基于头颈部CT血管成像与影像组学特征的急性缺血性卒中相关颈动脉粥样硬化斑块识别
张雪珂
姚鸿欢
翟笃昌
崔曼曼
林桂涵
陈炜越
吴源媛
胡栋梁
张霞
蔡武
215004 苏州大学附属第二医院影像科
摘要：目的 探讨融合临床因素、CT血管成像(CTA)特征及影像组学特征的多模态整合策略在识别急性缺血性卒中(AIS)相关颈动脉粥样硬化(CAS)斑块中的价值.方法 回顾性连续纳入2019 年1 月至2024 年12 月于浙江省丽水市中心医院影像科(中心Ⅰ)、苏州大学附属第二医院影像科(中心Ⅱ)及苏州大学附属常熟医院影像科(中心Ⅲ)1 个月内行头颈部CTA和头部MRI检查的CAS患者,纳入患者最多的中心按7∶3 将患者随机划分为训练集和内部验证集,其他中心患者作为外部验证集.根据是否发生AIS将所有患者分为AIS组和非AIS组.收集所有患者的临床特征资料,包括年龄、性别、高血压病、糖尿病、吸烟史及影像学检查前30d内最后一次实验室检查结果(包括同型半胱氨酸、总胆固醇、三酰甘油、低密度脂蛋白胆固醇、高密度脂蛋白胆固醇).AIS组患者以扩散加权成像(DWI)上急性梗死灶解剖位置对应的斑块(AIS相关CAS斑块)为评估对象,非AIS组以颈动脉颅外段狭窄程度较重一侧的斑块为评估对象,收集所有患者头颈部CTA特征,包括斑块所在部位血管狭窄率、斑块最大厚度、斑块溃疡(对比剂进入斑块内≥1 mm)、斑块长度(CT曲面重建图像上沿血管中心线测量斑块起点至终点的距离).比较训练集、内部验证集、外部验证集中AIS组与非AIS组患者临床特征和头颈部CTA特征的差异.将训练集AIS组和非AIS组单因素分析中差异有统计学意义的因素纳入多因素Logistic回归分析,筛选CAS患者发生AIS的独立危险因素并构建临床-CTA模型.采用Radcloud平台对所有患者的斑块区域进行影像组学特征提取及Z分标准化,通过最小绝对收缩和选择算子(LASSO)回归进行降维筛选特征,并在3 个数据集中分别构建支持向量机(SVM)、极限梯度提升(XGBoost)、随机森林(RF)、逻辑回归(LR)与朴素贝叶斯(NB)5 种机器学习分类器以识别AIS相关CAS斑块,绘制5 种机器学习分类器的受试者工作特征(ROC)曲线并采用Delong检验比较曲线下面积(AUC),辅以敏感度、特异度、准确度选择最优分类器并计算影像组学评分(Rad-score).将临床-CTA模型中纳入的临床特征、头颈部CTA特征及Rad-score纳入多因素Logistic回归分析,构建联合模型并绘制列线图.采用ROC曲线、决策曲线分析(DCA)、校准曲线评价临床-CTA模型、影像组学模型及联合模型在训练集、内部验证集及外部验证集中识别AIS相关CAS斑块的性能.结果 共纳入CAS患者231 例,训练集119 例,其中AIS组58 例,非AIS组61 例;内部验证集52 例,其中AIS组25 例,非AIS组27 例;外部验证集60 例,其中AIS组26 例,非AIS组34 例.(1)训练集中,AIS组高密度脂蛋白胆固醇水平低于非AIS组(P=0.010),但其在内部验证集和外部验证集中差异均无统计学意义(均P＞0.05);在3 个数据集中,AIS组斑块最大厚度和斑块溃疡发生率均高于非AIS组(均P＜0.05);余临床特征及头颈部CTA特征的组间差异均无统计学意义(均P＞0.05).(2)基于训练集的多因素Logistic回归分析结果显示,斑块溃疡(OR=4.231,95%CI:1.375～13.018,P=0.012)与斑块最大厚度(OR=1.428,95%CI:1.004～2.030,P=0.048)为CAS患者发生AIS的独立危险因素,二者纳入临床-CTA模型.(3)XGBoost在训练集、内部验证集及外部验证集中识别AIS相关CAS斑块的AUC分别为0.851、0.820 和0.786,相较NB在各数据集均更优(均P＜0.05),较RF在内部验证集更优(P=0.025),相较LR在外部验证集更优(P=0.043),但与SVM比较在3 个数据集中差异均无统计学意义(均P＞0.05).在外部验证集,XGBoost识别AIS相关CAS斑块的准确度为 76.65%,敏感度为76.92%,特异度为 76.47%,较SVM(准确度 71.83%,敏感度 61.54%,特异度 82.35%)总体更均衡.确定XGBoost为本研究影像组学模型构建的最优分类器.(4)整合临床-CTA模型中的斑块最大厚度、斑块溃疡及影像组学模型中的 Rad-score构建联合模型,其在训练集、内部验证集和外部验证集中识别AIS相关CAS斑块的AUC分别为 0.896(95%CI:0.836～0.955)、0.845(95%CI:0.723～0.967)和 0.807(95%CI:0.684～0.897).Delong检验结果显示,在训练集和内部验证集中,联合模型识别AIS相关CAS斑块的AUC均优于临床-CTA模型(均P＜0.05),但与影像组学模型比较差异无统计学意义(均P＞0.05).在外部验证集中,联合模型与临床-CTA模型及影像组学模型识别AIS相关CAS斑块的AUC差异均无统计学意义(均P＞0.05).DCA显示,联合模型在训练集(风险阈值0.37～0.92)、内部验证集(风险阈值 0.07～0.78)及外部验证集(风险阈值0.06～0.85)均具有较高净获益.经Bootstrap重采样(B=1 000)偏倚校正,联合模型各数据集校准曲线均与理想线高度一致,在训练集、内部验证集、外部验证集中的表观Brier分值分别为 0.142、0.086、0.095,校正后 Brier分值分别为 0.150、0.112、0.114,具有低误差与良好校准.结论 融合头颈部CTA特征与影像组学特征的多模态识别策略对AIS相关CAS斑块具有一定的识别能力,且具有一定的临床应用价值.
关键词：急性缺血性卒中颈动脉粥样硬化CT血管成像影像组学
资助基金：江苏省卫生健康委员会医学科研项目(M2024102)苏州大学省部共建放射医学与辐射防护国家重点实验室开放课题(GZK12024025)
论文发表日期：2025-12-18
在线出版日期：2025-12-29（本平台首次上网日期，不代表文献的发表时间）
页数：12( 822-833 )
英文信息