Page 127 - 南京医科大学学报自然科学版

第42卷第8期 陈罕奇，张 浩，葛晓敏，等. 机器学习结合影像组学特征预测急性脑卒中机械取栓预后［J］.
2022年8月 南京医科大学学报（自然科学版），2022，42（08）：1165-1170 ·1169 ·

A B
1.0 1.0
0.8 0.8
Sensitivity 0.6 Sensitivity 0.6

0.4
0.4
0.2 DWI，AUC=0.786 0.2 DWI，AUC=0.762
PWI，AUC=0.752 PWI，AUC=0.652
0.0 DWI+PWI，AUC=0.981 0.0 DWI+PWI，AUC=0.891
0.0 0.2 0.4 0.6 0.8 1.0 0.0 0.2 0.4 0.6 0.8 1.0
1-Specificity 1-Specificity
图4 模型预测训练集（A）和测试集（B）急性缺血性脑卒中患者机械取栓治疗后预后的受试者工作特征曲线
Figure 4 Receiver operating characteristic curve of training set（A）and test set（B）for predicting outcome after mechanical
thrombectomy in acute ischemic stroke
泛化能力。 测模型，共筛选出 40 个最佳影像组学特征，基于这
随着神经影像的发展，DWI 和PWI 技术已从基 些特征构建模型，发现基于 DWI+PWI 的模型效能
本的诊断工具扩展到更重要的作用，目前应用较多 优于单序列模型（DWI模型或PWI模型），其准确度
的主要为选择再灌注治疗并预测预后 ［8-10］ 。DWI上 达 0.943（训练集）、0.900（测试集）。以往的研究显
［19］
高信号区域通常为核心梗死区。以往的研究发现 示，影像组学方法可提示>6 h患者预后不良风险 。
治疗前 DWI 梗死体积较小时常具有较好的临床预 Xie 等 ［20］ 基于512例AIS患者的影像、流行病学及临
后。Raoult 等 ［11］ 研究发现 DWI 梗死体积>80 mL 时 床资料进行Gradient Boosting机器学习预测预后，结
常预后不良。PWI上灌注异常区域中包含了一部分 果显示其预测不良预后的准确率为 87.7%，与本研
可挽救的缺血半暗带。Mundiyanapurath 等 ［12］ 发现 究结果相似。但该研究并未纳入PWI成像参数，而
PWI 的参数 Tmax≥8 s 和 TTP≥6 s 可用于预测颈内 PWI 的影像特征在 AIS 诊断、治疗及预后预测中具
动脉狭窄导致的AIS患者的预后。而在EPITHET试 有重要作用，这也是本研究的创新点之一。此外，
验中，绝对 Tmax 和 DWI 病变体积可影响再灌注治 为了验证该模型的泛化能力，本研究从其他中心收
疗反应，但不匹配体积没有影响 ［13］ 。由此可见，尽 集45例同样入组条件的AIS患者作为验证集，应用
管这些研究表明了一些影像学特征与预后相关，但 所建模型对验证集进行验证发现，基于 DWI+PWI
单个参数的预测能力有限，目前关于DWI和PWI预 的模型预测卒中预后的效能同样优于单序列模型
测AIS机械取栓治疗后预后的结果仍存在争议。 （DWI 模型或 PWI 模型），且其准确率稍低于测试
随着精准医疗时代的到来，提供多参数形态和 集，达0.822。由此可见，基于DWI+PWI预测急性脑
功能信息的影像组学成为研究热点 ［14-15］ 。影像组学 卒中机械取栓治疗后预后的模型具有较好的泛化
突破基于形态学和半定量分析的传统影像医学模 能力。通过该模型的构建，患者入院行DWI和PWI
式，采用高通量特征提取算法，对影像图像进行定 检查后，将 DWI 和 Tmax 的图输入模型进行评估可
量分析，充分深入挖掘和分析隐含在图像中的额外 获得预后良好与否的概率，对于预后不良的高危患
信息，最高效的利用影像学检查结果，为临床提供 者，可尽早行相应的干预及康复治疗，如血压血糖
个性化治疗提供支持 ［16］ 。国内外已有一些科研团 的控制、个体化早期抗凝药及抗血小板聚集药治
队利用该技术在卒中诊断、治疗效果及预后判断等 疗、神经认知等康复治疗，提高其生活质量。
方面开展验证。Heo等 ［17］ 基于常见的临床变量开发 本研究仍存在一定的局限性。首先，本研究为
了预测卒中预后的机器学习模型，显示深度神经网 回顾性研究，患者样本量有限，后期需积累更多样
络模型可改善卒中长期预后的预测效能。上官艺 本进一步提高模型的准确度。其次，本研究只纳入
等 ［18］ 同样基于临床变量的机器学习构建卒中预后 影像数据进行分析，并未考虑临床资料（年龄、既往
预测模型，不同分类器模型的 AUC 为 0.815~0.828。 相关病史及血管再通程度）对卒中患者预后的影
然而，由于样本量受限，这些研究多为基于临床资 响，后续将进一步纳入临床资料，与影像资料相结
料预测卒中预后的研究。本研究通过对105例训练 合进行分析。另外，机器学习的特征选择方法较
集及 50 例测试集进行 LASSO 回归分析构建预后预 多，本研究采用 LASOO 回归法进行筛选，并未比较