文献速递神经介入CT

基于CT的影像组学用于鉴别机械取栓后颅内对比剂外渗与脑实质出血

CT-based radiomics for differentiating intracranial contrast extravasation from intraparenchymal haemorrhage after mechanical thrombectomy.
PubMed 文献 · Eur Radiol · 2022-02-03

回顾性纳入4家机构2017年12月至2020年6月机械取栓后急性缺血性卒中患者,基于术后初始平扫CT提取影像组学特征构建模型,鉴别脑实质高密度区为对比剂外渗还是脑实质出血。验证队列AUC为0.826(95%CI 0.705-0.948),准确率77.6%,敏感度76.7%,特异度78.9%。

要点

  • 基于机械取栓术后初始平扫CT的影像组学特征可早期鉴别脑实质出血与碘对比剂外渗。
  • 验证队列中模型AUC为0.826(95%CI 0.705-0.948),敏感度76.7%,特异度78.9%。
  • 影像组学评分cutoff值为−0.365,高于此值判为脑实质出血。

核心结论

  • 基于机械取栓术后初始平扫CT构建的影像组学特征能有效鉴别脑实质出血与碘对比剂外渗,可能有助于术后患者管理。

研究设计与样本

  • 回顾性研究,纳入4家机构2017年12月至2020年6月接受机械取栓的急性缺血性卒中患者257例,最终101例患者的166个脑实质高密度区纳入分析。
  • 所有高密度区按7:3随机分为训练队列(n=117)和验证队列(n=49),采用分层随机抽样保持两队列中脑实质出血与对比剂外渗比例一致。
  • 图像来自7台多层CT扫描仪(Aquilion ONE、Brilliance 16、Brilliance iCT、SOMATOM Definition AS+、SOMATOM Emotion 16、SOMATOM Force、uCT 710)。
  • 参考标准:高密度区在术后24–48小时内完全或几乎完全消失判为碘对比剂外渗,持续或增大超过48小时判为脑实质出血;肾功能不全患者若7天内完全或几乎完全消失则判为对比剂外渗。
  • 使用PyRadiomics提取1316个影像组学特征,经mRMR筛选后保留10个特征,再用LASSO logistic回归选择9个特征构建影像组学特征。

关键影像表现/征象

  • 脑实质高密度区在平扫CT上表现为密度客观高于周围灰质或白质。
  • 脑实质出血与碘对比剂外渗在常规CT上影像表现相似,难以区分。

诊断标准与关键数值

  • 影像组学特征在训练队列AUC为0.848(95%CI 0.780-0.917,p<0.001),验证队列AUC为0.826(95%CI 0.705-0.948,p<0.001)。
  • 验证队列准确率77.6%,敏感度76.7%,特异度78.9%,阳性预测值85.2%,阴性预测值68.2%。
  • 影像组学评分cutoff值为−0.365。
  • 校准曲线显示预测诊断与实际诊断高度一致,Hosmer–Lemeshow检验训练队列p=0.692、验证队列p=0.633。

临床应用与阅片要点

  • 影像组学特征基于常规平扫CT构建,可诊断所有脑实质高密度区,可能作为无双能CT设备或未行双能CT检查时的实用解决方案。
  • 基于术后初始平扫CT的预测结果可能有助于避免不必要的重复扫描,尤其在高度提示对比剂外渗的病例中。

局限性

  • 作为小样本研究,样本量是一个问题。
  • 本研究为回顾性研究,机械取栓后随访CT数据常不充分,需在前瞻性研究中进行进一步外部验证且样本量应更大。
  • 所有ROI均为手动分割,过程耗时;自动分割在准确性及可重复性上达到手动分割水平仍有很长的路要走。
  • 本算法鉴别对比剂外渗与脑实质出血的诊断性能未经验证,其他算法构建的影像组学模型的诊断性能需进一步研究。
  • 不同扫描仪及图像采集设置之间的差异限制了影像组学模型的预测潜力。
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:Eur Radiol. 2022 Feb 3;32(7):4771–9. doi: 10.1007/s00330-022-08541-9

引言

机械取栓对大血管闭塞具有较高的再通率,可显著改善患者的功能独立性[1–7],并可能为不符合静脉溶栓严格适应证标准的患者提供再通机会[8]。然而,机械取栓后症状性颅内出血的发生率为0至7.7%[9]。治疗后早期出血性转化可能持续演变,导致部分患者病情明显恶化[10–12]。因此,早期识别机械取栓后脑实质内出血(IPH)为限制出血进展提供了可能,这对术后患者的管理具有重要价值[12, 13]。

机械取栓后常进行非增强计算机断层扫描(CT)以确定治疗是否成功,尤其是是否存在颅内出血。在这种情况下,机械取栓后CT上出现脑实质内高密度影是常见现象。然而,由于颅内出血与对比剂外渗在CT上的影像学表现相似,二者难以区分。对比剂在从循环中清除之前在影像上可见持续24小时以上[14]。因此,24小时后CT上高密度影持续存在可被认为是出血[15]。然而,机械取栓后0至24小时内出现高密度影的患者处于诊断的灰色地带。因此,抗凝或抗血小板治疗等挽救生命的治疗常被延迟[16, 17]。

影像组学是一种从医学图像中提取关键参数的强大方法,是现代医学中指导诊断和治疗的强大工具[18–20]。目前,影像组学在颅内出血中的应用是一个不断发展的领域,利用影像组学对血肿异质性进行定量分析是一种可行的方法[21–24]。由于对比剂和血液内容物具有不同的黏度,影像组学可用于判断机械取栓后CT上高密度影的组成成分。

本研究旨在确定使用影像组学将脑实质内出血(单纯出血及出血与碘对比剂混合)与碘对比剂外渗进行区分的可能性。

材料与方法

患者选择

本回顾性研究经我院机构审查委员会批准,并豁免了知情同意要求。2017年12月至2020年6月,回顾性纳入4家机构接受机械取栓治疗的257例急性缺血性卒中患者,包括浙江中医药大学附属第一医院30例、浙江大学医学院附属金华医院55例、温州医科大学附属第二医院育英儿童医院114例和浙江大学丽水医院58例。纳入标准如下:(1)患者在机械取栓后接受头颅平扫CT检查;(2)术后首次头颅平扫CT在机械取栓后1 h内完成;(3)机械取栓后首次头颅平扫CT上可见脑实质高密度区,定义为密度客观高于周围灰质或白质的区域[25]。排除标准如下:(1)机械取栓后头颅平扫CT随访时间不足24 h;(2)伪影(如金属伪影或运动伪影)[26]影响CT图像中的脑实质高密度区;(3)患者在机械取栓后接受开颅手术,导致难以识别脑实质高密度区。

将纳入患者的所有脑实质高密度区随机分为训练队列和验证队列(7:3)。采用分层随机抽样,以使训练队列和验证队列中IPH和碘对比剂外渗的比例保持一致。

图像判读

如果高密度区在术后24~48 h内完全或几乎完全清除,则认为脑实质高密度区代表碘对比剂外渗。如果高密度区持续存在或增大超过48 h,则归类为IPH[25, 27]。肾功能不全患者脑实质高密度区可能在24~48 h后仍存在[28]。根据碘对比剂的药代动力学和颅内出血的CT成像[28–30],如果肾功能不全患者的高密度区在术后7天内完全或几乎完全清除,则认为其代表对比剂外渗。所有平扫CT图像均由两名经验丰富的放射科医师分析。

CT数据采集

术后初次平扫头部CT的所有图像均来自7台多层CT扫描仪(Aquilion ONE,Toshiba Medical Systems;Brilliance 16或Brilliance iCT,Philips Healthcare;SOMATOM Definition AS+、SOMATOM Emotion 16或SOMATOM Force,Siemens Healthcare;uCT 710,United Imaging Healthcare)。扫描参数如下:管电压:SOMATOM Force 90 kVp,SOMATOM Emotion 16 130 kVp,其他CT扫描仪120 kVp;管电流:SOMATOM Definition AS+ 226 mA,uCT 710 228 mA,Aquilion ONE 230 mA,Brilliance 16 250 mA,Brilliance iCT 400 mA,其他CT扫描仪自动管电流调制;矩阵大小:512×512;视野(FOV):Brilliance 16 250 mm,其他CT扫描仪FOV根据患者体型调整;层厚:Brilliance 16和SOMATOM Definition AS+ 6 mm,SOMATOM Emotion 16 9.6 mm,其他CT扫描仪5 mm;层间隔:Brilliance 16和SOMATOM Definition AS+ 6 mm,SOMATOM Emotion 16 9.6 mm,其他CT扫描仪5 mm。

感兴趣区分割

所有感兴趣区(ROI)均使用ITK-SNAP 3.6.0确定[31]。一名放射科医师(读者A,具有6年诊断神经放射学经验,对最终诊断设盲)在每个横断面上沿高密度轮廓的脑实质内区域手动分割图像(图1)。参照关于可靠性研究中组内相关系数(ICC)选择和报告的指南[32],随机选择30个病灶以评估特征提取的观察者内和观察者间一致性。30个病灶由读者A在1个月后重新分割以评估观察者内一致性。一名资深放射科医师(读者B,具有10年以上诊断神经放射学经验,亦对最终诊断设盲)重新分割这30个病灶以评估观察者间一致性。采用组内和组间ICC确定特征提取的观察者内和观察者间一致性。任何ICC大于0.80均被认为表示良好一致性。

图1 使用ITK-SNAP软件勾画高密度区域。a 平扫CT上左侧豆状核的高密度区域。b 在横断面上沿高密度区域轮廓进行手动分割。c 横断面上高密度区域的ROI显示为红色区域。d 整个高密度区域的三维ROI。3D三维,CT计算机断层扫描,ROI感兴趣区 查看原图 ↗

影像组学特征提取

使用插入AK软件(Artificial Intelligence Kit;GE Healthcare)的PyRadiomics模块共提取1316个影像组学特征[33]。所有提取的特征可细分为以下类别:一阶统计量、基于形状的特征、灰度共生矩阵(GLCM)、灰度游程长度矩阵(GLRLM)、灰度大小区域矩阵(GLSZM)、邻域灰度差矩阵(NGTDM)和灰度依赖矩阵(GLDM)。影像组学特征的详细描述可在PyRadiomics文档网站(http://pyradiomics.readthedocs.io)上找到。

影像组学模型构建

对获得的特征进行归一化,并去除单位限制。对于具有高可重复性(观察者内和观察者间ICC > 0.80)的影像组学特征,使用最大相关最小冗余(mRMR)算法辅助去除混杂因素。提取的特征根据其相关-冗余指数进行排序。随后,保留排名前十的特征。然后应用最小绝对收缩和选择算子(LASSO)逻辑回归[34]确定构建影像组学标签的最佳特征。使用十折交叉验证选择具有非零系数的特征。通过计算特征的加权和生成影像组学评分(Rad-score),以确定出血的概率。影像组学标签基于训练队列构建,并在验证队列中评估。

统计分析

统计分析使用SPSS 24.0软件和R软件(版本3.5.0;www.R-project.org)进行。使用受试者工作特征(ROC)曲线确定两个队列的诊断性能。然后使用约登指数[35]确定曲线下面积(AUC)、准确度、敏感度、特异度、阳性预测值(PPV)和阴性预测值(NPV)。使用校准曲线及Hosmer–Lemeshow检验确定影像组学标签的校准度[36]。

结果

人口统计学

本研究共选取来自101例患者的166个脑实质内高密度区(图2)。所有高密度区被随机分配至训练队列(n = 117)和验证队列(n = 49)。在166个脑实质内高密度区中,64个为IPH,102个为碘对比剂外渗。在101例患者中,64例为男性,37例为女性。患者平均年龄为72.0 ± 11.0岁(范围39–92岁)。

图2 研究流程图显示患者招募路径。ICE 碘对比剂外渗,IPH 脑实质内出血 查看原图 ↗

影像组学标签构建

在1316个影像组学特征中,保留了981个观察者内和观察者间ICC > 0.80的特征。在981个稳定影像组学特征中,通过mRMR消除冗余和不相关特征,保留了10个特征。保留特征的平均观察者内和观察者间ICC分别为0.950(95%置信区间(CI)0.907–0.994)和0.974(95% CI 0.938–1.000)。基于训练队列,通过LASSO逻辑回归选择9个最显著的特征构建影像组学标签。方程如下:

特征名称及相应系数见图3。图4显示了影像组学标签区分IPH与碘对比剂外渗的瀑布图。影像组学标签的截断值为− 0.365。

图3 所选影像组学特征及其相应系数 查看原图 ↗
图4 影像组学特征的瀑布图。瀑布图展示了训练队列(a)和验证队列(b)中每位患者校正后Rad评分的分布及诊断。默认设置基线以上为IPH(黄色条),基线以下为ICE(紫色条)。该图描绘了预测诊断与实际诊断之间的关联,其中颜色编码不匹配表示Rad评分误分类。Rad评分减去截断值即为校正后Rad评分。ICE 碘对比剂外渗,IPH 脑实质内出血,Rad评分 影像组学评分 查看原图 ↗

影像组学特征的诊断能力

在训练队列中,影像组学特征的AUC为0.848(95% CI 0.780–0.917,p < 0.001)。在验证队列中,影像组学特征的AUC为0.826(95% CI 0.705–0.948,p < 0.001)。更多信息见表1和图5a、b。校准曲线表明两个队列中实际诊断与预测诊断之间具有高度一致性(图5c、d)。Hosmer–Lemeshow检验结果无统计学意义,训练队列p值为0.692,验证队列p值为0.633。

表1 影像组学特征在训练队列和验证队列中的诊断性能 查看原表 ↗
图5 影像组学特征在训练队列(a、c)和验证队列(b、d)中的ROC曲线和校准曲线。校准曲线的45°灰色实线代表完美预测,粉色虚线代表影像组学特征的预测性能。ROC 受试者工作特征 查看原图 ↗

讨论

脑内出血是机械取栓术后常见的并发症。伴有占位效应的IPH可导致临床恶化并严重损害预后[37, 38]。机械取栓术后IPH的识别对于调整治疗具有重要意义[12, 13]。在机械取栓术后早期,常规CT区分IPH与碘对比剂外渗的能力有限[11, 39–41]。从病理生理学角度来看,对比剂外渗由血脑屏障破坏引起[42]。早期区分IPH与碘对比剂外渗对于机械取栓术后调整治疗很重要,这将决定是否应尽早进行抗凝或抗血小板治疗[16, 17]。因此,本研究尝试使用影像组学帮助快速诊断高密度影的组成,以指导进一步治疗。

本研究使用了一个初步构建的影像组学特征,基于机械取栓术后初始非增强CT区分IPH与碘对比剂外渗。ROC分析显示该影像组学模型的性能较高。在训练队列和验证队列中,该影像组学特征的AUC分别为0.848和0.826。结果表明IPH与碘对比剂外渗之间的异质性存在显著差异。所选影像组学特征可能能够预测非增强CT图像上IPH与对比剂外渗之间的差异。

常规CT成像因其易于获取而成为诊断成像的基石。Xu等人确定,机械取栓后立即进行的平扫CT可通过金属高密度预测24小时时的脑实质出血,但该征象仅在一些患者中可见[41]。基于常规CT仍难以将IPH与碘对比剂外渗区分开来。我们的影像组学特征是基于常规CT扫描构建的,可用于诊断所有脑实质内高密度区域,证明了其通用性。磁共振成像(MRI)在获取可解读图像方面无论时间还是资金成本均较高[17]。然而,双能CT能够可靠地诊断脑内出血与对比剂外渗[25, 27, 43]。该影像组学特征或可为没有双能CT扫描仪的诊所或未进行双能CT检查的情况提供一种实用的解决方案。影像组学特征的预测结果可基于术后初始平扫CT获得,以避免不必要的重复扫描,尤其是在高度提示对比剂外渗的病例中。因此,利用平扫CT图像上的影像组学来区分IPH与碘对比剂外渗,可同时提高诊断工具的准确性和可及性。

用于构建影像组学特征的CT图像来自4家机构的7台多层CT扫描仪,产生了多种CT采集参数。提倡使用多厂商图像来评估人工智能算法[44]。然而,扫描仪之间以及图像采集设置之间的差异限制了影像组学模型的预测潜力[45–47]。通过使用严格的图像采集方案或在数据分析过程中校正扫描仪参数,或可提高影像组学模型的预测能力[45, 47]。因此,进一步优化CT采集参数或可改善基于影像组学特征的诊断系统的性能。

尽管本文呈现的发现提供了有前景的见解,但仍存在若干局限性。作为一项小型研究,样本量是一个问题。由于本研究为回顾性研究,机械取栓后的随访CT数据往往不充分。因此,应在一项样本量更大的前瞻性研究中进一步进行外部验证。其次,本研究中的所有ROI均为手动分割,这是一个耗费大量精力的过程。自动分割在准确性 and 可重复性方面与手动分割相媲美仍有很长的路要走。最后,我们的算法在区分对比剂外渗与IPH方面的诊断性能未经验证。由其他算法构建的影像组学模型的诊断性能有待进一步研究。

总之,我们基于平扫CT的影像组学特征能够有效区分机械取栓后早期阶段的IPH与碘对比剂外渗,这可能有助于患者的术后管理。

引用

  1. Chen X, Li Y, Zhou Y, et al. CT-based radiomics for differentiating intracranial contrast extravasation from intraparenchymal haemorrhage after mechanical thrombectomy. Eur Radiol. 2022. PMID: 35113213. doi:10.1007/s00330-022-08541-9
  2. 全文:PMC9213289(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC9213289/

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。