试集中预后良好40例；75例验证集中预后良好44例。训练集、测试集及验证集3组间年龄、性别、入院NIHSS评分、发病至MRI检查时间及发病至机械取栓治疗差异均无统计学意义（P>0.05），见表2。

表1 急性脑卒中患者基本临床特征比较

表2 急性脑卒中患者训练集、测试集及验证集基本临床特征比较

2.2 影像组学特征 通过LASSO降维后筛选出5类20个可预测急性脑卒中预后的定量化影像组学特征，分别为GLCM、GLDM、GLRLM、GLSZM、NGTDM，具体特征见表3，LASSO系数分布见图1，热图见图2。

表3 预测急性脑卒中机械取栓后预后的最佳影像组学特征

2.3 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。用ROC曲线分析该模型预测训练集和测试集患者机械取栓后预后的效能见表4和图3。

表4 基于治疗前后DWI预测急性脑卒中机械取栓治疗后预后预测模型的效能

2.4 预测模型验证 应用验证集数据进行预测模型的外部验证，应用ROC曲线分析该模型预测验证集患者机械取栓后预后的AUC为0.901，敏感度和特异度分别为0.881、0.886，准确度为0.898（表4，图3）。

3 讨论

3.1 卒中预后预测的必要性 临床研究发现，治疗前DWI梗死体积、治疗后DWI梗死体积、梗死体积增长等与急性脑卒中机械取栓治疗后预后密切相关[8]。但多数研究仅探讨其中1种或数种因素，未能综合考虑治疗前后梗死体积对预后的影响，且不同研究中梗死体积对预后预测的准确度和特异度也有差异[8-10]。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[11-12]。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，最高效地利用影像学检查结果，为临床个性化治疗提供支持[13-15]。

3.2 治疗前后DWI预测卒中预后的价值 本研究纳入治疗前、治疗后DWI图像预测急性脑卒中预后。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[16-17]。既往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预后较好[8]。然而，Yoo等[18]认为急性脑卒中患者机械取栓后的最终梗死体积是决定3个月预后的关键性因素，当最终梗死体积>90 ml时，对预测卒中预后不良具有高度特异性。因此，将治疗前、治疗后DWI梗死图像纳入研究，对预测卒中后预后具有重要意义。

3.3 卒中预后的影像组学结合机器学习预测方法 目前对于机器学习预测急性脑卒中机械取栓后预后的研究，基于临床资料的较多[19-20]，但随着神经影像的发展，MRI图像可提供更多的信息。本研究基于治疗前、治疗后DWI图像共提取792个特征，经LASSO回归模型筛选出20个最佳影像组学特征。LASSO回归是变量选择中的压缩估计方法，已广泛应用于高维数据的降维和回归分析[21]。在LASSO回归模型中，当λ变小时，协变量的一些系数可以缩小为0。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。基于所选的最佳影像组学特征通过SVM构建急性脑卒中预后预测模型，结果显示在训练集和测试集中，该模型均具有较高的敏感度、特异度和准确度。本研究结果优于Jiang等[22]通过传统的统计学方法预测预后，结果显示DWI预测卒中功能预后的敏感度和特异度分别为65.00%和96.97%。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%。但该研究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，且与本研究应用的机器学习方法不同。本研究采用的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，提供最佳分离边界。此外，为验证该模型的泛化能力，本研究另应用外部数据集对该模型进行验证，结果显示该模型预测验证集仍具有较高的准确性。

3.4 本研究的局限性 ①为回顾性研究，样本量选择时可能存在偏倚。②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。③本研究综合考虑治疗前后DWI图像对预后的预测价值，未单独比较治疗前、治疗后对预后的预测能力。④未纳入临床资料综合评估预测卒中预后。

综上所述，基于机械取栓治疗前后DWI的影像组学和机器学习构建的急性脑卒中预后预测模型，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。