文献速递神经CTMR

基于平扫CT的临床-影像组学机器学习模型预测卒中溶栓后出血转化:多中心研究

A clinical-radiomics model based on noncontrast computed tomography to predict hemorrhagic transformation after stroke by machine learning: a multicenter study.
PubMed 文献 · Insights Imaging · 2023-03-29

该多中心回顾性研究纳入7家医院517例接受静脉溶栓的急性缺血性卒中患者,基于平扫CT影像组学特征和临床变量构建机器学习模型预测出血转化。临床-影像组学模型在内部验证集AUC为0.950,外部验证集AUC为0.942,优于单独临床或影像组学模型,但DeLong检验显示与临床模型无统计学差异。

要点

  • 平扫CT影像组学联合临床变量可预测溶栓后出血转化,外部验证AUC达0.942。
  • 最佳特征筛选方法为递归特征消除,最佳机器学习算法为极端梯度提升。
  • 模型仅预测出血转化是否发生,未区分出血梗死与脑实质出血亚型。
全文中译19 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. 2023 Mar 29;14:52. doi: 10.1186/s13244-023-01399-5

引言

急性缺血性卒中(AIS)具有显著的死亡率和致残率,严重威胁人类生命[1]。快速静脉给予重组组织型纤溶酶原激活剂仍是特定个体AIS早期管理的主要方法[2]。

接受静脉溶栓(IVT)的卒中患者存在发生出血转化(HT)的风险[3]。接受溶栓治疗的患者中,10%至48%会发生HT[4]。在溶栓后发生HT的病例中,无论是否为症状性出血转化,预后均较差。这也可能影响后续治疗。此外,随着时间窗进一步延长的趋势,更早、更精确地检测HT的发生十分重要。因此,如果能够早期预测HT,卒中神经科医生可以采取积极措施预防临床恶化并做出最佳治疗决策。

目前,可采用多种方法预测HT,例如临床指标[5–7]、影像学数据[8–14]或临床特征与影像学标志物的联合[15]。然而,既往一些研究纳入的预测因素较少,预测模型的有效性相对有限(AUC < 0.75)。此外,一些研究应用了磁共振成像(MRI),但耗时较长。另外,由于计算机断层扫描灌注检查产生的辐射多且费用昂贵,无法在较小的医疗中心开展。尽管如此,本研究选择平扫计算机断层扫描(NCCT)图像作为源图像,因为其更为常用、耗时更短,最重要的是,其被AIS指南推荐[2]。NCCT图像,尤其是层厚5 mm、层间距5 mm的厚层图像,对于复查也更为实用。

影像组学分析是一种辅助精准医学的新方法,可自动从医学图像中提取影像组学特征,有望克服视觉图像评估的不足[16, 17]。根据既往研究,基于NCCT的影像组学特征在多个学科中具有优越的能力。在卒中方面,已有若干问题的报道,如预测自发性脑出血后血肿扩大[18, 19]、早期识别缺血性卒中[20]以及估计梗死发作时间[21]。然而,基于NCCT获取影像组学特征的方法尚未被用于预测溶栓后HT风险,而这正是本研究的主要关注点。

近年来涌现了大量机器学习(ML)相关研究,不可否认ML在分类和预测方面表现相当出色[22]。目前,已有卒中相关ML研究的报道,其性能非常突出[23]。一些研究发现,通过ML预测HT的方法是可行的[24, 25]。在本研究中,我们开发并验证了ML算法,结合临床和基于影像组学的特征来自动预测接受IVT的AIS患者的HT。

材料与方法

患者选择

本多中心回顾性分析经我院机构审查委员会批准,并豁免了患者知情同意的必要性。

收集了2012年6月至2021年12月来自七家医院的临床数据和NCCT图像。共连续选取822例急性缺血性卒中(AIS)患者纳入研究。本研究纳入符合以下标准的AIS患者:(1)按照AIS管理指南接受静脉溶栓(IVT)治疗;(2)在IVT治疗前完成了NCCT检查;(3)在接受IVT后36小时内进行了随访MRI或NCCT检查。排除了头部外伤、原发性脑出血或脑肿瘤、入院时即有出血性梗死、数据不完整以及NCCT图像存在严重伪影的患者。

最终,共纳入517例患者(282例无出血转化(HT)患者和235例HT患者)。来自六家医院(重庆医科大学附属第一医院、重庆市人民医院、中南大学湘雅医学院附属海口医院、湖南省第二人民医院/湖南省脑科医院、海南医学院第一附属医院、长沙市中心医院(南华大学衡阳医学院附属长沙市中心医院))的数据集被随机分为训练队列(n = 355)和内部验证队列(n = 90)。第七家医院(重庆市渝北区人民医院)的数据包括33例HT患者和39例无HT患者,作为独立的外部验证队列。患者筛选流程图见图1。

图1 患者筛选流程图(IVT,静脉溶栓;HT,出血转化) 查看原图 ↗

获取临床数据

获取临床数据(人口学数据和实验室检查)。入院时的实验室检查(包括血压、血糖水平和血脂水平)、初始美国国立卫生研究院卒中量表(NIHSS)评分、发病至CT时间、病史(包括吸烟(吸烟指数)、饮酒(饮酒指数)、既往卒中、糖尿病和心房颤动)以及急性卒中病因的ORG 10172急性卒中治疗试验(TOAST)分型分别从电子病历系统中提取。

图像采集

附加文件1:表S1列出了七家机构使用的CT扫描仪型号和扫描参数(附加文件)。

参考标准

HT依据欧洲协作急性卒中研究-II试验[26]确定。CT图像显示高密度病灶,包括出血性梗死(HI)和脑实质出血(PH)。在本研究中,两名神经影像学工作人员在不知晓患者结局的情况下,独立对所有训练和测试数据集中IVT治疗后36小时内随访NCCT或MRI上的HT进行评估(X.H.和L.B.Y.,具有10年神经影像学经验的主任医师)。任何分歧均通过协商一致解决。通过对比既往CT或MRI图像,可鉴别HT与对比剂外渗,且该结论得到了治疗后2–7天检查的支持。

数据预处理

临床数据在采用K近邻(KNN)填补缺失值后,使用Z-score标准化进行处理。此外,非增强CT(NCCT)图像标准化的步骤如下:(a)将每层NCCT图像切片重采样至统一的像素尺寸1.0 × 1.0 × 1.0 mm³;(b)通过固定箱数(256箱)的灰度离散化方法对每幅NCCT图像的图像强度进行标准化;这两个步骤的目的是尽量减少扫描仪、扫描参数带来的任何潜在影响。此外,NCCT图像设置为固定的头部窗(窗位 = 50 Hounsfield单位(Hu);窗宽 = 110 Hu)。目的是确保手动勾画病灶时差异较小。

影像组学分析

使用3D-Slicer软件在NCCT图像的轴位切片上逐层沿其周边手动定义脑梗死感兴趣区(ROI)。如果NCCT图像上病灶边界显示不清,则使用6小时内拍摄的弥散加权图像来勾画边界。

为确保影像组学特征的可重复性,使用从20例患者中随机选择的ROI计算观察者内和观察者间相关系数。通过比较放射科医师1的ROI特征,确定组内相关系数(ICC)(间隔一个月,两次)。比较放射科医师1和2的ROI特征可计算观察者间ICC。具有良好可靠性(两项ICC阈值均≥ 0.95)的特征被纳入后续分析(附加文件1:图S1)。

通过应用ROI掩膜,基于3D-Slicer软件包(版本号4.13.0)(https://www.slicer.org/)提取影像组学特征。获得以下八类影像组学特征:一阶;形状;二维形状;灰度共生矩阵(GLCM);灰度游程长度矩阵(GLRLM);灰度尺寸区域矩阵(GLSZM);邻域灰度差矩阵和灰度依赖矩阵。

寻找最佳特征选择方法

首先,对于临床数据,在训练队列中使用T检验检验出血转化(HT)组与非HT组之间具有显著差异的特征。然后,我们在训练队列中通过十折交叉验证比较五种常用降维方法(包括最小绝对收缩和选择算子(LASSO)、Select from Model、递归特征消除交叉验证(RFECV)、递归特征消除(RFE)和逻辑回归(LR))以选择最佳方法。并使用最佳方法选择最重要的临床特征(图2蓝色部分)。

其次,对于影像组学特征,从勾画后获得的1037个影像组学特征中剔除低于ICC阈值的不可重复特征,剩余778个特征。在训练队列中通过十折交叉验证从五种常用方法(LASSO、线性支持向量分类、RFECV、RFE、基于树的模型)中选择最佳方法,以选择最显著的影像组学特征(图2红色部分)。

图2 最重要特征选择流程图(括号内数字为特征编号;ICC,组内相关系数;LASSO,最小绝对收缩和选择算子;RFECV,递归特征消除交叉验证;RFE,递归特征消除;LR,逻辑回归;Linear SVC,线性支持向量分类;SGD,随机梯度下降;SVM,支持向量机;RF,随机森林;XGB,极端梯度提升) 查看原图 ↗

寻找最佳机器学习算法以构建模型

建模前,比较五种机器学习算法(极端梯度提升(XGB)、支持向量机、LR、随机梯度下降和随机森林)的效果,通过在训练队列中进行十折交叉验证来确定最佳算法(表4黄色部分),以开发出血性转化(HT)的预测模型。

构建模型

通过上述最佳降维方法获得HT的独立临床预测因素(p < 0.05)(图2)。然后,使用最佳机器学习算法利用这些因素开发临床模型。该模型在内部和外部验证队列中用于检验效率。

采用与开发临床模型相同的流程,在训练队列中利用最终筛选出的最显著放射组学特征构建放射组学模型。此外,内部和外部验证队列也需要验证放射组学模型。

最后,在训练队列中开发了结合不同临床风险变量和重要放射组学特征的临床-放射组学模型,然后在内部和外部验证队列中独立验证。

模型评估

为评估每个模型的性能,绘制受试者工作特征曲线,并计算AUC。

展示校准曲线以评估模型的校准能力,该曲线比较真实结果与临床-放射组学模型之间的一致性。为评估联合模型的临床实用性,采用决策曲线分析(DCA)。感兴趣区(ROI)放射组学分析和模型构建的工作流程见图3。

图3 预测静脉溶栓(IVT)后HT的临床-放射组学模型工作流程(IVT,静脉溶栓;HT,出血性转化;DCA,决策曲线分析) 查看原图 ↗

统计分析

所有统计数据使用R软件(版本4.1.3)(https://www.r-project.org/)进行分析。正态数据以均值±标准差表示,定性数据以数量和百分比表示。采用卡方检验、两样本t检验或Mann-Whitney U检验评估临床特征。为比较不同模型的AUC,采用DeLong检验。所有统计分析中,双侧p值< 0.05被认为具有显著性。

结果

患者临床特征

本研究纳入来自七家医院的517例个体(333例男性[64.4%],平均年龄±标准差67.02 ± 12.67)。所有患者的临床数据见表1。

表1 所有患者的特征 查看原表 ↗

特征筛选结果

根据表2和表3,RFE是选择临床和放射组学数据特征的最佳方法。本研究发现XGB具有最高的准确率和AUC(表4)。

训练队列中与HT相关的临床危险因素的单因素分析结果见表5。经RFE后,共筛选出5个独立危险因素,包括基线NIHSS(0.379)、纤维蛋白降解产物(FDPs)(0.183)、单核细胞(0.147)、D-二聚体(0.164)和N末端B型利钠肽原(NT-proBNP)(0.128)(数值反映各特征的重要性)。

在所有病例中,通过RFE将778个影像组学特征进行降维以避免模型过拟合。随后筛选出12个影像组学特征用于构建影像组学模型(图4)。

表2 训练队列中五种临床特征筛选方法的性能 查看原表 ↗
表3 训练队列中五种影像组学特征筛选方法的性能 查看原表 ↗
表4 训练队列中五种机器学习算法预测HT的性能 查看原表 ↗
表5 训练队列中HT的单因素分析 查看原表 ↗
图4 12个影像组学特征的重要性 查看原图 ↗

临床模型和影像组学模型的性能

计算AUC以评估三种模型的性能。

临床模型在训练队列中区分HT患者的AUC为0.996(95% CI 0.991–0.999),在内部验证队列中为0.898(95% CI 0.873–0.921),在外部验证队列中为0.911(95% CI 0.891–0.928)(图5,表6)。

在训练队列中,影像组学模型的AUC为0.999(95% CI 0.999–1.000);内部验证队列为0.922(95% CI 0.896–0.941);外部验证队列为0.883(95% CI 0.851–0.902)(图5,表6)。

图5 临床模型、影像组学模型和临床-影像组学模型由XGB(XGB,极端梯度提升)的ROC曲线 查看原图 ↗
表6 三种模型的性能 查看原表 ↗

临床-影像组学模型的性能

在训练队列中,该临床-影像组学模型的AUC为0.995(95% CI 0.991–0.999);在内部验证队列中为0.950(95% CI 0.925–0.967),在外部验证队列中为0.942(95% CI 0.927–0.958)(图5,表6)。DeLong检验表明,在训练队列、内部验证队列或外部验证队列中,临床模型与临床-影像组学联合模型之间均无差异(p分别为0.954、0.179和0.364)。

在训练队列(p = 0.458)和内部验证队列(p = 0.341)中,临床-影像组学模型与观察结果在HT预测潜力的校准曲线上具有极好的一致性。然而,外部验证队列(p = 0.032)的一致性稍差(图6)。

所有三种模型的决策分析曲线表明,它们在预测HT方面均具有临床实用性(图7)。

图6 临床-影像组学模型在训练队列和验证队列中的校准曲线 查看原图 ↗
图7 临床模型、影像组学模型和临床-影像组学模型在训练队列和验证队列中的DCA(DCA,决策曲线分析) 查看原图 ↗

讨论

在本研究中,我们开发了一种机器学习方法,将临床数据与NCCT的影像组学特征相结合,以预测溶栓后出血转化的风险。它弥补了NCCT图像征象视觉识别的局限性,减少了经验不足的一线医生的误诊和漏诊,并提高了他们的诊断信心。相比之下,由于这些临床数据通过入院后常规检查获得,该模型可快速应用且具有实用性。此外,我们使用了多个中心的数据进行建模和独立外部验证,因此该模型具有高度的泛化性。

在本研究中,发现入院时的NIHSS、FDPs、D-二聚体、单核细胞和NT-proBNP这五个临床变量是接受静脉溶栓的AIS患者出血转化的显著危险因素。NIHSS常用于衡量卒中的严重程度,因为它能有效确定意识以及运动、感觉、反应和高级神经功能[27]。既往研究表明,NIHSS是溶栓后出血转化的独立危险因素[28, 29],这与我们的研究结果一致。这表明如果患者患有严重卒中,需要避免溶栓治疗。一项研究表明,入院时的FDPs与PH相关[6, 30],因为FDPs可能通过与纤维蛋白原竞争结合血小板膜来阻碍血小板聚集[31, 32]。D-二聚体可能促使单核细胞产生和释放促炎细胞因子,如白细胞介素-6(IL-6)和IL-1β[33],这会增加出血转化风险[34]。这些发现表明凝血指标对预测出血转化非常重要,需要医生密切关注。最后,NT-proBNP是BNP裂解产生的无活性片段[35]。与早期研究[36–38]一致,我们的研究结果显示NT-proBNP水平与接受静脉溶栓的卒中患者出血转化独立相关。一种可能的解释是出血转化加重了缺血性卒中引起的脑损伤[39]。NT-proBNP需要与其他疾病相鉴别,如心力衰竭;当其水平升高时,其敏感性很高,但特异性较弱。因此,如果患者患有AIS,医生可能认识到该患者具有较高的出血转化风险。

所提出的临床模型可用于评估出血转化风险,并具有优异的预测效率。在本研究中,临床模型在外部验证中的AUC略高于内部验证,表明其泛化能力更强。既往研究仅使用临床基线数据来预测出血转化[24],这最适合无法获取影像数据的患者。由于出血转化主要源于梗死本身,仅分析临床征象不足以充分评估,因此我们提取了缺血区域的影像特征。

然后,利用从NCCT图像中提取的特征来构建放射组学模型,其预测效能同样良好。在本研究中,共提取了12个最优的定量放射组学特征。其中,wavelet-HHH-glrlm-RunEntropy是反映梗死灶表观异质性的最重要特征。该结果可能提示,出血转化(HT)风险随梗死区域异质性程度的增加而升高。尽管如此,仍需进一步研究以阐明HT的病理改变与基于NCCT的放射组学特征之间的关系。此外,形状特征描述了脑梗死的体积大小。该发现与既往研究[40]相似,表明梗死区域越大,HT风险越高。因此,尽管NCCT上的一些征象,如大脑中动脉高密度征或Alberta卒中项目早期CT评分,可以预测HT风险[41],但一线医生可能因缺乏经验而未能识别这些信号,而我们的放射组学模型可弥补这一不足。

在本研究中,尽管DeLong法未得出统计学显著性,但值得注意的是,在内部和外部验证集中,临床-放射组学模型的AUC和准确率均持续高于临床模型,显示出放射组学在改善未来HT预测方面的潜力。此外,DCA结果还显示,三种模型在预测HT方面均具有显著的净获益。因此,如果这些模型能够作为可信赖、可重复的工具使用,便可指导治疗决策。此外,它们耗时较少——该模型实际上可在仅一分钟内识别新患者的HT风险。因此,在经更大规模人群验证后,该模型有望尽快应用于临床实践。

本研究存在一些局限性。首先,由于这是一项样本量有限的回顾性研究,尽管纳入了来自七家医院的参与者,但仍可能存在一些选择偏倚。此外,由于部分患者的部分临床数据不完整,采用K近邻法填补缺失值,这是本研究的局限性。经过本研究的尝试,基于NCCT的模型和临床相关数据相当有效,这使我们更有信心拓宽后续研究的范围。后来,尽管目前已有关于影像组学的研究,包括肿瘤、炎症和脑血管疾病方面的研究,但模型对影像组学特征的解释通常有限或不完整。因此,预计后续研究将逐步揭示影像组学特征与临床结果之间的内在联系。此外,CT影像组学的固有属性使得大多数影像组学特征受CT采集和重建设置的严重影响[42],因此我们对所有NCCT图像进行了预处理,以减少这些因素的影响。第三,本研究的可重复性和可行性可能受到限制,因为在仅进行静脉溶栓前NCCT的情况下,从静脉溶栓后MRI获取ROI不可行。第四,本文仅预测是否会发生HT,未包括HT分型(HI和PH)。最后,一些与HT相关的危险因素未被纳入,如基质金属蛋白酶、同型半胱氨酸等,因为部分医院缺乏必要的实验室指标。实际上,许多多中心或大数据研究项目也面临这一棘手问题。当前数据的完整性和一致性必须得到解决,因为不同机构的医生无法就同一疾病的检查方法和设备达成一致,且患者的依从性不同。因此,更多机构必须加入预测HT的项目,这需要更具吸引力的专家组织他们开展此项工作。未来,提高其临床实用性有助于将更多临床特征整合到模型中并扩大样本量。

结论

通过使用从NCCT图像提取的影像组学特征和临床特征,本研究建立了一个模型,该模型在预测接受IVT患者的HT方面表现出良好的性能和个体化风险评估。这一可靠的模型可以帮助一线医生识别HT风险显著较高的患者,并在他们做出临床决策时提供支持。

补充信息

附加文件1。表S1。七家机构的CT扫描仪型号和扫描参数。图S1。不同ICC阈值在内部验证中的表现。

引用

  1. Ren, Song, Wang, et al. A clinical-radiomics model based on noncontrast computed tomography to predict hemorrhagic transformation after stroke by machine learning: a multicenter study. Insights Imaging. 2023. PMID: 36977913. doi:10.1186/s13244-023-01399-5
  2. 全文:PMC10050271(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC10050271/

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。