基于自发性脑出血血肿位置预测病因与预后:一项多中心诊断研究
本研究纳入三个中心1162例自发性脑出血患者,利用病灶-症状映射提取血肿位置特征并生成病因与预后概率图。位置特征对病因分类的平均AUC为0.825,融合模型平均AUC达0.915;预后预测融合模型平均AUC为0.873,均优于仅用临床特征的模型。
要点
- 高血压性血肿多位于深部脑区(豆状核、终纹、海马),动脉瘤性血肿多位于蛛网膜下腔,血管畸形分布更广且更易累及脑室。
- 血肿位于放射冠、缘上回、小脑、双侧侧脑室及第四脑室时预后通常较差,而蛛网膜下腔出血预后相对较好。
- 融合位置与临床特征的模型对病因分类和预后预测均优于单用临床特征模型。
核心结论
- 血肿位置特征对自发性脑出血的病因分类和预后预测具有增量价值,融合模型表现优于单用临床特征模型。
研究设计与样本
- 回顾性多中心诊断研究,纳入三个中心共1162例自发性脑出血患者,数据集1用于模型开发与内部五折交叉验证,数据集2和3为独立测试与外部验证队列。
- 以非增强CT为检查方法,层厚小于10.0 mm,使用人工智能脑出血自动分割软件勾画血肿区域。
- 病因最终诊断由两名神经放射科医生和一名神经科医生共识确定:CTA用于识别动脉瘤或血管畸形,CTA阴性者根据病史和住院血压监测诊断高血压,两者均不符合者归为未知病因。
- 预后采用改良Rankin量表(mRS)评分,定义mRS 0–2为良好结局、mRS 3–6为不良结局,于发病后12个月通过临床检查或电话随访确定。
关键影像表现/征象
- 高血压性血肿主要位于深部脑区,尤其是基底节区;动脉瘤破裂所致血肿主要集中于蛛网膜下腔;血管畸形相关血肿分布更均匀广泛,更常累及脑室。
- 血管畸形和动脉瘤破裂似乎易累及脑室;高血压和血管畸形倾向于累及脑实质,但高血压偏向皮层下而血管畸形偏向皮层。
- 血肿位于放射冠、缘上回、小脑、双侧侧脑室和第四脑室时预后普遍较差;血肿位于蛛网膜下腔区域的患者预后相对较好。
- 不同病因血肿的空间分布模式在数据集1、2、3中一致。
诊断标准与关键数值
- 病因分类任务中,临床模型平均AUC为0.828(范围0.806–0.848),位置模型平均AUC为0.825(范围0.807–0.842),融合模型平均AUC为0.915(范围0.909–0.923)。
- 位置模型对高血压和动脉瘤的总体准确率均超过86%,对血管畸形的预测准确率较低为12.6%;融合模型将高血压准确率提升至94.7%、动脉瘤至91.5%、血管畸形至42.3%。
- 预后预测任务中,临床模型平均AUC为0.771(范围0.762–0.799),影像组学模型平均AUC为0.837(范围0.831–0.840),位置模型平均AUC为0.760(范围0.725–0.785),融合模型平均AUC为0.873(范围0.850–0.895)。
- Delong检验显示融合模型在所有数据集中AUC均显著高于临床模型,病因分类模型所有p < 0.001,预后模型所有p < 0.01。
- 血肿累及判定标准为某脑区超过20%的体素显示出血阳性;脑实质分析采用约翰霍普金斯大学模板共178个标注脑区(68个白质区、110个灰质区),蛛网膜下腔10个区域和脑室4个区域采用自建模板。
临床应用与阅片要点
- 阅片时可关注血肿位置分布:深部豆状核、终纹、海马区域出血提示高血压性病因,蛛网膜下腔尤其外侧裂池和前纵裂池出血提示动脉瘤破裂。
- 血肿位于右侧额下回眶部、右侧脑桥、左侧后岛叶、右侧扣带回对不良预后贡献较大,而上池对不良预后呈负向贡献。
- 模型构建中位置特征的可解释性较高,且不受不同中心或不同非增强CT扫描仪影响,表现出较好的泛化性。
局限性
- 原文未报告局限性。
全文中译13 节 · 点击展开
引言
自发性脑出血(sICH)的特征是由于脑血管破裂导致血液外渗至颅内空间,包括脑实质出血、脑室内出血和蛛网膜下腔出血。sICH相关的高死亡率和不良预后给临床医生和患者带来了重大挑战。非增强计算机断层扫描(NCCT)成像是首选的诊断方法[1]。在sICH(非创伤性)的背景下,不同病因的识别产生了不同且多样的治疗指征。sICH患者入院后的首要任务是迅速确定潜在病因[2]。sICH幸存者常常面临严重并发症,如果未得到及时正确的治疗,会遭受神经功能损害,甚至致残性残疾[3]。
在探寻sICH潜在病因的过程中,临床医生通常将大脑空间位置纳入对出血影响的评估。例如,动脉瘤性出血倾向于出现在蛛网膜下腔[4],高血压性出血主要出现在深部核团区域[5],血管畸形常见于皮层[6]。在预后预测方面,高血糖、高血压、高龄和血肿位置特征均已被实证确定为影响结局的关键因素[3, 7]。因此,血肿定位对于病因学和预后判断均至关重要。
目前对sICH位置的分析通常集中于特定脑区,缺乏对整个大脑解剖空间的全面研究。病灶-症状映射是一种基于人群的分析方法,通过计算标准化病灶位置来提供病灶的标准化位置特征。该方法已应用于缺血性卒中 and 胶质瘤研究,在定位的精确性和全面性方面取得了显著进展[8–11]。利用这种方法,可以绘制概率图,并对临床变量的影响进行统计量化,从而基于全脑血肿影响的可视化分布对位置特征进行定量分析[12, 13]。
我们假设血肿的位置特征与病因密切相关,并对预后判断具有预测价值。我们采用病灶-症状映射提取sICH的位置特征,并为每一个脑区生成病因和预后的概率图。我们将这些影像组学指标与临床特征相结合,训练多个病因和预后模型,利用模型比较统计量确定最终的最优模型。我们的研究涵盖了来自三个医疗中心的1162例sICH患者的综合队列,确保了分析数据集的稳健性和可推广性。本研究的根本目的是加深对病灶位置特征如何影响sICH病因和预后的理解,并提供一种高效做出这些判断的定量方法。
材料与方法
研究人群与临床信息
本回顾性研究收集了来自三家不同医疗中心的sICH患者(数据集1:金陵医院;数据集2:易吉山医院;数据集3:南京市第一医院)。颅内出血通过NCCT确认。若患者因头部创伤导致的继发性出血、缺血性梗死的出血转化、脑肿瘤,或表现出凝血功能异常等,则被排除。本研究报告遵循STARD(诊断准确性研究报告标准)[14]。补充图1详细展示了回顾性纳入和排除流程图。
从病历中提取了以下患者基线临床特征:实际年龄、性别、高血压(定义为收缩压≥140 mmHg和/或舒张压≥90 mmHg)、糖尿病(空腹血浆葡萄糖浓度≥7.0 mmol/L或餐后2小时超过11.1 mmol/L)、高脂血症(血清中检测到血脂异常)、既往卒中史、吸烟(连续六个月每天至少一支烟)、饮酒(每周至少三天饮酒)、入院时格拉斯哥昏迷量表(GCS)评分,以及若有目击者或患者自述的从发病到基线CT的已知时间间隔。所有人口学和临床信息见表1。
sICH的病因分为四组:高血压、动脉瘤破裂、血管畸形或未知。最终诊断由两名神经放射科医生和一名神经科医生协商确定:CTA用于识别动脉瘤或血管畸形;若CTA阴性,则根据患者病史和住院期间血压监测诊断高血压;若两条标准均不满足,则病因归类为未知。改良Rankin量表(mRS)[15]评分基于sICH事件后十二个月的临床检查或电话随访确定。与既往文献一致,我们将良好结局定义为“mRS = 0–2”,不良结局定义为“mRS = 3–6”[16, 17]。
图像采集与预处理
所有患者均采集覆盖全脑的NCCT,层厚小于10.0 mm。所有图像均经过细致的质量检查,以剔除显示明显运动伪影的图像。利用人工智能脑出血自动分割软件(Dr. Wise TM软件,可从http://label.deepwise.com/获取)从NCCT图像中勾画血肿区域。医生对分割结果的审查未发现明显的分割错误。
病变-症状映射与位置特征
对NCCT扫描和血肿区域进行空间标准化,并与标准蒙特利尔神经学研究所(MNI)模板对齐。标准化过程采用标准空间病变症状映射(SPLSM,https://github.com/JLhos-fmri/SPLSM_version1.0)工具包提供的CT标准化功能,该工具包基于SPM12的临床工具箱(https://github.com/spm/spm12),使用统一分割标准化[18]并结合病变成本函数掩膜[19]。基于标准化后的出血区域,计算每个体素发生血肿的频率,为每位患者生成基于体素的概率图(图1 A)。
由此生成了一个位置特征集,用于量化脑实质内区域(皮质、白质和皮质下核团)、蛛网膜下腔和脑室的出血累及情况。如果给定区域内超过20%的体素显示出血阳性指征,则认为存在出血事件。
脑实质分析使用了约翰霍普金斯大学(JHU)模板,该模板由178个标注脑区组成,包括68个白质区和110个灰质区(图1B)。蛛网膜下腔(10个区域)和脑室(4个区域)使用自建的手工制作模板进行勾画。颅内区域列表见补充表1。
在病因预测分析中,192个区域被分为5个颅内结构:脑室、皮质下、白质、皮质和蛛网膜下腔。在每个颅内结构中,使用配对单因素方差分析计算三种病因在出血累及区域率方面是否存在显著差异。在预后分析中,192个区域的出血率通过卡方检验进行比较。
影像组学特征
影像组学特征通过Python软件包PyRadiomics(版本3.0.1;https://pypi.org/project/pyradiomics)提取。每个血肿区域提取1454个影像组学特征。包括一阶特征、形状特征、灰度共生矩阵、灰度依赖矩阵、灰度游程长度矩阵、灰度尺寸区域矩阵和邻域灰度差矩阵(图1B)。鉴于部分患者可能存在多个血肿区域,有必要对每个区域的影像组学特征赋予权重,创建患者层面的特征集。我们使用深度学习多病灶注意力模型算法生成病灶层面特征的自适应权重。该模型在训练队列中使用5折交叉验证进行训练和迭代。模型参数的调整基于预后和误差考量(损失函数)。随后,来自多个区域的影像组学特征被合并为患者层面的影像学组特征,详见补充方法和补充图2。
病因和预后模型开发
我们的多中心队列包含1,162例sICH患者,按来源中心分为三个数据集:数据集1用于模型开发(训练和内部五折交叉验证);数据集2和3作为独立测试和外部队列验证。
本研究开发的模型具有双重用途:对sICH病因进行分类并预测预后。在实际临床病因判定中,医生通常根据临床特征和出血部位进行判断。因此,我们在病因分类模型中仅纳入具有已知临床和出血部位特征的病例(注:53例病因不明的患者被排除)。还采用多分类策略预测病因是高血压、动脉瘤破裂还是血管畸形。构建了三种模型:仅临床特征、仅部位特征以及部位-临床融合模型(简称loc-cli模型)。
在预后任务中,使用了临床和出血部位特征以及最终保留的47个特征(补充放射组学特征提取)。基于这些特征集预测良好(mRS = 0–2)或不良(mRS = 3–6)结局[16, 17]。测试了四种模型:临床、部位、放射组学以及临床-部位-放射组学联合或融合模型(简称loc-cli-rad模型)(见图1 C)。
使用scikit-learn(https://scikit-learn.org)工具包中的逻辑回归构建模型。在训练集中,使用Spearman相关性消除特征冗余。两个或多个特征之间相关系数大于0.8时仅保留其中一个。采用L1特征选择方法在我们的模型中进行降维。在训练集上实施了五折交叉验证和以F1分数为优化目标的网格搜索。融合模型在训练集中使用了“模型融合”技术,该技术采用平均信息策略将交叉验证期间运行每个单独模型后生成的预测分数进行组合。
在病因建模中,我们绘制了混淆矩阵和受试者工作特征(ROC)曲线以评估模型。为了从这些三分类模型中获得ROC曲线,我们将多分类问题简化为三个二分类问题,并对ROC曲线上相同假阳性率处对应的真阳性率取平均值,并使用假阳性率和真阳性率的平均值绘制宏平均ROC曲线。
在预后预测模型中,使用ROC曲线进行模型评估。为了比较模型之间的准确性,我们计算了融合模型与其他模型之间曲线下面积(AUC)值的差异,并使用Delong检验验证这些差异的显著性(图1D)。
结果
本研究共纳入1162例患者(655例男性,507例女性),平均年龄为57.65 ± 13.19岁。我们将sICH病因分类为高血压、动脉瘤、血管畸形或不明, respective counts分别为563例、435例、111例和53例。临床功能预后按结局分层,良好结局和不良结局分别为721例和441例。表1提供了样本人口统计学和临床特征的全面总结。每个数据集的详细人口统计学和临床特征见补充结果、补充表2、3。
血肿部位与病因之间的关联
图2A展示了按病因(高血压、动脉瘤、血管畸形)划分的血肿分布。高血压性血肿主要表现为脑深部,尤其是基底节区。相反,动脉瘤破裂所致血肿主要集中在蛛网膜下腔。血管畸形相关血肿分布更为均匀和广泛,更常见于脑室。图2B总结了基于颅内结构(脑室、皮层下、白质、皮层和蛛网膜下腔)各颅内区域受累个体的比例。不同病因的脑出血分布在分布上存在显著差异。一个值得注意的结果是,血管畸形和动脉瘤破裂似乎可能累及脑室。高血压和血管畸形倾向于累及脑实质,但高血压倾向于皮层下,而血管畸形倾向于皮层。除动脉瘤破裂最可能累及蛛网膜下腔外,血管畸形也累及蛛网膜下腔。血肿分布模式在数据集1、2和3中一致(补充图3、4、5)。
血肿位置与预后之间的关联
概率图显示,总体而言,预后较差的患者血肿在蛛网膜下腔、脑实质和脑室的分布更广泛(图3A)。当血肿位于放射冠、缘回、小脑、双侧侧脑室和第四脑室时,预后总体较差。相反,血肿位于蛛网膜下腔区域的患者预后相对较好(图3B)。各单独数据集(1、2和3)的详细结果见补充图6、7、8。
病因分类
在病因分类任务中,临床模型的平均AUC为0.828(不同数据集范围:0.806–0.848),而位置模型的AUC为0.825(范围:0.807–0.842)。值得注意的是,融合模型表现出更高的AUC,为0.915(范围:0.909–0.923)。各数据集中模型性能的详细信息见补充表4。图4 A中的混淆矩阵用于评估各模型跨数据集的平均准确率。位置模型对高血压和动脉瘤的总体准确率超过86%,但对血管畸形的预测性能欠佳(12.6%)。然而,融合模型提高了所有三种病因类型的诊断能力(高血压=94.7%,动脉瘤=91.5%),尤其是对血管畸形(42.3%)。各数据集的详细结果见补充图9。Delong检验证实融合模型始终优于临床模型,在所有数据集中显示出显著更高的AUC(均p < 0.001)(补充图10),表明位置特征提供了显著的预测价值(补充图5)。
在临床模型中,高血压、男性和卒中史对预测高血压性sICH显示出最强的正向贡献,这些特征在与动脉瘤的关联中显示出最强的负向贡献,表明这些特征的存在使动脉瘤存在的可能性降低。在血管畸形中,男性具有正向贡献,而高血压和年龄具有负向贡献(补充图11)。在位置模型中,高血压与豆状核、终纹和海马等深部区域强烈相关。相反,额上回和前半纵裂出血对模型贡献为负,降低了高血压性sICH存在的可能性。动脉瘤主要破裂于蛛网膜下腔,尤其是外侧裂池和前半纵裂池。然而,穹窿和小脑出血对模型贡献为负,表明动脉瘤性大脑出血不太可能位于这些区域。血管畸形主要分布于后扣带回和额上回,而在豆状束和背侧前扣带回区域罕见(图4B)。
预后预测
在预后预测任务中,临床模型显示平均AUC为0.771(范围:0.762–0.799),而影像组学模型达到平均AUC为0.837(范围:0.831–0.840)。位置模型显示平均AUC为0.760(范围:0.725–0.785)。融合模型以平均AUC为0.873(范围:0.850–0.895)优于所有其他模型。各数据集的ROC如图5所示。详细的模型性能见补充表4。Delong检验证实融合模型始终优于临床模型,在所有数据集中显示出显著更高的AUC(均p < 0.01),表明位置和影像组学特征始终提供了超越标准临床预测因素的预测价值(见补充表5)。
临床模型中最重要的特征为较低的GCS、年龄和高血压的存在。相比之下,在影像组学模型中,较高的原始形状网格体积、较低的GLDM和较低的NGTDM是最重要的(完整特征权重列表见补充图12)。在位置模型中(见图5D),对不良预后做出正向贡献的最重要特征为右侧额下回眶部、右侧脑桥、左侧后岛叶和右侧扣带回(注意:鞍上池对不良预后呈负向贡献)。
讨论
本研究为NCCT后sICH患者的病因学分类和预后预测提供了一个新颖、可解释、全面的框架。我们发现模型中的血肿位置特征准确描述了空间血肿分布与病因或预后之间的关系,这些关系与先验临床知识一致。这种一致性表明,使用血肿位置特征构建的影像生物标志物具有高度可解释性。由于我们的影像标志物不受不同中心或不同NCCT扫描仪的影响,它们显得稳健,表现出高度的通用性。我们的影像生物标志物提供了超越标准临床特征的预测价值。因此,该研究不仅增强了我们对疾病的理解,还显示了改善临床决策的潜力。
临床特征一直是临床医生判断脑出血病因和临床治疗的重要信息[20]。在我们的临床模型中,正如预期的那样,高血压对高血压性sICH至关重要,因为出血常发生在血压控制不佳的情况下[21]。对于动脉瘤患者,女性表现出比男性更高的风险,这与既往研究一致,注意到动脉瘤破裂导致的额外出血在女性中更为常见[22]。我们的结果还显示血管畸形患者的年龄小于高血压和动脉瘤患者。这是由于先天性发育不良引起的脑出血通常先于血管结构退行性变引起的脑出血[23]。
在我们的临床模型基础上,我们利用病变-症状映射对血肿位置进行定量和精确标定,证实位置特征相对于标准临床信息在病因预测和分类方面具有显著的附加效应。我们的数据显示高血压性出血主要表现为深部脑区,特别是豆状核、终纹和海马。这与既往临床认识一致,即高血压性出血主要位于基底节区[5]。由于血流动力学敏感性,大脑动脉环或深穿支动脉可能比皮层动脉对全身血压变化表现出更高的反应性[3, 24],从而增加出血的可能性[25]。蛛网膜下腔出血常由破裂引起,约20–30%的动脉瘤患者发生sICH[26]。出血可能所在的脑池是寻找责任动脉瘤的重要线索[27, 28]。有鉴于此,值得注意的是我们的病因分类模型发现了外侧裂池和前纵裂池受累是预测动脉瘤破裂的关键证据。我们的证据还表明胼胝体和豆状束在蛛网膜下腔以外区域的位置方面也很重要。
血管畸形[29]是脑血管的先天性异常,可导致广泛部位的出血,包括白质、皮层、皮层下、蛛网膜下腔和其他区域。我们的结果突出了血管畸形相关出血明显倾向于发生在皮层区域,特别是后扣带回和额上回。在临床实践中,当仅依靠NCCT时,区分高血压性皮层下sICH与血管畸形可能特别具有挑战性。尽管血管畸形的分布更广泛且更多变,我们的位置-临床模型能够以42.3%的准确率识别它们,表明空间特征在此类复杂病例中为病因鉴别提供了有意义但不完善的信息。
已确定众多与自发性脑出血(sICH)后不良预后风险升高相关的预测因素,包括年龄、血压升高和血糖水平升高等临床因素,以及血肿位置 [30, 31]。我们的临床模型与这些已确立的关联大体一致。与年轻人相比,老年患者存在血管扭曲,并伴有动脉粥样硬化 [32],且可与其他疾病共存,所有这些因素均可间接增加残疾率和死亡率。既往研究发现,血压控制不佳会增加卒中复发风险,控制血压稳定性对预防此类事件至关重要。我们的数据显示,GCS评分是sICH最强的预后预测因素,GCS评分低提示严重的意识障碍和不良预后 [33]。
当将位置和影像组学特征纳入我们的预后模型时,我们发现它们提供的预测价值显著高于这些更为标准的临床特征所提供的预测价值。在我们的预后模型中,位于皮质区域的大脑区域对预后模型的贡献更大,而皮质下区域对预后预测的贡献较小,这与既往研究的结论一致,即脑叶出血相对于非脑叶出血预后更差 [31]。与不良结局最相关的区域主要涉及额下回、脑桥和岛叶。额下回损伤已被证明会导致语言功能障碍 [34],可能进一步阻碍身体功能的恢复 [35]。
脑桥出血预后特别差,常表现为动眼神经功能障碍,如瞳孔异常、内侧纵束综合征、眼球偏斜和眼球震颤 [36]。值得注意的是,尽管由于样本量小,我们的概率图可视化有限,但幕下出血——尤其是脑干出血——仍被确定为较差功能结局的预测因素。同时,岛叶皮质损伤与严重吞咽困难密切相关,反映了岛叶在幕上吞咽网络中的核心作用 [37],并且还与心源性死亡率增加相关 [38]。
在影像组学特征中,出血的形状网格体积与预后呈正相关,该指标能够更精确地表征不规则出血的体积 [39]。这与血肿越大预后越差的常识一致 [40, 41],也与我们基于位置的分析一致。NGTDM特征表示体素与邻近体素之间的对比度 [42],用于量化邻近体素之间的强度差异。该对比度在我们的数据中对预后呈负向贡献。这提示如果由于血肿体积大、吸收缓慢或继发性出血导致密度不均匀,对比度将相对较低,从而提示预后不良 [43]。
在特征构建层面,本研究同时纳入了位置特征和影像组学特征。由于位置特征被确定用于描述整个出血区域,因此它们不受NCCT扫描设备和参数的影响,并且天然适用于多发出血灶的分析。相比之下,影像组学特征受NCCT扫描设备和参数的影响[9],难以处理多个出血区域的联合分析。为解决这一问题,我们的方法引入了创新的影像组学特征提取技术。通过多实例学习,我们为每位患者的跨病灶分配权重,确保既保留与患者病灶相关的全局信息,又保留与每个出血位置相关的局部信息[44]。我们认为,相对于影像组学的复杂建模,位置特征具有内在的稳健性和泛化性,尤其是其高度的可解释性与先验知识相吻合。
我们的研究存在若干局限性。首先,该研究为回顾性研究,不能排除样本偏倚的可能性,例如,纳入样本的病因和预后分布可能与真实情况存在差异。其次,我们对出血病因进行了概括性分类,这可能降低我们的结果在某些情况下的适用性,并影响病因分类结果的完整性。
总之,我们的结果表明,血肿位置特征是自发性脑出血(sICH)病因和预后预测中稳定可靠的指标,而结合影像组学特征可以有效提高预测效能并克服影像组学特征不稳定的缺陷。以一种精简的方式为sICH提供可解释的、全面的病因分类和预后预测框架。
电子补充材料
以下是电子补充材料的链接。
补充材料1
引用
- Liang J, Tan W, Xie S, et al. Prediction of etiology and prognosis based on hematoma location of spontaneous intracerebral hemorrhage: a multicenter diagnostic study. Neuroradiology. 2025. PMID: 40459741. doi:10.1007/s00234-025-03661-7
- 全文:PMC12390878(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12390878/
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。