基于平掃CT的Logistic回歸模型和樸素貝葉斯模型預(yù)測(cè)血腫擴(kuò)大

宋祖華，周治明*，郭大靜，唐茁月，李 欣

(1.重慶醫(yī)科大學(xué)附屬第二醫(yī)院放射科，重慶 400010；2.重慶市人民醫(yī)院放射科，重慶 400013)

自發(fā)性腦出血占腦卒中的10%～30%，致殘率和死亡率高[1-2]，血腫擴(kuò)大(hematoma enlargement, HE)被認(rèn)為是自發(fā)性腦出血患者病死率和預(yù)后不良的獨(dú)立預(yù)測(cè)因子和可調(diào)控因素[3-4]，因而準(zhǔn)確預(yù)測(cè)HE對(duì)臨床干預(yù)自發(fā)性腦出血具有重要意義。近年來，研究[5-11]發(fā)現(xiàn)多種CT平掃征象，包括衛(wèi)星征、漩渦征、混合征和低密度征等以及臨床和實(shí)驗(yàn)室指標(biāo)可用于預(yù)測(cè)自發(fā)性腦出血早期HE?；跈C(jī)器學(xué)習(xí)的預(yù)測(cè)模型具有較為準(zhǔn)確的預(yù)測(cè)效果。作為經(jīng)典的機(jī)器學(xué)習(xí)算法之一，樸素貝葉斯(naive Bayesian, NB)可自多變量大數(shù)據(jù)集中自動(dòng)優(yōu)化模型，并在最小監(jiān)督下持續(xù)納入新的臨床數(shù)據(jù)[12]。本研究分析自發(fā)性腦出血早期HE相關(guān)因素，基于常規(guī)Logistic回歸和NB分別構(gòu)建預(yù)測(cè)自發(fā)性腦出血早期HE模型，并觀察其預(yù)測(cè)價(jià)值。

1 資料與方法

1.1 一般資料 回顧性分析2015年4月-2019年11月486例于重慶醫(yī)科大學(xué)附屬第二醫(yī)院經(jīng)顱腦CT證實(shí)的腦出血患者。納入標(biāo)準(zhǔn)：①年齡≥18歲；②發(fā)病6 h內(nèi)接受初次CT掃描；③24 h內(nèi)接受隨訪CT掃描。排除標(biāo)準(zhǔn)：①隨訪CT掃描前接受手術(shù)治療；②缺血性腦梗死出血轉(zhuǎn)化；③腦外傷、血管畸形、顱內(nèi)動(dòng)脈瘤及腦腫瘤等繼發(fā)性腦出血；④原發(fā)性腦室內(nèi)出血；⑤CT圖像質(zhì)量欠佳。最終納入208例患者，男123例，女85例，年齡31～88歲，平均 (61.2±13.2)歲。HE的定義：隨訪CT顯示血腫體積比例較初次CT增加>33%，或血腫體積差>6 ml[4,13]。HE組86例，男60例，女26例，年齡32～88歲，平均(62.1±13.4)歲；非HE組122例，男63例，女59例，年齡31～88歲，平均(60.6±13.2)歲。本研究經(jīng)醫(yī)院倫理委員會(huì)批準(zhǔn)，患者均簽署知情同意書。

1.2 儀器與方法 采用Philips Ingenuity 64層和Toshiba Aquilion ONE 320層CT掃描儀行顱腦CT平掃，參數(shù)：管電壓120 kV，智能匹配管電流技術(shù)(250～300 mA)，矩陣512×512，層厚1或5 mm，探測(cè)器寬度0.625 mm。由1名具有9年以上頭頸部影像學(xué)診斷經(jīng)驗(yàn)的主治醫(yī)師和1名具有14年以上頭頸部影像學(xué)診斷經(jīng)驗(yàn)的副主任醫(yī)師獨(dú)立盲法閱片，對(duì)CT征象進(jìn)行評(píng)價(jià)和記錄，意見不一時(shí)經(jīng)協(xié)商達(dá)成一致。評(píng)價(jià)內(nèi)容包括出血病灶形態(tài)(規(guī)則或不規(guī)則)、密度(均勻或不均勻)以及是否存在衛(wèi)星征、漩渦征、混合征及低密度征[5-9]。

1.3 構(gòu)建模型與評(píng)估

1.3.1Logistic回歸方法 采用SPSS 22.0統(tǒng)計(jì)分析軟件，根據(jù)獨(dú)立預(yù)測(cè)因子以Logistic回歸方法構(gòu)建模型，以受試者工作特征(receiver operating characteristic, ROC)曲線計(jì)算其敏感度、特異度、陽(yáng)性預(yù)測(cè)率、陰性預(yù)測(cè)率、準(zhǔn)確率及ROC曲線下面積(area under the curve, AUC)。

1.3.2 NB方法 將患者按照7∶3分為訓(xùn)練集(145例)和測(cè)試集(63例)，利用RapidMiner Studio軟件(https://rapidminer.com/)，采用NB方法在訓(xùn)練集建立模型，以10倍交叉驗(yàn)證在測(cè)試集上優(yōu)化訓(xùn)練的NB模型，評(píng)估方法同樣用ROC曲線。

1.4 統(tǒng)計(jì)學(xué)分析 采用SPSS 22.0統(tǒng)計(jì)分析軟件，連續(xù)變量以±s表示，選用獨(dú)立樣本t檢驗(yàn)；分類變量以頻率(百分比)表示，選用χ2檢驗(yàn)。采用單因素分析比較2組間一般臨床資料和CT影像特征的差異，篩選出具有統(tǒng)計(jì)學(xué)意義的相關(guān)變量，然后對(duì)這些變量進(jìn)行多因素分析，計(jì)算優(yōu)勢(shì)比(odds ratio, OR)及95%置信區(qū)間(confidence interval, CI)，最終挑選出用于構(gòu)建模型的HE獨(dú)立預(yù)測(cè)因子。P<0.05為差異有統(tǒng)計(jì)學(xué)意義。

2 結(jié)果

2.1 單因素分析 8個(gè)單因素變量，包括性別、糖尿病病史、入院時(shí)格拉斯哥昏迷量表(Glasgow coma scale, GCS)評(píng)分、血小板含量、載脂蛋白A1含量、CT漩渦征、衛(wèi)星征和伴腦室內(nèi)出血的組間差異具有統(tǒng)計(jì)學(xué)意義(P均<0.05)，其他觀察指標(biāo)組間差異無統(tǒng)計(jì)學(xué)意義。見表1、圖1～6。

圖1 患者男，45歲，自發(fā)性腦出血 平掃CT圖像示右側(cè)基底節(jié)區(qū)血腫內(nèi)低密度征(箭) 圖2 患者女，48歲，自發(fā)性腦出血 平掃CT圖像示右側(cè)基底節(jié)區(qū)血腫內(nèi)混合征(箭) 圖3 患者女，56歲，自發(fā)性腦出血 平掃CT圖像示左側(cè)基底節(jié)區(qū)血腫衛(wèi)星征(箭) 圖4 患者男，61歲，自發(fā)性腦出血 平掃CT圖像示右側(cè)基底節(jié)區(qū)不規(guī)則血腫(箭) 圖5 患者男，32歲，自發(fā)性腦出血 平掃CT圖像示左側(cè)基底節(jié)區(qū)血腫內(nèi)伴腦室內(nèi)出血(箭) 圖6 患者女，40歲，自發(fā)性腦出血 平掃CT圖像示左側(cè)基底節(jié)區(qū)血腫內(nèi)漩渦征(箭)

表1 HE組與非HE組單因素分析結(jié)果

2.2 多因素分析 男性、糖尿病病史、CT衛(wèi)星征、漩渦征及伴腦室內(nèi)出血5個(gè)特征可作為HE的獨(dú)立預(yù)測(cè)因子(P均<0.05)，見表2。

表2 HE組與非HE組多因素分析結(jié)果

2.3 診斷效能比較Logistic回歸模型、NB模型在訓(xùn)練集中與測(cè)試集中預(yù)測(cè)HE的敏感度分別為0.620、0.627和0.500，特異度分別為0.880、0.779與0.946，陽(yáng)性預(yù)測(cè)率分別為0.780、0.678和0.867，陰性預(yù)測(cè)率分別為0.760、0.769與0.729，準(zhǔn)確率分別為0.770、0.717與0.762，AUC分別為0.823、0.768與0.847。見圖7。

圖7 模型預(yù)測(cè)HE的ROC曲線 A.Logistic回歸模型； B.NB模型針對(duì)訓(xùn)練集； C.NB模型針對(duì)測(cè)試集

3 討論

本研究通過評(píng)估多種臨床變量與HE的關(guān)系，發(fā)現(xiàn)男性、糖尿病病史、CT顯示漩渦征與衛(wèi)星征、伴腦室內(nèi)出血這5個(gè)因素與HE密切相關(guān)，可作為HE獨(dú)立預(yù)測(cè)因素，既往研究[14]顯示男性患HE風(fēng)險(xiǎn)高于女性，可能與男女生活習(xí)慣差異有關(guān)，如多數(shù)男性有吸煙或飲酒習(xí)慣，吸煙、飲酒或?yàn)镠E潛在風(fēng)險(xiǎn)因素。本研究提示糖尿病是HE的預(yù)測(cè)因素，糖尿病患者血糖水平升高，易加速血腦屏障破壞并損害小血管的完整性，進(jìn)而導(dǎo)致HE[15-16]。

據(jù)報(bào)道[17]，HE是單一或多個(gè)出血點(diǎn)出血造成的，且多個(gè)出血點(diǎn)可在最初血腫內(nèi)呈現(xiàn)級(jí)聯(lián)出血模式，導(dǎo)致鄰近血管的二次剪切損傷。顱腦CT平掃速度快、效率高，是診斷腦出血的常用方法。HE于CT圖像上常表現(xiàn)為形態(tài)不規(guī)則或密度差異，CT判斷血腫形態(tài)及密度是否具有異質(zhì)性至關(guān)重要。

本研究表明衛(wèi)星征與漩渦征與HE顯著相關(guān)，與既往研究[18-19]一致。衛(wèi)星征提示血腫主體周圍存在散在小血腫，有研究[5]推測(cè)其為小血管再灌注損傷或多發(fā)小動(dòng)脈損傷所致，易引起血腫體積進(jìn)一步擴(kuò)大；漩渦征提示血腫密度存在異質(zhì)性，可能反映出血的時(shí)間差異：新鮮血液呈低密度，血凝塊回縮并分離出血清后則呈高密度[6]。自發(fā)性腦出血伴腦室內(nèi)出血也是HE獨(dú)立預(yù)測(cè)因素之一，本研究樣本中血腫多數(shù)來自丘腦或基底節(jié)區(qū)，該部位組織順應(yīng)性較大，因壓力梯度增加而出血增多，同時(shí)此部位鄰近腦室，血腫易破潰進(jìn)入受壓能力較弱的腦室[20]。

機(jī)器學(xué)習(xí)能夠從數(shù)據(jù)中有效學(xué)習(xí)，并對(duì)新數(shù)據(jù)做出準(zhǔn)確預(yù)測(cè)，目前已成功用于評(píng)估蛛網(wǎng)膜下腔出血患者預(yù)后及腫瘤鑒別診斷等多個(gè)領(lǐng)域[21-22]。本研究以NB方法根據(jù)常規(guī)可用變量建立模型預(yù)測(cè)HE，其在測(cè)試集的AUC為0.847，高于Logistic回歸模型的AUC(0.823)，表明NB模型診斷效能高于傳統(tǒng)Logistic回歸模型，具有良好的預(yù)測(cè)HE性能與潛能，能夠早期識(shí)別具有HE風(fēng)險(xiǎn)的患者。

本研究的局限性：①為小樣本單中心回顧性研究，可能存在樣本選擇偏倚；②所用Logistic回歸模型對(duì)數(shù)據(jù)和場(chǎng)景的適應(yīng)能力存在局限性；③建立NB模型時(shí)，基于訓(xùn)練集數(shù)據(jù)來判斷后驗(yàn)概率，從而決定分類，導(dǎo)致穩(wěn)定性欠佳。

綜上所述，基于平掃CT的Logistic回歸模型和NB模型有助于預(yù)測(cè)自發(fā)性腦出血早期HE；NB模型預(yù)測(cè)自發(fā)性腦出血早期HE效能優(yōu)于Logistic回歸模型。