以生境成像技術(shù)提取血腫內(nèi)亞區(qū)域平掃CT影像組學(xué)特征預(yù)測自發(fā)性顱內(nèi)出血患者血腫增大

盧萬俊,袁夢軒,彭 劍,孫成團(tuán),沈潔玲,高麗清

(1.揚(yáng)州大學(xué)附屬江都人民醫(yī)院神經(jīng)內(nèi)科,2.影像科,江蘇 揚(yáng)州 225200)

自發(fā)性顱內(nèi)出血(spontaneous intracerebral hemorrhage, sICH)具有極高殘疾率和死亡率[1-2];約30%患者在發(fā)病24 h內(nèi)可發(fā)生血腫擴(kuò)大(hematoma expansion, HE),此為sICH早期神經(jīng)功能惡化及臨床不良結(jié)局的影響因素之一[3-4]。既往基于頭顱平掃CT(non-contrast CT, NCCT)預(yù)測sICH患者發(fā)生HE風(fēng)險(xiǎn)的研究多僅關(guān)注血腫內(nèi)局部特征如“混合密度征”[5]、“黑洞征”[6]和CT血管成像(CT angiography, CTA)所示“點(diǎn)征”[7]等,或?qū)⒀[作為整體進(jìn)行分析,而忽略了其內(nèi)不同區(qū)域特征預(yù)測HE的價(jià)值[8]。生境分析技術(shù)可對(duì)具有相似亞區(qū)域的圖像進(jìn)行聚類成像并捕捉其間細(xì)微差異,近年來廣泛用于腫瘤相關(guān)研究[9]。本研究觀察以生境成像技術(shù)提取sICH亞區(qū)域NCCT影像組學(xué)特征預(yù)測HE的價(jià)值。

1 資料與方法

1.1 研究對(duì)象 回顧性分析2018年1月—2022年12月?lián)P州大學(xué)附屬江都人民醫(yī)院收治的228例傳統(tǒng)影像學(xué)未見明顯異常的sICH患者,男149例、女79例,年齡32～92歲、平均(66.3±12.2)歲;根據(jù)HE發(fā)生與否分為HE組(n=99)和非HE(non-HE, NHE)組(n=129):HE組男63例、女36例,年齡32～91歲、平均(66.6±12.8)歲,NHE組男86例、女43例,年齡37～92歲、平均(66.0±11.8)歲。納入標(biāo)準(zhǔn):①首次發(fā)病;②年齡>18歲;③顱內(nèi)出血為基底節(jié)區(qū)出血;④于發(fā)病后6 h內(nèi)完成首次、發(fā)病后24 h內(nèi)復(fù)查NCCT;⑤首次NCCT示顱內(nèi)出血量10～20 ml。排除標(biāo)準(zhǔn):①于外院接受首次NCCT檢查;②服用抗血小板、抗凝等藥物;③繼發(fā)性腦出血,如顱腦外傷、腦血管畸形、血液系統(tǒng)疾病等;④傳統(tǒng)影像學(xué)見顱內(nèi)血腫表現(xiàn);⑤既往腦部疾病或顱腦手術(shù)史;⑥NCCT圖像質(zhì)量差。本研究經(jīng)院倫理委員會(huì)審核批準(zhǔn)(YJRY-2023-K-007)。

1.2 儀器與方法 采用GE LightSpeed 64排120層螺旋CT機(jī),囑患者仰臥,自顱底至顱頂進(jìn)行掃描;參數(shù):管電壓120 kV,管電流220 mA,矩陣512×512,FOV 25 cm×25 cm,層厚5.0 mm。

1.3 圖像分析 由具有8年(醫(yī)師1)、15年(醫(yī)師2)工作經(jīng)驗(yàn)的神經(jīng)影像主治和副主任醫(yī)師分別以盲法觀察NCCT圖像,評(píng)估有無傳統(tǒng)影像學(xué)顱內(nèi)血腫表現(xiàn),如形態(tài)是否規(guī)則、有無“渦旋征”、“黑洞征”、“混合密度征”、“島狀征”或“衛(wèi)星征”;意見不一致時(shí),提請(qǐng)具有20年工作經(jīng)驗(yàn)的主任醫(yī)師(醫(yī)師3)進(jìn)行判斷。1個(gè)月后由醫(yī)師1再次分析NCCT圖像,保留觀察者內(nèi)一致性好(Kappa>0.8)的結(jié)果。以復(fù)查NCCT示顱內(nèi)血腫體積較首次NCCT增加6 ml或33%為HE[3]。

1.4 圖像處理 將基線和復(fù)查NCCT圖像歸一化并重采樣為1 mm×1 mm×1 mm大小并導(dǎo)入ITK-SNAP (http://www.itksnap.org, version 3.8.0)軟件。首先由醫(yī)師2于基線NCCT圖像逐層勾畫顱內(nèi)血腫,再由醫(yī)師3對(duì)結(jié)果進(jìn)行審核及修改,軟件自動(dòng)計(jì)算血腫體積。以“Onekey AI”科研平臺(tái)(http://www.medai.icu)的“OKT-gen_roi_rad_features.exe”軟件包分別提取基線血腫內(nèi)4類“熵”和2類“能量”特征,并疊加匯總保存在于擴(kuò)展名為“.npy”的文件;采用 “OKT-gen_habitat_cluster.exe”軟件包對(duì)上述血腫特征進(jìn)行聚類:首先對(duì)血腫“熵”和“能量”特征及血腫NCCT灰度圖進(jìn)行疊加匯總,再以疊加匯總后的體素特征對(duì)血腫各體素進(jìn)行刻畫,最后以無監(jiān)督的K-meams聚類算法進(jìn)行體素聚類[10];以Calinski-Harabasz值為標(biāo)準(zhǔn),選擇最佳聚類簇?cái)?shù)量(數(shù)量為3)[11]。見圖1。

1.5 模型構(gòu)建 將ROI整體導(dǎo)入“Onekey AI”科研平臺(tái),提取包括一階、形狀、灰度游程矩陣、灰度共生矩陣、灰度區(qū)域大小矩陣、灰度依賴矩陣和鄰域灰度差分矩陣共1 834個(gè)影像組學(xué)特征;之后向該平臺(tái)內(nèi)導(dǎo)入ROI亞區(qū)1、ROI亞區(qū)2及ROI亞區(qū)3,分別對(duì)每亞區(qū)提取除形狀外的1 820個(gè)影像組學(xué)特征。對(duì)各ROI特征進(jìn)行降維篩選:首先以t檢驗(yàn)比較HE組與NHE組特征,保留P<0.05者;之后行Pearson分析,對(duì)2個(gè)r>0.9的特征僅留其一;再以10折交叉驗(yàn)證的最小絕對(duì)收縮和選擇算子(least absolute shrinkage and selection operator, LASSO)算法進(jìn)一步降維,保留非零系數(shù)特征;最終分別于ROI整體、ROI亞區(qū)1、ROI亞區(qū)2及ROI亞區(qū)3中篩選出17、18、19及14個(gè)特征(圖2)。按8∶2將患者分為訓(xùn)練集(n=182)和測試集(n=46)。采用支持向量機(jī)(support vector machine, SVM)分類器對(duì)4個(gè)ROI的影像組學(xué)特征進(jìn)行預(yù)測HE的模型訓(xùn)練,并于測試集進(jìn)行驗(yàn)證;繪制受試者工作特征(receiver operating characteristic, ROC)曲線,以曲線下面積(area under the curve, AUC)和決策曲線分析(decision curve analysis, DCA)評(píng)估模型預(yù)測效能,并以DeLong檢驗(yàn)進(jìn)行比較。

圖2 ROI亞區(qū)3特征權(quán)重圖

1.6 統(tǒng)計(jì)學(xué)分析 采用SPSS 21.0統(tǒng)計(jì)分析軟件。以±s表示符合正態(tài)分布的計(jì)量資料,行獨(dú)立樣本t檢驗(yàn);以中位數(shù)(上下四分位數(shù))表示不符合正態(tài)分布的計(jì)量資料,行Mann-WhitneyU檢驗(yàn)。對(duì)分類變量行χ2檢驗(yàn)。以logistic回歸分析建立模型。P<0.05為差異有統(tǒng)計(jì)學(xué)意義。

2 結(jié)果

2.1 一般資料 訓(xùn)練集中,HE組空腹血糖[6.16(5.45,8.03)mmol/L]高于NHE組[5.77(5.00,7.24)mmol/L](t=2.047,P=0.041),而年齡、性別、既往史、血壓、NCCT參數(shù)及其他實(shí)驗(yàn)室檢查結(jié)果差異均無統(tǒng)計(jì)學(xué)意義(P均>0.05);測試集組間上述資料差異均無統(tǒng)計(jì)學(xué)意義(P均>0.05)。logistic回歸分析顯示,空腹血糖并非sICH HE的獨(dú)立預(yù)測因素[OR=1.086,95%CI(0.993,1.188),P=0.070]。

2.2 構(gòu)建模型 ROI亞區(qū)3影像組學(xué)模型預(yù)測訓(xùn)練集和測試集sICH 患者HE的AUC分別為0.945、0.863,與同集別內(nèi)ROI整體(0.921、0.813)、ROI亞區(qū)1(0.925、0.807)及ROI亞區(qū)2(0.909、0.720)差異均無統(tǒng)計(jì)學(xué)意義(P均>0.05),見表1及圖3;而DCA結(jié)果顯示, ROI亞區(qū)3影像組學(xué)模型可較其他3個(gè)模型帶來更大獲益。見圖4。

表1 4個(gè)基于SVM機(jī)器學(xué)習(xí)算法ROI影像組學(xué)特征模型預(yù)測訓(xùn)練集和測試集sICH 患者發(fā)生HE的效能

圖3 ROI整體、ROI亞區(qū)1、ROI亞區(qū)2及ROI亞區(qū)3影像組學(xué)模型預(yù)測sICH 患者HE的ROC曲線 A.訓(xùn)練集; B.測試集

圖4 4個(gè)ROI影像組學(xué)模型預(yù)測sICH 患者HE的DCA曲線 A～D.ROI整體(A)、ROI亞區(qū)1(B)、ROI亞區(qū)2(C)及ROI亞區(qū)3(D)影像組學(xué)模型預(yù)測訓(xùn)練集; E～H.ROI整體(E)、ROI亞區(qū)1(F)、ROI亞區(qū)2(G)及ROI亞區(qū)3(H)影像組學(xué)模型預(yù)測訓(xùn)練集

3 討論

影像組學(xué)可從醫(yī)學(xué)圖像中自動(dòng)提取肉眼無法觀察到的高通量、定量紋理特征信息,為評(píng)估病灶內(nèi)異質(zhì)性提供可重復(fù)、客觀的非侵入性方法[12-13]。雖然基于NCCT的影像組學(xué)模型預(yù)測sICH患者HE的效能優(yōu)于臨床數(shù)據(jù)模型,而臨床-影像組學(xué)聯(lián)合模型的預(yù)測效能優(yōu)于單一影像組學(xué)模型[14-15],但急診情況下采集臨床資料受到一定限制,且不同研究所用臨床指標(biāo)差異性較大,難以標(biāo)準(zhǔn)化而不利于臨床推廣實(shí)施。PSZCZOLKOWSKI等[16]認(rèn)為基于NCCT影像組學(xué)特征預(yù)測sICH患者早期HE的效能顯著優(yōu)于傳統(tǒng)影像學(xué);而薈萃分析[17]結(jié)果顯示基于NCCT的影像組學(xué)方法具有預(yù)測sICH患者HE的潛力。

生境成像技術(shù)是根據(jù)組織病理學(xué)及分子生物學(xué)差異而將具有不同影像學(xué)特征的區(qū)域分割為多個(gè)異質(zhì)性相同或相似亞區(qū)的圖像處理技術(shù)[18],現(xiàn)已用于腦膠質(zhì)瘤研究,有助于預(yù)測患者預(yù)后、生存期、治療反應(yīng),以及評(píng)估與病理學(xué)特征的相關(guān)性等[19]。目前多以多模態(tài)圖像疊加進(jìn)行生境成像,以利于精確劃分病灶生境,反映病灶內(nèi)部更加精細(xì)的潛在生物學(xué)信息[20];但也有研究[21]以單模態(tài)影像進(jìn)行生境聚類,先于原始ROI中提取“熵”的特征圖像,之后融合“熵”特征與原始灰度值,從兩個(gè)維度對(duì)每個(gè)體素進(jìn)行刻畫及聚類,相當(dāng)于增加一個(gè)新模態(tài)。本研究采用后者,為更精確地劃分血腫內(nèi)亞區(qū),增加了2個(gè)“能量”特征,加上4個(gè)“熵”特征及原始ROI灰度值特征,共基于7個(gè)維度特征圖像進(jìn)行疊加,以刻畫血腫內(nèi)各體素,因無需進(jìn)行圖像配準(zhǔn)而更為便捷。

本研究結(jié)果顯示,ROI亞區(qū)3影像組學(xué)模型預(yù)測sICH 患者HE的AUC略高于同集別ROI整體、ROI亞區(qū)1及ROI亞區(qū)2;且DCA結(jié)果顯示,ROI亞區(qū)3影像組學(xué)模型可較其他3個(gè)模型帶來更大獲益。

綜上所述,基于生境成像技術(shù)提取血腫與腦組織臨界區(qū)域NCCT影像組學(xué)特征對(duì)預(yù)測sICH患者HE具有較高價(jià)值。但本研究為單中心、小樣本回顧性分析,有待未來累積更多病例開展多中心前瞻性臨床研究加以完善。