基于影像組學對腦內血腫早期擴大的預測

金少華，路陽

（南京醫科大學附屬江蘇盛澤醫院放射科，江蘇 蘇州 215200）

0 引言

目前，腦出血已成為影響人生活質量的常見疾病，腦出血早期形成的血腫不穩定，血腫體積擴大會導致周圍神經組織功能受損，引起致殘、致死的概率較高。早期血腫體積擴大是腦出血引起死亡和致殘的獨立危險因素，因此預判早期血腫體積擴大具有重要的臨床意義。

預判血腫擴大較成熟的方法是根據CT圖像特點進行血腫體積早期擴大的預測，比如利用血腫密度不均勻的特征（混雜征）和血腫形態不規則的特征（衛星征）來預判血腫體積擴大[1]，這些影像學預測方式存在主觀性影響，導致不可避免的主觀因素偏差。通過CT血管造影的微小斑點狀強化（點征）來預測血腫體積擴大[2]，雖然兩者之間有相關性，但CT血管造影的復雜性影響廣泛推廣。人工智能已經被應用于醫學圖像處理，用于疾病監測、分類、病變分割、治療評估和身體成分分析，將更客觀的定量成像特征與臨床疾病進展聯系起來[3-4]。本研究運用影像組學從CT圖像中提取客觀的影像學特征，通過訓練及測試后得到預測模型，來預測腦內血腫體積的早期擴大，并且評價其價值。

1 資料和方法

1.1 一般資料

篩選出2019年11月至2021年6月因腦出血來我院就診的110例患者，其中男性71例，女性39例，年齡20-75歲，平均（52.92±12.57）歲。納入標準：（1）入院后立即行頭顱CT平掃，并且在24小時內復查頭顱CT。（2）CT圖像清晰，無明顯運動偽影及金屬偽影，明確診斷腦出血伴血腫形成。排除標準：（1）復查頭顱CT前已手術治療或介入治療。（2）繼發于腦腫瘤、腦血管畸形出血形成的腦內血腫。（3）腦實質內出血破人腦室，腦實質內血腫與腦室內積血無法辨別分界線。（4）外傷導致的腦內血腫。（5）細小的血腫，不便于手動勾畫血腫輪廓。

CT檢查方法;使用GE 64排Optima CT660進行兩次掃描，管電壓120kv，管電流280mA，層厚5mm，層間距5mm。將所有圖像以DICOM格式導出備用。

1.2 影像組學圖像分割、血腫體積測量

應用3DSlicer軟件的Segment Editor模塊勾畫腦內血腫的邊界，首先設定模塊內CT值的范圍為45-90HU，然后沿血腫的邊緣進行勾畫輪廓，對于血腫內部不在閾值范圍內的低密度區域，關閉閾值設定后手動添加，此方法可以減少不同醫師勾畫血腫邊界的主觀性偏差。應用3DSlicer軟件的Segment Statistics模塊，將勾畫好的血腫文件選中，自動計算得到血腫的體積。

1.3 影像組學特征提取及篩選、預測模型構建

應用3DSlicer軟件的Radiomics模塊進行影像組學特征提取，包括一階特征、灰度共生矩陣、灰度依賴矩陣、灰度游程矩陣、灰度區域大小矩陣、鄰域灰度差分矩陣、3D形狀特征，經過高斯拉普拉斯濾波器和小波變換后得到的特征；將提取到的影像組學特征數據導出至表格。將110例患者分為訓練集（77例）和測試集（33例），利用t檢驗和最小絕對收縮和選擇算子(LASSO)篩選出具有顯著差異的影像組學特征。結合隨機森林模型進行建模，在隨機森林模型中利用訓練集數據進行訓練，然后用測試集數據驗證模型。采用ROC曲線分析隨機森林模型預測腦內血腫體積早期擴大的價值。

2 結果

對同一患者前后兩次CT平掃得到的血腫體積進行對比，按血腫體積是否擴大進行分組，血腫擴大組（35例）和血腫未擴大組（75例）。經3DSlicer軟件的Radiomics模塊提取到353個影像學特征，通過t檢驗和 LASSO篩選出6個具有顯著差異的影像學特征（圖1），其中診斷特征1個（原始體素），灰度游程矩陣特征2個（灰色級別非均勻性和運行長度非均勻性），高斯拉普拉斯濾波器過濾后特征1個（灰色級別非均勻性），小波變換后特征2個（長期重點和平均值）。在隨機森林模型中利用訓練集數據進行訓練，然后用測試集數據驗證模型，隨機森林模型預測腦內血腫早期擴大的ROC曲線下面積為0.929，靈敏度、特異度分別為0.850、0.960（圖2）。

圖2 隨機森林模型的RoC曲線

3 討論

腦內血腫不僅直接損傷腦組織，而且會對血腫邊緣的神經細胞產生繼發破壞。腦出血早期血腫擴大的概率較高，早期血腫狀態不穩定，變化速度較快，隨著時間延長，血腫狀態趨于穩定，因此早期進行干預對改善預后尤為重要[5]。急性出血性腦卒中的診斷主要依靠CT檢查，血腫的密度取決于血紅蛋白的濃度，新鮮出血中血紅蛋白含量較少，所以表現為低密度，形成血凝塊后血紅蛋白含量升高，表現為高密度，混雜征是由新鮮出血與血凝塊并存形成的，低密度區越多發生血腫擴大的可能性越大[6-7]。點征是CTA顯示血腫內部或者邊緣出血斑點狀強化，是造影劑外漏形成的，是血腫擴大的重要因素，與血腫擴大呈正相關[2]?；祀s征、點征等影像學征象作為定性指標受醫師的主觀影響大，預測血腫擴大的概率不穩定，預測腦出血早期血腫擴大的靈敏度及特異度低于影像組學模型[8]。有學者對比兩者不同的血腫體積測量方法，根據兩種方法得到的血腫體積差值來預測血腫體積擴大，差值越大，血腫體積擴大可能性越大，使用的長度×寬度×高度/2方法存在較大的主觀性偏差，影響預測性能[9]。

圖1353 個影像學特征的LASSO系數回歸概況

影像組學是一個旨在從數字圖像中提取大量定量特征的過程，對紋理、強度和體積等特征進行連續分析，以提供決策支持。董秦柱等利用影像組學模型來預測腦室內出血增長，通過選定影像組學特征的線性組合乘以其各自的套索系數，計算影像組學分數，影像組學分數是腦室內出血擴大的重要預測因子，影像組學分數較低的個體預后不良概率較低，影像組學分數與嚴重腦室內出血和不良預后獨立相關[10]。血腫周圍的水腫帶損傷是可逆的，早期干預能改善患者的預后，CT圖像確診水腫帶時間較晚，楊光偉等運用影像組學技術鑒別腦血腫周圍水腫帶與正常腦組織，影像組學模型預測效能較高，對臨床治療具有重要意義[11]。楊俊等構建支持向量機模型和邏輯回歸模型預測血腫擴大，與影像征象組成的二元邏輯回歸模型預測血腫擴大進行對比，結果是基于影像組學的模型具有更高的預測性能[12]。有學者將影像組學的模型對比放射學體征，比較二者在腦內血腫擴大和患者不良預后的價值，實驗結果表明，基于CT影像組學的模型在預測腦內血腫擴大和不良功能結果方面優于放射學體征，將基于放射組學的特征與臨床因素相結合可以提高其性能[13]。

本研究應用3DSlicer軟件的Segment Editor模塊的閾值功能，輔助人工勾畫血腫ROI，在勾畫血腫邊緣時由于閾值的存在，可以減少人工識別正常腦組織和血腫分界的主觀偏差，人眼識別相近的灰階往往存在分歧，需要兩位醫師協商后決定，設定血腫的CT閾值可以加快勾畫血腫邊界，同時也提高每次勾畫血腫ROI的一致性。血腫內部的低密度區有時不在閾值范圍內，在閾值條件下勾畫的ROI基礎上，再次手動添加低密度區，確保血腫ROI內包括不同密度的出血。本研究構建的隨機森林模型預測腦內血腫早期擴大具有較高性能，靈敏度、特異度分別為0.850、0.960。對腦內血腫早期擴大的有效預測，提早干預高風險患者，可以減少患者的不良預后。

總之，影像組學模型可以通過定量特征，幫助醫生預判腦出血患者血腫擴大的可能性。本研究不足之處：（1）高血糖、高血壓、昏迷量表評分、卒中量表評分、服用華法林等是血腫擴大的危險因素，本研究未考慮這些因素的影響。（2）本研究采用人工分割血腫，運用深度學習自動分割ROI可能更精準。（3）只運用了隨機森林模型進行建模，運用多種機器學習方法可以挑選出更優的預測模型[14]。