高分辨血管壁磁共振成像斑块特征模型对急性缺血性卒中的预测价值
朱建国1
毕莹2
郭浩东1
董宇寒1
方婷婷1
苏菁菁2
1.210011 南京医科大学第二附属医院医学影像科2.210011 南京医科大学第二附属医院神经内科
摘要：目的 探讨高分辨率磁共振血管壁成像(HR-VWI)定量参数对急性缺血性卒中的预测价值.方法 纳入2021年6月至2024年10月在南京医科大学第二附属医院行头部CT平扫及HR-VWI检查,且完成至少6 个月随访的120例颅内动脉粥样硬化患者,按照7∶3比例分为训练集(84例)和测试集(36例),采用最小绝对收缩与选择算子(LASSO)回归筛选特征变量,基于XGBoost算法构建预测模型,绘制受试者工作特征(ROC)曲线并计算曲线下面积评价模型的预测效能,并通过学习曲线评估模型的泛化能力,Shapley加法解释(SHAP)计算各特征变量对模型预测的全局贡献值.结果 共120例患者中27例(22.50%)发生急性缺血性卒中,其中训练集19例(22.62%),测试集8例(22.22%).多因素Logistic回归分析显示,斑块钙化体积比(OR=0.123,95%CI:0.039～0.393;P=0.000)、斑块强化率(OR=1.130,95%CI:1.046～1.221;P=0.002)、斑块出血(OR=9.519,95%CI:2.453～36.968;P=0.008)及管腔狭窄率(OR=1.106,95%CI:1.032～1.185;P=0.004)是急性缺血性卒中的预测因子.ROC曲线显示,Logistic回归模型在训练集和测试集的曲线下面积分别为0.950和0.812,灵敏度为0.947和0.750、特异度为0.800和0.857;XGBoost模型在训练集和测试集的曲线下面积分别为0.986和0.844,灵敏度为0.947和0.875、特异度为0.923和0.857.学习曲线显示,两种模型在增加训练样本量后均表现出良好的稳定性和泛化能力,其中XGBoost的整体预测性能略优.SHAP值重要性分析,斑块钙化体积比是对模型预测贡献度最高的急性缺血性卒中预测因子.结论 整合斑块钙化体积比、斑块强化率、斑块出血及管腔狭窄率的机器学习模型可以显著提高急性缺血性卒中的预测效能,并具有较好的泛化能力,为临床风险评估提供潜在参考工具.
关键词：缺血性卒中磁共振成像动脉粥样硬化机器学习ROC曲线
论文发表日期：2025-12-25
在线出版日期：2026-01-23（本平台首次上网日期，不代表文献的发表时间）
页数：10( 1178-1187 )
英文信息