文献速递神经儿科影像MR

放射组学能否用于检测磁共振成像无异常的新生儿缺氧缺血性脑病

Can radiomics be used to detect hypoxic-ischemic encephalopathy in neonates without magnetic resonance imaging abnormalities?
PubMed 文献 · Pediatr Radiol · 2023-05-15

本研究纳入38例MRI表现正常的足月HIE新生儿和89例正常新生儿,基于T1WI、T2WI、DWI和SWI提取基底节、丘脑和深部髓静脉的放射组学特征构建模型。SWI模型在训练集和验证集的AUC分别为1.00和0.98,优于其他单序列模型;结合SWI Rad-score与肌酐、乳酸列线图模型AUC为1.00,但未显著优于SWI模型。结论提示放射组学模型可在MRI无异常时检测HIE。

要点

  • SWI深部髓静脉放射组学模型对MRI无异常的HIE新生儿诊断性能最佳,训练集AUC 1.00、验证集AUC 0.98。
  • 基底节和丘脑的T1WI、T2WI、ADC模型AUC均>0.90,但低于SWI模型。
  • 结合SWI Rad-score、肌酐和乳酸的列线图模型AUC为1.00,但未显著优于SWI单模型(训练集P=0.38,验证集P=1.00)。

核心结论

  • 基于MRI的放射组学模型可在MRI表现正常的HIE新生儿中检测出脑损伤,其中SWI模型诊断价值最高。

研究设计与样本

  • 回顾性研究,纳入38例MRI表现正常的足月HIE新生儿和89例正常新生儿,随机按7:3分为训练集(n=90)和验证集(n=37)。
  • 使用3.0T MRI扫描仪(MAGNETOM Skyra或MAGNETOM Prisma,Siemens Healthcare)和八通道头线圈,采集T1WI、T2WI、DWI和SWI序列。
  • 由两名儿科放射科医生手动勾画基底节、丘脑和深部髓静脉ROI,提取1316个放射组学特征,经mRMR和LASSO筛选后构建7个单序列模型和1个联合列线图模型。

诊断标准与关键数值

  • SWI模型训练集AUC 1.00(95%CI 0.94−1.00),验证集AUC 0.98(95%CI 0.82−0.99)。
  • 训练集SWI模型准确度0.99、敏感度0.96、特异度1.00;联合列线图模型准确度0.99、敏感度1.00、特异度0.98。
  • 训练集T1WI-BG、T1WI-TH、T2WI-BG、T2WI-TH、ADC-BG、ADC-TH和临床模型AUC分别为0.98(95%CI 0.85−0.97)、0.98(95%CI 0.79−0.94)、0.98(95%CI 0.83–0.96)、0.98(95%CI 0.89−0.99)、0.97(95%CI 0.77−0.92)、0.97(95%CI 0.79−0.94)和0.82(95%CI 0.71−0.89)。
  • 训练集联合列线图模型(含肌酐、乳酸和SWI Rad-score)AUC 1.00(95%CI 0.94−1.00)。

临床应用与阅片要点

  • 在MRI表现正常的HIE新生儿中,SWI深部髓静脉放射组学模型具有最高的诊断价值,可作为定量辅助工具。
  • 联合列线图模型基于SWI Rad-score和临床因素可能作为定量工具,但未优于SWI模型。
  • 原文未据此给出推荐。

局限性

  • 单中心回顾性研究,缺乏外部验证,可能导致病例选择偏倚并限制普适性。
  • 尽管纳入的新生儿数量相对较多,但与其他放射组学研究相比队列较小,尤其MRI无异常的HIE新生儿组;可能影响结果的普遍适用性,需大规模前瞻性多中心研究验证。
  • 采用手动分割勾画ROI,未使用客观的自动或半自动分割进行比较和验证。
  • 不同成像方案可能影响放射组学,部分无法标准化的成像参数变异可能影响结果;需进一步研究解决这些不足。
全文中译10 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者,按 CC BY 许可使用,本译文为翻译改编。出处:Pediatr Radiol. 2023 May 15;53(9):1927–40. doi: 10.1007/s00247-023-05680-z

引言

缺氧缺血性脑病(HIE)是新生儿脑病的一种重要形式,具有高死亡率和发病率,每1000例活产中有1–8例发生[1]。HIE对大脑的影响可导致严重病情、快速进展和不良预后。然而,患者会经历不同程度的神经系统后遗症。评估疑似HIE的最佳方法是磁共振成像(MRI)[2]。由于检查时间、损伤模式和方案的不同,部分HIE患者可能出现正常或假正常MRI表现[3]。当HIE伴有脑损伤时,识别和界定尤为困难。此外,有报道称部分脑MRI表现正常的新生儿也可能出现神经功能缺损[4]。

Sarnat分级量表用于评估HIE的严重程度[5]。正常或假正常MRI表现可影响Sarnat评分,大多数病例被归类为轻度或中度HIE。根据Sarnat分级量表,轻度HIE婴儿此前被认为预后良好,不会遗留长期残疾。近期数据分析提示,有出生时HIE病史的学龄期儿童,即使为轻度HIE,也存在行为调节异常和注意力缺陷风险增加[6–8]。轻度HIE或脑MRI表现正常婴儿的异常患病率为20−60%[9]。轻度HIE或HIE且脑MRI表现正常并接受低温治疗的婴儿,其脑损伤发生率低于未接受低温治疗的婴儿[10]。因此,有必要对脑MRI表现正常的婴儿进行HIE的识别和治疗。

尽管常规MRI广泛用于新生儿HIE,但仅通过人工观察所提供的信息有限。影像组学是指对数字医学图像特征进行高通量计算提取和分析,并将信息转化为可挖掘数据[11]。随后可通过特征选择对这些数据进行分析,以构建用于疾病预测和诊断的生物标志物。影像组学可提供超越人工分析局限性的潜在有价值信息[12]。多项研究已探讨了影像组学的临床适用性。既往研究已显示影像组学特征在多种癌症中预测疾病、治疗反应以及预测和预后方面的价值[13–17]。然而,仅有少数研究使用纹理分析评估新生儿缺血性改变。尚无研究评估HIE新生儿的正常MRI表现以预测潜在脑损伤。本研究旨在开发并验证影像组学模型,以区分HIE新生儿的脑损伤与正常MRI表现。

材料与方法

患者与数据收集

本回顾性研究经华南大学湖南省儿童医院医学伦理委员会批准。由于对匿名数据进行回顾性分析,免除知情同意要求。

回顾新生儿科数据库,以识别2018年1月至2022年4月期间患有围产期窒息和缺氧缺血性脑病(HIE)的新生儿。纳入标准如下:(1)胎龄≥37周且接受MRI检查的新生儿;(2)MRI表现正常;(3)具备可用的人口学、临床和实验室数据。排除标准如下:(1)早产儿(胎龄<37周),(2)MRI存在运动伪影的婴儿,(3)患有代谢性疾病的婴儿。共有38例符合上述标准的患者被纳入阳性组。

对照组由在出生后前2周内接受脑MRI检查以排查先天性中枢神经系统畸形可能性的新生儿组成。纳入脑MRI未见异常的婴儿。根据放射科医师的共识,对照组包括89例脑MRI表现正常的新生儿。研究队列的识别与选择及排除标准见图1。

图1 研究人群入组流程总结图。HIE 缺氧缺血性脑病,MRI 磁共振成像 查看原图 ↗

磁共振成像采集与处理

所有患者均接受脑MRI检查,包括弥散加权成像和磁敏感加权成像(SWI)扫描。所有脑MRI扫描均在我院使用3.0特斯拉(T)MRI扫描仪(MAGNETOM Skyra,Siemens Healthcare,Erlangen,Germany或MAGNETOM Prisma,Siemens Healthcare,Erlangen,Germany)配合八通道头线圈完成,MRI参数相同。更多细节见补充材料1。

MR图像在分割和特征提取前进行了预处理,以消除两台不同扫描仪所获取研究之间的潜在差异。图像预处理由X.D.完成,其为具有5年经验的儿科放射科医师。更多细节见补充材料2。

模型构建、评估与验证

MR图像被导入三维切片软件进行分割,然后保存以供后续影像组学特征提取。在本研究中,深部髓静脉通过创建靠近侧脑室的感兴趣区(ROI)进行评估和量化[18]。基底节、丘脑或深部髓静脉的ROI由两名儿科放射科医师(具有10年经验的Y.Y.和X.D.)手动确定,并达成一致意见。放射科医师对临床数据进行了匿名化处理。更多细节见补充材料3。

针对每个序列,患者按7:3的比例随机分为两个队列(训练队列和验证队列)。考虑到一些特征有助于阳性分类性能,而另一些特征可能增加噪声,采用最小冗余最大相关(mRMR)对我们的影像组学模型中的特征进行筛选,以消除冗余和不相关特征,保留具有最大预测效率的特征。此后,使用最小绝对收缩和选择算子(LASSO)选择适用于具有共线性的高维低样本量数据的有效且可预测的特征。使用10折交叉验证选择系数非零的特征。确定特征数量后,选择最具预测性的影像组学特征构建影像组学模型。每个模型中选定的特征称为相应的Rad-score。基于影像组学特征参数的预测模型包括T1加权成像(T1WI)基底节模型(T1WI-BG模型)、T1WI丘脑模型(T1WI-TH模型)、T2加权成像(T2WI)基底节模型(T2WI-BG模型)、T2WI丘脑模型(T2WI-TH模型)、表观扩散系数(ADC)基底节模型(ADC-BG模型)、ADC丘脑模型(ADC-TH模型)和磁敏感加权成像(SWI)模型。基于单因素和多因素logistic回归分析的结果,将临床特征的独立预测因子与性能最佳模型获得的Rad-score相结合,建立联合列线图模型。

单因素分析中有统计学意义(P<0.05)的临床特征纳入多因素回归分析。多因素回归分析中P<0.05的特征纳入临床模型。

在训练队列和验证队列中,使用受试者工作特征(ROC)曲线和曲线下面积(AUC)分析衡量不同模型的诊断效能。使用Delong检验检验ROC曲线之间的差异。在训练队列和验证队列中对不同模型的预测性能进行校准和评估。使用Hosmer−Lemeshow检验评估校准曲线。最后,使用决策曲线分析(DCA)评估不同模型的临床价值。

所有统计分析使用IBM Statistical Package for Social Sciences Statistics for Windows(版本26.0;IBM Corp.,Armonk,NY)和R软件(版本4.1.0;R Foundation for Statistical Computing,Vienna,Austria)进行。定量数据使用Student's t检验或Wilcoxon检验进行比较。分类数据使用χ2检验进行比较。使用“mRMRe”包执行mRMR分析,使用“glmnet”包执行LASSO算法。使用“pROC”包绘制ROC曲线。所有统计检验均为双侧检验,统计学显著性设定为P<0.05。

结果

临床特征

纳入38例轻度HIE且MRI表现正常的新生儿作为研究组。根据放射科医师的共识,对照组纳入89例脑MRI表现正常的新生儿。患者按7:3的比例随机分配至训练队列(n=90)或验证队列(n=37)。HIE组与对照组之间临床特征的详细情况及比较见表1。组间在某些临床表现(窒息、复苏、呼吸困难和发绀)、实验室标志物(丙氨酸氨基转移酶、天冬氨酸氨基转移酶、肌酐、肌酸激酶同工酶、降钙素原和乳酸)及血气分析(CO2、pH和碱剩余)方面存在显著差异。训练队列与验证队列之间无变量存在统计学差异,提示分类合理。

多因素回归分析纳入单因素分析中所有P<0.05的参数。最终结果显示,肌酐和乳酸水平是HIE的独立预测因子(表2)。利用独立预测因子建立临床模型。

表1 人口学、临床和实验室特征 查看原表 ↗
表2 临床特征单因素和多因素回归分析的阳性结果 查看原表 ↗

影像组学特征选择与Rad-score的构建

选择LASSO逻辑回归模型中所有系数非零的影像组学特征以构建鉴别模型。经降维后,从训练队列中每个序列所识别的1,316个特征中筛选潜在预测因子,感兴趣区见图2和补充材料4。各Rad-score的方程见补充材料5。对从T1WI-BG、T1WI-TH、T2WI-BG、T2WI-TH、ADC-BG、ADC-TH和SWI模型提取的特征进行筛选后,分别保留7、11、7、11、8、11和10个影像组学特征。

在训练队列和验证队列中,SWI模型的AUC分别为1.00和0.98。因此,采用SWI获得的Rad-score联合临床特征的独立预测因子建立联合模型(补充材料5)。

图2 一例37周龄男性轻度缺氧缺血性脑病新生儿的轴位磁共振影像组学分析。a–c 在轴位T1加权(W)图像(a)、T2-W图像(b)和表观扩散图(c)上,将感兴趣区置于基底节(深蓝色)和丘脑(浅蓝色)。d 磁敏感加权图像,感兴趣区置于深部髓静脉(深蓝色) 查看原图 ↗

不同预测模型的性能与验证

采用Wilcoxon检验评估两组间的差异以及训练队列和验证队列中Rad-score的分布(图3)。在训练队列中,脑MRI表现正常的HIE患者在各MR序列影像组学模型及联合模型中的Rad-score均高于对照组(P<0.05)。该发现在验证队列中得到证实(P<0.05)。

在七个单序列模型中,SWI模型表现出最佳的预测性能。SWI模型中训练队列和验证队列的AUC分别为1.00(95%置信区间[CI],0.94−1.00)和0.98(95% CI,0.82−0.99)。在训练队列中,T1WI-BG、T1WI-TH、T2WI-BG、T2WI-TH、ADC-BG、ADC-TH和临床模型的AUC分别为0.98(95% CI,0.85−0.97)、0.98(95% CI,0.79−0.94)、0.98(95% CI,0.83–0.96)、0.98(95% CI,0.89−0.99)、0.97(95% CI,0.77−0.92)、0.97(95% CI,0.79−0.94)和0.82(95% CI,0.71−0.89),相对低于SWI模型的AUC。训练队列中包含肌酐、乳酸和SWI Rad评分的列线图的AUC为1.00(95% CI,0.94−1.00)。详情见表3和图4。

在训练队列(P=0.38)和验证队列(P=1.00)中,SWI模型与联合列线图模型的ROC之间未发现显著差异。校准曲线显示各模型的预测概率与观测值具有良好的一致性(图5)。

基于临床模型、SWI模型和联合列线图模型的DCA见图6。决策曲线显示,SWI模型和联合列线图模型的预测性能优于临床模型。

图3 Rad评分散点图。a–c T1加权成像(T1-W)(a)、T2加权成像(T2-W)(b)和表观扩散系数图(c),感兴趣区置于丘脑。d–f T1-W(d)、T2-W(e)和表观扩散系数图(f),感兴趣区置于基底节。g 磁敏感加权成像,感兴趣区置于深部髓静脉。所有图均显示,在训练队列和验证队列中,磁共振成像表现正常的缺氧缺血性脑病组(标签=1)的Rad评分均显著高于对照组(标签=0)。 查看原图 ↗
表3 不同模型的准确性和预测价值 查看原表 ↗
图4 三种模型在训练队列(a)和验证队列(b)中的校准曲线 查看原图 ↗
图5 不同模型在训练队列和验证队列中的受试者工作特征曲线。a–c T1加权成像(T1-W)(a)、T2加权成像(T2-W)(b)和表观扩散系数(ADC)图(c),感兴趣区置于基底节。d–f T1-W(d)、T2-W(e)和ADC图(f),感兴趣区置于丘脑。g、h 磁敏感加权成像,感兴趣区置于深部髓静脉。图中分别表示训练队列(g)和验证队列(h)中磁敏感加权模型与临床模型与联合模型的比较。ADC 表观扩散系数,AUC 曲线下面积,BG 基底节,DMV 深部髓静脉,SWI 磁敏感加权成像,TH 丘脑 查看原图 ↗
图6 三种模型的决策曲线分析。浅蓝色实线和深蓝色虚线分别代表磁敏感加权成像放射组学模型和联合模型。黑色线代表临床模型。决策曲线显示,磁敏感加权成像放射组学模型和联合模型比临床模型获得了更多的临床效用。DMV 深部髓静脉,SWI 磁敏感加权成像 查看原图 ↗

讨论

据我们所知,这是第一项评估正常MRI在新生儿缺氧缺血性脑病(HIE)中用于预测潜在脑损伤的效用的研究。基于基底节、丘脑和深部髓静脉的MRI影像组学模型,即使常规脑MRI表现正常,也能准确诊断新生儿HIE相关脑损伤。我们的结果表明,从T1WI、T2WI和ADC图上基底节和丘脑获得的影像组学特征具有高诊断准确性,AUC>0.90。从SWI上深部髓静脉获得的SWI模型在训练队列中具有优异的诊断性能(AUC,1.00),准确度为0.99,敏感度为0.96,特异度为1.00。联合列线图模型与SWI Rad-score及肌酐和乳酸水平一起使用,并未显著有助于区分MRI表现正常的HIE脑损伤与正常组,在训练队列中AUC为1.00,准确度为0.99,敏感度为1.00,特异度为0.98。采用Wilcoxon检验、校准曲线和Hosmer−Lemeshow检验评估预测模型。我们的研究结果表明,每个模型的Rad-score值在Wilcoxon检验中均有意义,从而表明影像组学在每个序列中均有用,并且影像组学特征显示了在不同序列中区分HIE组与正常MRI组和对照组的共性。所有模型与实际数据之间均有良好相关性。

大多数研究使用传统MRI特征来预测围产期窒息新生儿的脑损伤。传统及进一步的脑MRI技术已描绘了新生儿缺氧缺血性脑病(HIE)的特征,而Machie等人使用MRI评分来定义HIE的异常[19–21]。常用参数包括熵、偏度和峰度。例如,Sarioglu等人[22]使用了表观扩散系数(ADC)图及T1WI和T2WI上基底节和丘脑的MRI纹理特征。直方图熵log-10值被用作区分中重度和轻度HIE的指标(P<0.001;比值比[OR],266)。中重度HIE的独立预测因子是T1WI上内囊后肢缺乏高信号(P=0.012;OR,17.11)。Kim等人[18]根据年龄和缺血性损伤的存在,分析了磁敏感加权成像(SWI)上深部髓静脉纹理特征作为潜在生物标志物的价值。在这些参数中,熵在年龄组之间显示出显著差异(P=0.001)。偏度的ROC曲线下面积(AUC)为0.87,用于区分缺血性损伤婴儿。本研究分析了传统影像学征象与HIE脑损伤之间的关系,即使在MRI表现正常时也是如此。可从T1WI-BG、T1WI-TH、T2WI-BG、T2WI-TH、ADC-BG、ADC-TH和SWI模型中提取一系列定量影像特征。在七个单序列模型中,SWI模型在预测无MRI异常新生儿的HIE潜在脑损伤方面优于其他模型。基于SWI Rad-score和临床因素的联合列线图可作为定量工具使用;然而,它并未优于SWI模型。根据一般病理生理学,HIE的早期病理变化主要包括神经细胞变性、坏死、脑水肿、颅内出血和小脑损伤。脑组织发生缺氧后,脑血流灌注减少,小动脉反应性扩张,缺氧脑组织的氧摄取增加,微血管水平的血流动力学随之受损,从而增加微静脉中脱氧血红蛋白的比例。SWI在检测HIE新生儿脑内异常静脉扩张方面比传统MRI更敏感[23]。因此,HIE新生儿即使无MRI异常也存在潜在脑损伤。影像组学是指从数字医学图像中高通量计算提取和分析特征,并将信息转化为可挖掘数据。根据相应系数,Wavelet_HHH_glszm(灰度大小区域矩阵[GLSZM])_GrayLevelNonUniformity和Wavelet_HLH_glcm(灰度共生矩阵[GLCM])_maximal correlation coefficient被认为是所提出SWI模型准确性的关键参数。GLSZM由包含灰色区域数量和大小的元素组成。灰度带矩阵包括描述小/大区域和低/高灰度区域分布的特征。GLCM是一个矩阵,其中行数和列数表示灰度值处于某种关系(角度、距离)的次数,即二阶直方图。在GLCM上计算的特征包括熵、能量、对比度、均匀性、差异性和相关性[24–26]。GLSZM和GLCM在SWI序列图像灰度水平、图像均匀性、对比度和均匀性方面存在差异。

本研究存在若干局限性。第一,这是一项单中心回顾性研究,缺乏外部验证,可能导致病例选择偏倚并限制其普适性。第二,尽管本研究纳入了相对较多的新生儿,但与其他影像组学研究相比,本队列规模较小,尤其是无MRI异常的缺氧缺血性脑病(HIE)新生儿组;这可能影响我们结果的普遍适用性。需要一项大规模、前瞻性、多中心研究来验证我们的结果。第三,采用手动分割来勾画感兴趣区(ROI);未使用客观的自动或半自动分割进行比较和验证。第四,各种成像方案可能潜在影响影像组学。为解决这一问题,在分割和特征提取之前进行了图像预处理,以提高影像组学特征的稳健性。然而,一些无法标准化的成像参数的可变性可能影响了我们的结果。使用标准化成像方案对于避免低质量、不可靠的结果很重要。需要进一步研究来解决这些不足。

结论

本研究开发并比较了八种模型,以评估正常MRI在HIE新生儿中预测潜在脑损伤的效用。结果表明,磁敏感加权成像(SWI)模型和联合列线图模型有潜力用于区分HIE中的脑损伤与正常MRI,其中SWI模型具有最大的诊断价值。

补充信息

以下是电子补充材料的链接。补充文件1(DOCX 914 KB)

引用

  1. Zhuang X, Jin K, Lin H, et al. Can radiomics be used to detect hypoxic-ischemic encephalopathy in neonates without magnetic resonance imaging abnormalities? Pediatr Radiol. 2023. PMID: 37183229. doi:10.1007/s00247-023-05680-z
  2. 全文:PMC10421781(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC10421781/

供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。