文献速递神经外周血管MR

MRI影像组学特征识别颈动脉斑块易损性的稳健性与分类能力

Robustness and classification capabilities of MRI radiomic features in identifying carotid plaque vulnerability.
PubMed 文献 · Br J Radiol · 2024-01-01

基于CARE-II多中心颈动脉成像试验中55例双侧颈动脉狭窄的TIA或卒中患者,在事件后2周内行多对比度MRI,采用机器学习评估影像组学特征联合斑块形态与成分特征区分责任病灶的能力。联合模型AUC为0.819±0.002,优于传统模型的0.689±0.019(P=0.014);影像组学模型单独AUC为0.805±0.003,亦优于传统模型(P=0.031)。T2加权成像来源的影像组学特征稳健性与分类能力均高于T1加权成像,高维特征优于一阶特征。

要点

  • 联合影像组学与斑块形态及成分特征的模型AUC为0.819±0.002,优于传统模型的0.689±0.019(P=0.014)。
  • 单独影像组学模型AUC为0.805±0.003,亦优于传统模型(P=0.031)。
  • T2加权成像来源的影像组学特征在稳健性和分类能力上均高于T1加权成像。

核心结论

  • 基于MRI的影像组学特征联合斑块形态与成分参数,在颈动脉粥样硬化的参考标准风险评估基础上提供了附加价值。
  • 影像组学特征联合MRI斑块特征可能改善动脉粥样硬化斑块的风险分层。

研究设计与样本

  • 研究为回顾性分析,数据来自CARE-II多中心颈动脉成像临床试验(ClinicalTrials.gov标识NCT02017756)。
  • 纳入55例双侧颈动脉狭窄且经历短暂性脑缺血发作或卒中的患者,平均年龄62.6岁,男性35例。
  • 患者在事件后2周内接受颈动脉MRI,序列包括三维时间飞跃法、T1加权四重反转恢复、T2加权多层双反转恢复和磁化准备梯度回波。
  • 以超声和MRI评估确定的责任侧颈动脉或斑块为参考标准,采用线性逻辑回归模型及五折交叉验证联合1000次自举重采样进行分类能力评估。

关键影像表现/征象

  • 斑块分割基于T1加权、T2加权、三维时间飞跃法和磁化准备快速梯度回波图像,手动勾画管腔与外壁边界并识别斑内出血、富脂质坏死核心和钙化。
  • 影像组学特征从局部斑块负荷≥50%的层面提取,使用PyRadiomics工具(v2.2.0),固定箱宽为25,未进行重采样。

诊断标准与关键数值

  • 联合模型区分责任病灶的AUC为0.819±0.002,传统斑块形态与成分模型AUC为0.689±0.019,两者差异P=0.014。
  • 影像组学模型单独AUC为0.805±0.003,与传统模型AUC 0.689±0.019相比P=0.031。
  • 仅考虑病变几何特征(包括狭窄度)时,最佳操作点总体准确率略高于60%。
  • 联合影像组学与斑块形态及成分特征后准确率提高至75.8%。
  • T1加权图像来源的特征中20%稳健性低(ICC<0.5),而T2加权图像来源的特征几乎无低稳健性者。

临床应用与阅片要点

  • T2加权成像来源的影像组学特征在稳健性和分类能力上均优于T1加权成像,阅片时可优先关注T2加权序列提取的纹理特征。
  • 灰度水平依赖矩阵、灰度水平尺寸区域矩阵和灰度水平共现矩阵亚型在识别可检测易损病变的纹理方面特别有用。
  • 简化影像组学模型仅包含7个特征:灰度水平尺寸区域矩阵、灰度水平依赖矩阵的大依赖高灰度强调和小依赖低灰度强调、灰度水平共现矩阵的差值方差和信息相关性度量、一阶峰度和偏度。
  • 形态与成分特征中钙化、斑内出血和斑块负荷在训练数据不同扰动下常被线性模型选中。
  • 作者认为将AI用于颈动脉斑块易损性检测应被视为增量改善风险分层的工具,因为影像组学特征为传统斑块模型提供了补充信息。

局限性

  • 局限性包括分析的回顾性性质和患者数量。
  • 成像在事件后进行,而分析旨在制定事件发生前预测患者结局的方法;若破裂已发生并在事件与就诊间隔内引起显著重构,分类器可能意义不大,因此本工作依赖潜在形态与事件前高度相似的隐含假设。
  • CARE-II试验中MRI方案为预先设定,2 mm层厚可能造成信息丢失。
  • 虽探索了不同图像量化设置的影响,但影像组学特征在不同信噪比和其他成像参数的MRI扫描仪上的表现仍有待观察。
  • 由于图像采集参数均匀,预处理时未进行图像像素强度归一化。
全文中译12 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:Br J Radiol. 2024 May 7;97(1158):1118–24. doi: 10.1093/bjr/tqae057

与T1加权图像相比,基于T2加权成像的影像组学特征具有始终更高的稳健性和分类能力。

在识别可检测易损颈动脉病变的纹理方面,高维影像组学特征比一阶特征表现更好。

影像组学特征联合MRI斑块特征可能改善动脉粥样硬化斑块的风险分层。

引言

颈动脉粥样硬化性疾病是心血管疾病(CVD)的一个子集,而心血管疾病是全球卒中和死亡的主要原因。1 测量管腔狭窄程度仍然是临床评估颈动脉粥样硬化严重程度的主要方法。它是目前唯一经过验证的用于患者风险分层的诊断标准。然而,大多数临床事件发生在轻度至中度颈动脉狭窄患者中。2 此外,虽然临床试验已证明重度狭窄患者(≥70%)可从颈动脉内膜切除术(CEA)和颈动脉支架置入术(CAS)中获益,但当狭窄严重程度降低(<70%)时,手术获益逐渐减弱。2 因此,尤其是处于轻至中度狭窄范围的患者,需要更好的风险分层来预测未来缺血性事件。

既往研究表明,动脉粥样硬化斑块的形态学和成分特征可能比单纯的管腔狭窄更能界定临床进展。易损颈动脉粥样硬化斑块通常以斑块内出血(IPH)和富含脂质的坏死核心(LRNC)较大并伴有薄或破损的纤维帽(FC)为特征,这些可通过高分辨率多对比MRI显示。3 因此,斑块易损性的全面图像应包括病变的形态学和成分特征。4,5 影像组学不是简单地识别与动脉粥样硬化成分相关的特征,而是有可能通过直接利用图像数据来识别以现有既定方法无法企及的方式描述病变的特征,从而增加增量价值。6 一些影像组学特征可能具有明显的临床相关性,例如图像内不同区域的大小或图像的最大亮度;另一些则本质上更为抽象,代表通常人眼无法看到的模式。

本研究假设,从MRI提取的影像组学特征可以在常规使用的特征(如作为参考标准的狭窄程度)之外改善颈动脉斑块的风险分层。

方法

患者和图像分割

本研究使用了来自中国动脉粥样硬化风险评估(CARE-II)多中心临床试验中55例双侧颈动脉狭窄患者的数据(ClinicalTrials.gov标识符:NCT02017756)。整个研究及各参与机构均获得了机构审查委员会(IRB)的批准,所有研究参与者均提供了书面知情同意书。7 CARE-II的主要目的是确定中国近期缺血性卒中或短暂性脑缺血发作(TIA)患者颈动脉高危动脉粥样硬化斑块的患病率和特征。在本研究中,训练线性逻辑回归模型以区分责任和非责任颈动脉病变。“责任”一词始终指经超声和MRI检查评估后确定的致病性同侧颈动脉或斑块。“非责任”侧被认为没有引起症状的病因学基础。

入选者接受了以下序列的颈动脉MRI检查:三维(3D)时间飞跃法(TOF)、T1加权(T1)四重反转恢复(QIR)、T2加权(T2)多层双反转恢复(MDIR)以及磁化准备梯度回波(MPRAGE)。详细的MR成像参数可见参考文献7及补充材料A。详细的患者人口学资料见表1。

MRI分割由专家手动完成,参考3D时间飞跃法(TOF)、T1加权、T2加权和磁化准备快速梯度回波(MP-RAGE)图像来辨别管腔和外壁边界以及各种动脉粥样硬化成分,包括斑块内出血(IPH)、脂质坏死核心(LRNC)和钙化。8 分割及相关预处理流程如下:(1)在T1加权图像上手动绘制管腔和外壁边界以定义感兴趣区(ROI);(2)将所有图像包括管腔和外壁的掩膜转换为NIFTI格式;(3)进行射频偏置校正9并使用空间自适应方法10进行去噪;(4)以T1加权图像为参考模态进行全局刚性和局部可变形配准;11(5)最终根据分割掩膜提取所有图像的像素。除步骤1外,所有步骤均在MR-VascularView©(南京景三医疗科技有限公司,中国江苏)中自动完成。管腔和外壁的手动勾画使用MATLAB(MathWorks,Natick,MA)中自定义的用户界面完成。

表1. 患者人口学资料(n = 55)。 查看原表 ↗

影像组学特征提取与稳健性评估

使用PyRadiomics工具(v2.2.0)12基于含有局部斑块负荷≥50%所定义动脉粥样硬化病变的切片MRI像素提取影像组学特征。通过运行多层影像组学分析获得的特征族为:形状特征;一阶强度直方图统计量;灰度共生矩阵特征(GLCM);13–15 灰度游程长度矩阵(GLRLM);16 灰度尺寸区域矩阵(GLSZM);17 灰度依赖矩阵(GLDM);18 以及邻域灰度差矩阵(NGTDM)。19 使用PyRadiomics默认设置,即固定箱宽25。未应用重采样。

整体工作流程如图1所示,包括:校准;筛选稳健特征的预处理流程;开发用于识别责任病灶的预测模型;以及筛选最有用特征的后处理流程。放射组学特征对感兴趣区(ROI)的依赖性(ROI定义了特征提取的区域)通过使用组内相关系数(ICC)测量特征稳健性进行检验。20–22 ROI通过将管壁边界向外和向内扩展和腐蚀1-2个像素进行操作。随后仅将稳定的放射组学特征纳入最终分析,而对微小ROI变化和图像质量高度敏感的特征则被剔除。

图1. 展示放射组学特征提取与评估方法及交叉验证技术的示意图。 查看原图 ↗

特征正则化与模型交叉验证

最小绝对收缩和选择算子(LASSO)和岭回归通过向代价函数引入正则化惩罚项来减少过拟合。在LASSO和岭回归中,线性模型中的大系数均通过特征性惩罚项受到惩罚,尽管方式略有不同。LASSO回归的惩罚项涉及特征系数向量的L1范数,即特征系数绝对值之和。在岭回归中,惩罚项涉及L2范数的平方,即特征系数的平方和。23相应的惩罚项如下所示,其中指代模型中涉及的特征数量。

由于小于1的系数的平方和小于其总和,岭回归惩罚更适合于更均衡的系数向量,而LASSO回归倾向于将多个系数设为零,从而产生更稀疏的模型。虽然两种正则化均已执行,但考虑到特征选择,最终分析中通常采用LASSO正则化后的结果。

为验证模型的预测能力并评估其对数据集的敏感性,采用了五折交叉验证方案,将数据分为五个等大小的折。五分之四的数据用于训练线性逻辑回归模型,五分之一的数据留作未见数据以评估模型。此外,为评估该分析的可重复性,根据有放回重采样的自助法技术,该方案在重采样数据集上执行了1000次。自助重采样测量了交叉验证分析对数据集的敏感性。这也使得特征选择能够进行更全面的分析。验证方法在图1中进一步说明。

联合模型与特征选择

联合模型由影像组学模型和由形态学及成分指标构成的常规风险特征组成。形态学指标包括:狭窄程度;最小短轴长度(MMAL);最小管腔面积(MLA);内向重构指数(IRI);外向重构指数(ORI)、斑块负荷和斑块体积。成分特征包括钙化存在、钙化体积、IPH存在、IPH体积、LRNC存在和LRNC体积。这些特征单独的效用在一元分析中进行了考量。

为选择特征,制定了一套基于交叉验证流程的方案,用于识别对联合模型最有用的特征。使用LASSO正则化,绘制了在所有五个交叉验证折和所有bootstrap迭代中非零特征系数的频率,以展示在所有可能模型中最常被纳入的特征。使用岭回归时采用了类似原则,不同之处在于:如果特征在所有五个交叉验证折中的平均系数在模型所考虑的所有特征中排名前10,则认为该特征被选中。

统计分析

一元分析酌情使用χ2检验、Fisher精确检验或Student t检验,P值≤0.1者纳入多元分析。ICC采用双向混合方差分析(ANOVA)模型定义。敏感性与特异性之间的关系构成了受试者工作特征(ROC)曲线的基础。对于逻辑回归S曲线的所有可能截断值(即区分罪犯病变与非罪犯病变预测的分界点),在ROC曲线上添加一个点并据此计算曲线下面积(AUC)。AUC值随后用于衡量给定预测模型的有效性。两个ROC AUC测量值之间差异的显著性使用配对样本Wilcoxon统计量评估。24

结果

一元基线预测因子

基线模型首先建立在考虑形态学和成分特征一元预测价值的基础上。除ORI外,所有几何特征均具有显著的一元预测价值,钙化存在和IPH存在亦如此(表2)。这些特征的多元预测价值连同模型内多元比值比的显著性也呈现在表2中。

表2. 基线模型的一元与多元分析,该模型由病变几何学和斑块形态学组成(n = 55)。 查看原表 ↗

影像组学特征的稳健性

对PyRadiomics生成的全部107个影像组学特征,在12种提取设置(箱宽:10、15、20、25、30、35,箱数:8、16、32、64、128、256)下计算了影像组学特征的稳健性。与T1加权图像相比,T2加权图像提供了更高比例的中度稳健(0.5 ≤ICC < 0.9)和高稳健(ICC ≥0.9)特征。在源自T1加权图像的特征中,20%为低稳健性(ICC < 0.5),而源自T2加权图像的特征几乎无低稳健性者。与箱数相比,箱宽是更可靠的提取设置,箱数会导致大量低稳健性特征(见图2)。

图2. T1加权和T2加权图像衍生的放射组学特征在6种箱宽和箱数设置下的稳健性(低:组内相关系数[ICC]<0.5;中等:0.5≤ICC<0.9;高:ICC≥0.9)。 查看原图 ↗

放射组学模型与常规模型的整合

纳入不同特征的模型的分类能力在表3中通过五个交叉验证折展示。可以看出,如果仅考虑病变几何特征(包括狭窄),在最佳操作点处的总体准确率略高于60%,这与仅考虑病变成分(钙化等)的情况相当。病变几何特征与成分特征的组合提高了分类能力,尽管与单独使用斑块形态学或成分特征相比无显著差异。放射组学模型的表现优于上述任何模型。放射组学特征与病变形态学和成分特征的组合进一步将准确率提高至75.8%。与这些模型性能相关的ROC曲线见图3。联合模型中所有特征的多变量比值比见补充材料B,其中突出了每个特征在交叉验证预测模型中的相对权重。该补充材料包含常规模型、放射组学模型和联合模型。

出于优先考虑临床可解释性,测试了一个简化的放射组学模型,该模型仅包含七个放射组学特征:灰度级区域大小矩阵(GLSZM)、大依赖高灰度级强调(灰度依赖矩阵(GLDM))、小依赖低灰度级强调(GLDM)、差异方差(灰度共生矩阵(GLCM))、相关性信息度量(GLCM)、峰度(一阶)和偏度(一阶)。这些简化特征的性能在表3中展示,ROC曲线可见于补充材料C,其中对比了简化模型与完整模型(包含所有可用特征)区分罪犯斑块与非罪犯斑块的能力。

图3. 考虑病变形态学和成分特征、单独放射组学特征及其联合的模型的受试者工作特征曲线。 查看原图 ↗
表3. 基于T2加权图像的纳入形态学和成分特征与放射组学特征及其联合的模型的分类能力。 查看原表 ↗

特征选择

对每个特征类别单独进行分析,并创建相应的ROC曲线以计算AUC(表4)。AUC基于预测模型在留出集上的性能按交叉验证方法计算。总体而言,源自T2加权图像的GLDM特征表现最佳,其次是GLSZM和GLCM。NGTDM特征的预测价值最差,稳健性也最差。

本研究中开发的LASSO和岭回归方案的选择频率见补充材料D和E。根据既定方案,一阶特征偏度和峰度在特征选择中一致出现,尽管一阶特征家族本身并不具有如表4所述的最强预测性能。包括钙化、斑块内出血(IPH)和斑块负荷(PB)在内的形态学和成分特征在训练数据的不同扰动下常被线性模型选中。

表4. 各家族放射组学特征在交叉验证下的分类能力。 查看原表 ↗

讨论

虽然单变量分析揭示了狭窄程度及其他更复杂的几何特征能够区分责任斑块与非责任斑块,但这些评估并不能说明全部问题。使用MRI获得的特征改善了单纯狭窄测量的预测能力。放射组学随后进一步改进了预测模型,提供了一种描述斑块易损性的稳健手段。对于纳入GLSZM、GLDM和GLCM特征、峰度和偏度的简化模型而言也是如此。这意味着可解释特征与其他高阶特征及斑块特征相结合时变得更为有用;这也强调了颈动脉斑块易损性的多因素、复杂性本质。以ICC衡量的放射组学特征中,基于T2加权成像的放射组学特征始终比T1加权图像具有更高的稳健性。这可能进而延续为源自T2加权图像的特征相较于T1加权图像具有更优的分类能力。这表明T2加权可能更有效地捕捉与斑块易损性相关的组织对比。

由于斑块成分如IPH和细胞外纤维基质可呈现多种形态,放射组学纹理特征有可能检测到这些斑块特征中更易损的特定亚型。斑块出血的轮廓——例如其如何发生和发展——通过其纹理特征所识别,可能比仅了解其存在与否是研究斑块易损性的更有力工具。在bootstrap重采样后,IPH和PB在线性模型中被纳入的高重现率进一步强化了这一观念:AI在颈动脉斑块易损性检测中的应用应被视为一种逐步改善风险分层的工具,因为放射组学特征为传统的基于斑块的模型提供了补充信息——斑块形态学和成分模型中的特征最终在临床上仍然比更简单的放射组学特征更具可解释性,因为它们直接与病理学相关。

将完整放射组学特征与斑块形态学和成分信息相结合的模型在AUC上提供了显著改善(AUC分别为0.819 ± 0.002 vs 0.689 ± 0.019,P = .014),而单独放射组学模型相较于传统模型也提供了显著改善(AUC分别为0.805 ± 0.003 vs 0.689 ± 0.019,P = .031)。进一步审视后发现,尽管仅放射组学模型与全包含模型之间AUC增幅的差异相对较小,平均AUC增加为1.74%,但统计显著性提高了98.6%,这增加了放射组学特征与形态学和成分特征相结合时相较于传统方法改善的确定性。

局限性包括分析的回顾性性质以及患者数量。影像是在事件发生后进行的,而分析旨在制定一种在事件发生前预测患者结局的方法。如果破裂已经发生并在事件与患者就诊之间的时间窗内导致了显著的重塑,分类器可能就不那么有意义了。因此,本工作依赖于一个隐含假设,即 underlying 形态与事件发生前一段时间内的形态高度相似。在 CARE-II 试验中,MRI 方案是预先定义的。2 mm 的层厚可能造成信息丢失。我们探索了不同图像量化设置的影响,但放射组学特征在具有不同信噪比和其他成像参数的 MRI 扫描仪下的表现如何仍有待观察。由于图像采集参数一致,预处理过程中未进行图像像素强度归一化。需要在不同扫描仪上进行外部验证,以验证本研究推荐的风险预测模型的稳健性。不同的 ROI 勾画(如原始手动分割所定义)会影响放射组学特征提取。使用膨胀和腐蚀对原始 ROI 进行扰动,使我们能够了解哪些图像模态对观察者间变异性具有稳健性。从 T2 加权图像中提取的放射组学特征通常对这些 ROI 扰动更为稳健。

总之,通过对斑块风险进行比当前金标准狭窄程度测量更全面的评估,可以改善颈动脉粥样硬化的风险分层。这些结果表明,几何和斑块成分特征与放射组学特征相结合,可以为颈动脉粥样硬化患者提供诊断方面的改善。

补充材料

引用

  1. Meddings Z, Rundo L, Sadat U, et al. Robustness and classification capabilities of MRI radiomic features in identifying carotid plaque vulnerability. Br J Radiol. 2024. PMID: 38711198. doi:10.1093/bjr/tqae057
  2. 全文:PMC11135795(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC11135795/

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。