文献速递神经外周血管CTDSA

双能CT血栓及血栓周围影像组学预测急性缺血性卒中血管内治疗后完全再灌注与临床结局

Dual-energy CT clot and peri-clot radiomics for predicting complete reperfusion and clinical outcome following endovascular therapy in acute ischemic stroke.
PubMed 文献 · Insights Imaging · 2026-03-30

多中心回顾性研究纳入371例前循环大血管闭塞行血管内治疗的急性缺血性卒中患者,基于治疗前双能CT血管成像提取血栓及血栓周围区域影像组学特征构建三种机器学习模型。血栓周围模型预测完全再灌注(mTICI 3)的验证队列AUC为0.847,预测90天良好功能结局(mRS 0–2)的验证队列AUC为0.850,在各队列中均优于单纯血栓模型和联合模型。

要点

  • 血栓周围区域影像组学在外部验证中预测完全再灌注AUC为0.847,优于血栓模型和联合模型。
  • 同一血栓周围模型预测90天良好功能结局的验证队列AUC为0.850,亦为三种模型中最高。
  • 血栓周围模型在多中心队列中表现稳定,支持基于微环境影像的术前风险分层与患者筛选。

核心结论

  • 双能CT血管成像血栓周围影像组学对血管内治疗后完全再灌注和功能结局的预测均优于单纯血栓模型,提示血栓周围微环境影像具有临床相关性。

研究设计与样本

  • 回顾性多中心研究,三个中心共纳入371例前循环大血管闭塞的成人急性缺血性卒中患者,均于症状发作24小时内行血管内治疗。
  • A中心患者按7:3随机分为训练队列154例和测试队列66例,B、C两中心共151例组成独立验证队列。
  • 采用双源双能CT扫描仪(SOMATOM Force,Siemens Healthineers)行双能CT血管成像,完全再灌注定义为mTICI 3级,由最终数字减影血管造影评估。
  • 临床结局为90天改良Rankin量表评分,mRS 0–2定义为良好结局,mRS 3–6定义为不良结局。
  • 提取血栓和血栓周围区域影像组学特征,经LASSO回归筛选后以逻辑回归构建血栓模型、血栓周围模型和联合模型三种机器学习模型。

关键影像表现/征象

  • 血栓周围区域通过血栓感兴趣区径向扩展1 mm缓冲带并布尔相减计算获得。
  • 血栓感兴趣区在0.5混合因子重建(50%低kV/50%高kV光谱融合)上手动勾画,并参考双能CT血管成像图像集排除钙化成分。
  • 影像组学特征包括一阶统计量、形状描述符和纹理特征,共从双能CT血管成像图像集提取107个特征,初始特征池535个。
  • 训练队列中血栓模型、血栓周围模型和联合模型预测完全再灌注分别筛选11、17、13个特征,预测临床结局分别筛选11、10、11个特征。

诊断标准与关键数值

  • 完全再灌注定义为mTICI 3级,由两位独立资深介入医师依据最终数字减影血管造影判定。
  • 血栓周围模型预测完全再灌注的AUC在训练队列为0.885(95%CI 0.834–0.937)、测试队列为0.860(95%CI 0.771–0.948)、验证队列为0.847(95%CI 0.778–0.916)。
  • 血栓模型预测完全再灌注的AUC在训练、测试、验证队列分别为0.809、0.759、0.719,联合模型分别为0.867、0.840、0.820。
  • 血栓周围模型预测90天良好结局的AUC在训练、测试、验证队列分别为0.854、0.817、0.850,联合模型分别为0.839、0.763、0.804,血栓模型分别为0.826、0.709、0.734。
  • 预测完全再灌注时,血栓周围模型与血栓模型、联合模型的两两比较均p<0.05;预测90天结局时,训练队列各模型间差异无统计学意义(均p>0.05),测试和验证队列中血栓周围模型和联合模型显著优于血栓模型(p值范围0.002–0.035)。

临床应用与阅片要点

  • 作者认为双能CT血管成像血栓周围影像组学支持改善术前风险分层和患者筛选,并可用于个体化预后评估。
  • 混合/融合CT血管成像重建图像可立即用于急性判读和血管内治疗分诊,材料分解图像未等待用于决策。
  • 在串联病变和非串联病变亚组分析中,血栓周围模型在各亚组内均显示最高AUC。

局限性

  • 原文未报告局限性。
全文中译15 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:Insights Imaging. 2026 Mar 30;17:84. doi: 10.1186/s13244-026-02258-9

引言

卒中仍然是全球范围内死亡和长期残疾的主要原因之一。血管内取栓术(EVT)彻底改变了大血管闭塞(LVO)所致急性缺血性卒中(AIS)的管理,与静脉溶栓相比,其成功血运重建率显著更高[1–3]。实现完全再灌注——定义为改良脑梗死溶栓(mTICI)分级3级——已被牢固确立为神经功能良好恢复和死亡率降低的最强影像学预测因素之一[1, 4, 5]。尽管技术不断进步且mTICI 3级再灌注率不断提高,仍有相当比例的患者即使在大血管完全再通后仍经历不良功能结局[6, 7]。

优化EVT结局需要更深入地理解血栓生物学及闭塞周围的复杂炎症微环境。取栓的机械反应深受血栓组成和结构(如负荷/长度及结构异质性)的影响,这些因素决定了器械-血栓相互作用、碎裂风险以及远端栓塞和微血管阻塞的可能性[8]。与此同时,血栓周围区域代表着一个动态的炎症和缺血微环境。实验和临床研究表明,缺血性损伤触发一系列神经炎症反应、内皮功能障碍和血脑屏障破坏,所有这些都促进微循环衰竭和不可逆组织损伤的扩展,尽管大血管已实现再通[9–12]。总之,这些观察结果表明,血栓内在特性和血栓周围组织状态都是技术上成功的EVT最终能否转化为有意义的临床恢复的关键但尚未被充分认识的决定因素。

双能计算机断层扫描(DECT)通过提供更优的软组织对比度和定量物质分解,优于常规CT[13]。利用能量依赖性衰减差异,DECT可以区分碘、钙和出血,细化血栓密度评估,并检测AIS中的残留或碎裂血栓[14]。影像组学是一个快速发展的领域,用于解决临床问题[15]。基于血栓的影像组学研究已揭示并验证了其在预测血栓组成、卒中发作时间及卒中其他多个方面的有效性[16–18]。总之,这些特性使DECT成为一个有吸引力的成像平台,可同时探查血栓生物学和血栓周围脑实质微环境,其中早期炎症和缺血性改变可能关键性地塑造微血管再灌注及后续临床结局。

本研究开发并验证了一个双区域放射组学框架,利用介入前双能CT血管成像(DE-CTA)预测急性缺血性卒中(AIS)患者接受血管内治疗(EVT)后的完全再灌注(mTICI 3)和临床结局。通过联合建模DE-CTA衍生的血栓内在特征和血栓周围组织特征,我们旨在不仅提供一种临床可操作的精准EVT分诊工具,还旨在解码超越传统血管造影指标的成功再灌注的病理生理决定因素。这种基于影像的策略将焦点从单纯的血管通畅性转向对血栓生物学和病灶周围脆弱性的更全面表征,从而能够更早、更准确地识别最可能从EVT中获得有意义获益的患者,并更现实地估计其技术和临床成功。

材料与方法

患者选择

上海交通大学医学院附属第六人民医院机构审查委员会批准了这项回顾性多中心研究(编号2024-KY-203)。回顾性纳入2020年2月至2024年9月期间在三个中心接受EVT的386例连续成年患者(≥ 18岁),均为前循环大血管闭塞(颅内颈内动脉(ICA)、大脑中动脉M1段、串联闭塞):(A)南通大学附属医院(中心A),(B)上海交通大学医学院附属第六人民医院(中心B),(C)上海交通大学医学院附属仁济医院(中心C)。根据1964年《赫尔辛基宣言》及其后续修正案的伦理标准,豁免了患者知情同意的要求。

患者纳入标准如下:(1)年龄≥ 18岁的成年人,因前循环大血管闭塞导致的AIS,在症状发作后24小时内接受EVT;(2)接受了具有诊断质量的介入前DE-CTA成像,随后立即进行EVT;(3)记录了24小时内的发病至穿刺时间;(4)具有完整的人口学特征和经过验证的临床数据,且有可用的随访数据。排除标准包括:(1)术前颅内出血、脑动脉瘤或动静脉畸形;(2)延迟干预(发病至穿刺时间> 24小时);(3)病前功能损害(改良Rankin量表评分> 2);(4)因运动/金属伪影或技术限制导致成像质量欠佳;(5)病历记录不完整。

人口学信息(性别、年龄)、闭塞位置、病史(包括高血压、糖尿病、高脂血症、心房颤动和冠状动脉疾病)以及吸烟状况通过回顾性审查现有临床文档获得。

队列被分为训练组、测试组和验证组。来自中心A的患者被随机分配(7:3比例)至训练队列和测试队列。使用来自中心B和中心C的患者合并进行独立验证。完整的入组路径,包括排除/纳入筛选,见图1。匿名数据和代码脚本可通过机构电子邮件向通讯作者提交具有科学合理性的请求,以学术目的获取。

图1 流程图,显示纳入分析的患者数量(n)和模型构建。LASSO,最小绝对收缩和选择算子;LR,逻辑回归 查看原图 ↗

CT扫描和EVT实施

入院影像检查使用双源DECT扫描仪(SOMATOM Force,Siemens Healthineers)进行。其他技术参数和EVT操作流程见补充材料。CTA采用双能采集(DE-CTA),而NCCT(以及CTP,如实施)采用常规单能方案采集。为急性期判读和EVT分诊,混合/融合CTA重建图像可即时获取;未等待物质分解图像用于决策。

手术成功通过最终血管造影评估使用mTICI量表进行评价。靶血管再灌注定义为达到完全再灌注(mTICI 3)血流恢复[19],由最终数字减影血管造影(DSA)确定,并由两名独立的高级介入医师(亚专科经验>10年)验证,他们对临床信息和其他指标检测结果设盲。分歧通过与第三名评审者协商一致解决。

本研究聚焦于两个主要结局:(1)手术/血管造影结局,定义为完全再灌注(mTICI 3);(2)临床结局,定义为使用改良Rankin量表评估的90天功能状态(90天mRS)。90天mRS由一名独立的卒中神经科医师通过标准化随访获得,该医师对影像学发现和模型输出设盲,良好结局定义为mRS 0–2,不良结局定义为mRS 3–6。

影像分析和分割方法学

影像组学工作流程包括四个关键阶段:容积分割、特征提取、特征选择和预测模型开发与验证(图2)。预处理包括强度裁剪(0–600 Hounsfield单位)和通过各向同性重采样至1 mm³体素尺寸实现的空间标准化。

容积分割使用ITK-SNAP(v3.6.0;http://www.itksnap.org)参照双能CT血管造影(DE-CTA)图像进行,此前已验证[17]。同一采集的所有DE-CTA衍生图像集均用于分析。多图像配准确保虚拟单能(VM)、虚拟非对比(VNC)、碘浓度(IC)和混合能量(Mix)数据集在标准化坐标系内的空间一致性。

血栓感兴趣区(ROI)在0.5混合因子重建图像(M_0.5:50%低kV/50%高kV光谱融合)上手动勾画,参照DE-CTA衍生图像集以排除钙化成分。同心血栓周围区域通过Python对主要血栓ROI进行径向扩展(1 mm缓冲带)计算衍生,随后通过布尔减法定义血栓周围 compartment,称为血栓周围ROI。

观察者间变异性通过两名设盲的神经放射科医师(神经影像经验>5年)在40例患者子集中进行独立分割来量化。为减轻回忆偏倚,重复分析以1个月洗脱间隔进行,确保分割过程中对临床结局完全设盲。

图2 基于双能CT血管成像(DE-CTA)的影像组学分析工作流程。急性缺血性卒中患者在接受血管内治疗前进行DE-CTA检查,随后评估再灌注状态和90天临床结局。在DE-CTA衍生图像上分割血栓及血栓周围区域,提取影像组学特征(形状、纹理和强度),并使用LASSO筛选相关特征。随后构建三种预测模型(基于血栓、基于血栓周围和联合模型),并使用ROC、决策曲线和校准分析进行评估 查看原图 ↗

影像组学特征提取与归一化

在容积分割之后,使用开源PyRadiomics工具包(版本3.0.1,https://pyradiomics.readthedocs.io/)提取影像组学特征,包括量化强度分布的一阶统计量、表征三维形态的形状描述符以及分析灰度模式的纹理特征。所有特征在训练队列内进行z-score归一化(以均值为中心并进行单位方差缩放),所得归一化参数随后应用于测试集和验证集,以保持特征缩放的一致性。

特征选择与模型构建

特征选择仅在训练队列内进行,以确保方法学严谨性并避免信息泄漏。为解决特征冗余问题,我们针对每个预测任务实施了两步选择流程:首先,应用Mann–Whitney U检验筛选所有影像组学特征,仅保留具有统计学显著性的特征(p值 < 0.05)。随后,使用Spearman秩相关系数评估特征间关系,并针对相关系数 > 0.9的任意特征对,迭代移除保留特征中平均绝对相关性最大的特征。

针对两项研究终点,即完全再灌注(mTICI 3)和良好临床结局(90天mRS 0–2),我们在训练队列内应用最小绝对收缩和选择算子(LASSO)回归以进一步降维并识别各结局特异的特征子集。LASSO选择后,我们使用逻辑回归(LR)结合5折交叉验证为每个终点开发最终影像组学标签(整体建模流程见补充图S1)。所选特征随后被整合以针对每个结局构建三种不同的预测模型:(1)基于血栓的模型,(2)基于血栓周围的模型,以及(3)联合模型,均采用LR方法开发。

模型验证、区分度与校准

在测试队列和验证队列中系统评估了基于血栓、基于血栓周围和联合模型的预测性能。我们还在串联病变和非串联病变亚组中分别评估了模型性能,以评估其在不同患者亚群中的稳定性。模型区分度使用受试者工作特征(ROC)分析评估,曲线下面积(AUC)作为预测准确性的主要指标。模型校准通过比较训练队列、测试队列和验证队列中预测概率与观察结局的校准曲线进行检验。

采用DeLong检验对配对ROC曲线进行模型性能的比较统计分析。通过决策曲线分析(DCA)评估临床实用性,该分析量化了在一系列临床相关阈值概率下的净获益。本研究遵循放射组学研究评估清单(CLEAR)作为放射组学研究的综合报告指南[20]。上述所有验证程序分别针对完全再灌注(mTICI 3)和良好临床结局(90天mRS 0–2)独立进行,基于血栓、基于血栓周围及联合模型在所有队列中平行评估。

统计分析

所有分析均使用IBM SPSS Statistics(版本21.0;IBM Corp.)、MedCalc Statistical Software(版本18.2.1;MedCalc Software Ltd.)和FeAture Explorer Pro(FAE,版本0.3.5;https://github.com/salan668/FAE)进行。连续变量在正态分布数据中采用Student t检验比较,在非正态分布数据中采用Mann–Whitney U检验比较。分类变量根据情况采用卡方检验或Fisher精确检验分析。特征相关性采用Spearman秩相关系数评估。诊断性能通过ROC曲线分析评估,计算预测EVT后完全再灌注的AUC、敏感度、特异度、阳性预测值(PPV)和阴性预测值(NPV)。ROC曲线的比较分析采用DeLong检验。临床实用性通过决策曲线分析(DCA)评估。所有分析中双侧p < 0.05视为具有统计学意义。

结果

患者特征

共审查386例患者,排除15例(3.9%),原因包括图像质量不合格(n = 4)、临床数据或临床结局缺失(n = 7)、既往颅内出血(n = 3)或从症状发作至治疗延迟超过24小时(n = 1)。最终研究队列包括371例患者(A中心220例[59.3%],B中心107例[28.8%],C中心44例[11.9%])。队列分配采用A中心患者按7:3比例随机分为训练队列(n = 154)和测试队列(n = 66),独立验证队列包括来自B中心和C中心的151例患者。

基线人口学和临床特征在完全再灌注与非完全再灌注患者之间,以及90天临床结局良好与不良患者之间均无显著差异(均p > 0.05;表1)。详细的基线特征,包括血管危险因素、手术细节和影像学参数,系统列于表1中,并按再灌注状态和90天mRS结局进行分层。

表1 纳入的急性缺血性卒中患者特征 查看原表 ↗

数据处理

我们进行了全面的影像组学分析,从DE-CTA衍生的图像集中提取了107个不同的特征,初步获得535个定量特征的池子。经过严格的献征选择,我们在基于血栓的模型中分别确定了11个和11个最佳影像组学特征用于预测完全再灌注和良好临床结局,在基于血栓周围的模型中分别为17个和10个,在联合模型中分别为13个和11个;所选特征及其系数见图3。特征选择和加权采用LASSO逻辑回归进行,所得影像组学评分(radscore)的计算方法见补充图S2(详细公式见补充材料)。质量控制评估显示特征可重复性极佳,在40个独立分析的兴趣区中,评估者间和评估者内组内相关系数均超过0.75。

图3 使用LASSO回归为基于血栓、基于血栓周围和联合模型选择的影像组学特征。顶行显示雷达图,展示所选影像组学特征对各模型特征的相对贡献。a–c 用于预测完全再灌注(mTICI 3)的特征在基于血栓(a)、基于血栓周围(b)和联合(c)模型中的非零LASSO系数。d–f 用于预测良好临床结局(90天mRS 0–2)的所选特征在基于血栓(d)、基于血栓周围(e)和联合(f)模型中的非零系数。在两个预测任务中,基于血栓周围的模型表现出更多样化和更高幅度的特征贡献,与其在所有队列中更优的性能一致 查看原图 ↗

诊断性能和模型比较

基于血栓周围的影像组学模型(见表2)在所有队列中表现出更优的判别能力,训练队列AUC值为0.885(95% CI:0.834–0.937),测试队列为0.860(95% CI:0.771–0.948),验证队列为0.847(95% CI:0.778–0.916),显著优于基于血栓的模型和联合模型(所有两两比较p < 0.05;图3)。值得注意的是,联合模型表现出中等性能,在所有队列中统计学上优于基于血栓的模型(所有p < 0.05)。综合诊断参数,包括灵敏度、特异度、PPV和NPV,详见表2。来自受试者工作特征分析的最佳预测阈值见图4,而说明模型应用的代表性病例示例见图5。在串联病变和非串联病变患者的亚组分析中,基于血栓周围的模型在每个亚组内始终显示出最高的AUC,支持跨患者亚群的稳定判别能力(补充表S1、S2)。

对于90天mRS的预测,观察到类似的模式(表3)。基于血栓周围的模型再次提供了最佳区分度,在训练、测试和验证队列中的AUC分别为0.854、0.817和0.850。联合模型达到中等AUC(0.839、0.763和0.804),而基于血栓的模型产出最低值(0.826、0.709和0.734)(如图4所示)。DeLong检验表明在训练队列中各模型间无显著差异(均p > 0.05),但在测试和验证队列中基于血栓周围的模型和联合模型显著优于基于血栓的模型(p值范围为0.002至0.035)。临床结局预测的完整诊断指标见表3。

图4 基于血栓、基于血栓周围和联合影像组学模型的受试者工作特征(ROC)曲线。a–c 分别为训练(a)、测试(b)和验证(c)队列中预测完全再灌注(mTICI 3)的ROC曲线。d–f 分别为相应训练(d)、测试(e)和验证(f)队列中预测良好临床结局(90天mRS 0–2)的ROC曲线。每个面板中展示了基于血栓、基于血栓周围和联合模型的性能以进行直接比较 查看原图 ↗
图5 血栓周围模型中经EVT治疗的右侧大血管闭塞急性缺血性卒中的代表性病例:a 近端M1闭塞,预测并确认完全再灌注且临床结局良好(90天mRS 0);b M1闭塞,预测并确认完全再灌注且临床结局良好(90天mRS 1);c 终末颈内动脉闭塞,预测非完全但最终确认完全再灌注且临床结局良好(90天mRS 1);d M1段末端闭塞,预测完全但最终非完全再灌注且临床结局不良(90天mRS 4);(e) M1-M2交界处闭塞,预测并确认非完全再灌注且临床结局不良(90天mRS 3)。第一列显示CTA图像,红色箭头指示闭塞部位;第二列和第三列显示血栓切除术前DSA(前后位和侧位视图);第四列和第五列显示血栓切除术后DSA(相同投照角度)及相应再灌注结果。EVT,血管内治疗;CTA,计算机断层血管造影;DSA,数字减影血管造影 查看原图 ↗
表2 基于血栓、基于血栓周围和联合模型在各队列中预测完全再灌注的性能 查看原表 ↗
表3 基于血栓、基于血栓周围和联合模型在各队列中预测临床结局的性能 查看原表 ↗

模型校准和临床效用

校准分析表明所有模型在训练、测试和验证队列中预测概率与观察结局之间具有极好的一致性(补充图S3),与理想校准线无显著偏差(所有模型的Hosmer–Lemeshow检验p > 0.05)。决策曲线分析(图6)显示,与单独基于血栓的模型相比,基于血栓周围的模型和联合模型在临床相关阈值概率范围内均提供了更大的净获益。

图6 基于血栓、基于血栓周围及联合影像组学模型的决策曲线分析(DCA)。第一行和第二行(a–c和d–f)分别显示测试队列和验证队列中预测完全再灌注(mTICI 3)的DCA曲线,而第三行和第四行(g–i和j–l)显示预测良好临床结局(90天mRS 0–2)的相应曲线。在每一行中,左、中、右图分别代表基于血栓、基于血栓周围及联合模型。在各预测任务和队列中,所有三种影像组学模型在广泛的阈值概率范围内均比全部治疗或全不治疗策略提供更大的净获益,表明其在EVT决策中具有潜在的临床实用性 查看原图 ↗

讨论

这项多中心研究表明,DE-CTA衍生的血栓周围影像组学特征对接受EVT的急性缺血性卒中患者的完全再灌注和临床结局均提供更优的预测价值。在所有队列中,血栓周围模型始终优于基于血栓的模型和联合模型,表明血栓周围的组织特征携带了超越血栓本身的重要预后信息。这些发现突显了血栓周围影像组学分析作为有价值的介入前生物标志物的潜力,可用于优化EVT决策和预判患者预后。

纳入临床变量的机器学习模型在预测AIS患者EVT后结局方面已显示出显著潜力[21],从而改进了患者选择和治疗策略。例如,一项利用非增强CT血栓成分分析的研究在预测EVT成功方面取得了稳健的性能(内部AUC为0.860,外部验证队列为0.849)[22]。一个基于血栓的9特征影像组学模型预测了血栓抽吸首次尝试再通成功(AUC 0.88)[23]。一个基于CTA的端到端深度学习流程仅使用CTA即达到测试AUC 0.70,在加入治疗和临床变量后,血栓切除术后结局预测的AUC提高至0.79–0.86 [24]。补充表S3提供了代表性机器学习/深度学习研究(输入、终点和AUC)的结构化比较。在本研究中,我们优化的基于血栓周围的模型对完全再灌注表现出强预测性能(训练队列中AUC 0.885 [95% CI:0.834–0.937]),并且对临床结局也表现出良好的区分性能,提示血栓周围影像组学可能捕捉到与技术成功和长期恢复均相关的组织脆弱性。这可能得益于DE-CTA衍生的VNC和优化的VM重建,它们增强了血管衰减和血栓周围组织的 delineation [13, 25]。

这些发现共同表明,DE-CTA衍生的血栓周围影像组学捕获了具有生物学意义的信息,这些信息将手术结局与临床结局联系起来。完全再灌注并不总是转化为良好的功能恢复,可能反映了尽管血管造影成功但仍存在下游微血管损伤和炎症[26]。在机制上,炎症-通透性通路已被认为与EVT后的再灌注质量相关,包括循环介质如IL-6(据报道与无效再灌注相关)[27],以及中性粒细胞与淋巴细胞比值[28]、MMP-9(与血脑屏障破坏和血管源性水肿有关)[29],以及与血脑屏障破坏相关的过程,这些过程可能在血管造影成功的情况下仍导致下游组织损伤[30]。与这一生物学机制一致,我们基于VNC和低keV重建获得的血栓周围DE-CTA影像组学特征可能捕获血栓周围低衰减异质性和通透性相关的微血管改变,符合水肿或炎症激活(例如VNC_peri_glszm_SALGLE),而高能量衰减模式可能反映慢性壁附着成分,可能与钙化或纤维化有关(例如190keV_peri_firstorder_Skewness)。

以血栓为中心的DE-CTA影像组学捕获与EVT相关的血栓表型,包括衰减(密度)、纹理异质性和血栓负荷/形状。既往研究表明,纤维蛋白/血小板为主的血栓往往机械硬度更高,与更困难的取栓相关,而富含红细胞的血栓在非增强CT上常表现为高密度动脉征,更常与更高的再灌注成功率和更好的结局相关[31]。此外,CTA上的血栓渗透性作为对比剂渗透和微观结构特性的影像替代指标,已被认为与血栓成分和治疗/结局指标相关[32, 33]。与这些报道一致,我们的血栓内特征包含衰减相关替代指标(Mix/VNC强度统计量)、异质性描述符(GLCM/GLSZM/GLRLM/NGTDM特征)和形状指标(Flatness、LeastAxisLength),支持该模型利用了血栓密度、异质性和大小信息。

本研究存在若干局限性。第一,其回顾性设计可能限制结果的适用性,凸显了在更大队列中进行前瞻性验证的必要性。第二,由于缺乏外周炎症生物标志物,血栓周围特征的机制解释受到限制。我们也缺乏直接的生物学或血管壁验证来佐证这些基于影像的解释。第三,尽管影像组学通过手工设计的特征级定量提供了较强的可解释性,但它可能无法捕获深度神经网络所能学习的更复杂的血栓和血栓周围表征。第四,DE-CTA的临床采用可能受限于可及性、成本和工作流程整合;本回顾性队列中工作流程时间指标未能系统获取,因此我们未量化其对穿刺时间的影响。最后,我们仅分析了干预前基线DE-CTA,而EVT后纵向影像有助于表征血栓周围微环境的时间变化及其与恢复或恶化的关联。

结论

介入前双能CTA上血栓周围组织的影像组学可稳健预测血管内治疗后的再灌注和功能结局。基于该血栓周围区域的模型优于仅使用血栓或使用血栓及其周围区域的模型,证实了其用于风险分层和治疗个体化的独特价值。

补充信息

电子补充材料

引用

  1. Yan BC, Shi LN, Xiong YJ, et al. Dual-energy CT clot and peri-clot radiomics for predicting complete reperfusion and clinical outcome following endovascular therapy in acute ischemic stroke. Insights Imaging. 2026. PMID: 41912970. doi:10.1186/s13244-026-02258-9
  2. 全文:PMC13036058(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC13036058/

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。