金少華，路陽

（南京醫(yī)科大學(xué)附屬江蘇盛澤醫(yī)院放射科，江蘇 蘇州 215200）

0 引言

目前，腦出血已成為影響人生活質(zhì)量的常見疾病，腦出血早期形成的血腫不穩(wěn)定，血腫體積擴(kuò)大會(huì)導(dǎo)致周圍神經(jīng)組織功能受損，引起致殘、致死的概率較高。早期血腫體積擴(kuò)大是腦出血引起死亡和致殘的獨(dú)立危險(xiǎn)因素，因此預(yù)判早期血腫體積擴(kuò)大具有重要的臨床意義。

預(yù)判血腫擴(kuò)大較成熟的方法是根據(jù)CT圖像特點(diǎn)進(jìn)行血腫體積早期擴(kuò)大的預(yù)測(cè)，比如利用血腫密度不均勻的特征（混雜征）和血腫形態(tài)不規(guī)則的特征（衛(wèi)星征）來預(yù)判血腫體積擴(kuò)大[1]，這些影像學(xué)預(yù)測(cè)方式存在主觀性影響，導(dǎo)致不可避免的主觀因素偏差。通過CT血管造影的微小斑點(diǎn)狀強(qiáng)化（點(diǎn)征）來預(yù)測(cè)血腫體積擴(kuò)大[2]，雖然兩者之間有相關(guān)性，但CT血管造影的復(fù)雜性影響廣泛推廣。人工智能已經(jīng)被應(yīng)用于醫(yī)學(xué)圖像處理，用于疾病監(jiān)測(cè)、分類、病變分割、治療評(píng)估和身體成分分析，將更客觀的定量成像特征與臨床疾病進(jìn)展聯(lián)系起來[3-4]。本研究運(yùn)用影像組學(xué)從CT圖像中提取客觀的影像學(xué)特征，通過訓(xùn)練及測(cè)試后得到預(yù)測(cè)模型，來預(yù)測(cè)腦內(nèi)血腫體積的早期擴(kuò)大，并且評(píng)價(jià)其價(jià)值。

1 資料和方法

1.1 一般資料

篩選出2019年11月至2021年6月因腦出血來我院就診的110例患者，其中男性71例，女性39例，年齡20-75歲，平均（52.92±12.57）歲。納入標(biāo)準(zhǔn)：（1）入院后立即行頭顱CT平掃，并且在24小時(shí)內(nèi)復(fù)查頭顱CT。（2）CT圖像清晰，無明顯運(yùn)動(dòng)偽影及金屬偽影，明確診斷腦出血伴血腫形成。排除標(biāo)準(zhǔn)：（1）復(fù)查頭顱CT前已手術(shù)治療或介入治療。（2）繼發(fā)于腦腫瘤、腦血管畸形出血形成的腦內(nèi)血腫。（3）腦實(shí)質(zhì)內(nèi)出血破人腦室，腦實(shí)質(zhì)內(nèi)血腫與腦室內(nèi)積血無法辨別分界線。（4）外傷導(dǎo)致的腦內(nèi)血腫。（5）細(xì)小的血腫，不便于手動(dòng)勾畫血腫輪廓。

CT檢查方法;使用GE 64排Optima CT660進(jìn)行兩次掃描，管電壓120kv，管電流280mA，層厚5mm，層間距5mm。將所有圖像以DICOM格式導(dǎo)出備用。

1.2 影像組學(xué)圖像分割、血腫體積測(cè)量

應(yīng)用3DSlicer軟件的Segment Editor模塊勾畫腦內(nèi)血腫的邊界，首先設(shè)定模塊內(nèi)CT值的范圍為45-90HU，然后沿血腫的邊緣進(jìn)行勾畫輪廓，對(duì)于血腫內(nèi)部不在閾值范圍內(nèi)的低密度區(qū)域，關(guān)閉閾值設(shè)定后手動(dòng)添加，此方法可以減少不同醫(yī)師勾畫血腫邊界的主觀性偏差。應(yīng)用3DSlicer軟件的Segment Statistics模塊，將勾畫好的血腫文件選中，自動(dòng)計(jì)算得到血腫的體積。

1.3 影像組學(xué)特征提取及篩選、預(yù)測(cè)模型構(gòu)建

應(yīng)用3DSlicer軟件的Radiomics模塊進(jìn)行影像組學(xué)特征提取，包括一階特征、灰度共生矩陣、灰度依賴矩陣、灰度游程矩陣、灰度區(qū)域大小矩陣、鄰域灰度差分矩陣、3D形狀特征，經(jīng)過高斯拉普拉斯濾波器和小波變換后得到的特征；將提取到的影像組學(xué)特征數(shù)據(jù)導(dǎo)出至表格。將110例患者分為訓(xùn)練集（77例）和測(cè)試集（33例），利用t檢驗(yàn)和最小絕對(duì)收縮和選擇算子(LASSO)篩選出具有顯著差異的影像組學(xué)特征。結(jié)合隨機(jī)森林模型進(jìn)行建模，在隨機(jī)森林模型中利用訓(xùn)練集數(shù)據(jù)進(jìn)行訓(xùn)練，然后用測(cè)試集數(shù)據(jù)驗(yàn)證模型。采用ROC曲線分析隨機(jī)森林模型預(yù)測(cè)腦內(nèi)血腫體積早期擴(kuò)大的價(jià)值。

2 結(jié)果

對(duì)同一患者前后兩次CT平掃得到的血腫體積進(jìn)行對(duì)比，按血腫體積是否擴(kuò)大進(jìn)行分組，血腫擴(kuò)大組（35例）和血腫未擴(kuò)大組（75例）。經(jīng)3DSlicer軟件的Radiomics模塊提取到353個(gè)影像學(xué)特征，通過t檢驗(yàn)和 LASSO篩選出6個(gè)具有顯著差異的影像學(xué)特征（圖1），其中診斷特征1個(gè)（原始體素），灰度游程矩陣特征2個(gè)（灰色級(jí)別非均勻性和運(yùn)行長(zhǎng)度非均勻性），高斯拉普拉斯濾波器過濾后特征1個(gè)（灰色級(jí)別非均勻性），小波變換后特征2個(gè)（長(zhǎng)期重點(diǎn)和平均值）。在隨機(jī)森林模型中利用訓(xùn)練集數(shù)據(jù)進(jìn)行訓(xùn)練，然后用測(cè)試集數(shù)據(jù)驗(yàn)證模型，隨機(jī)森林模型預(yù)測(cè)腦內(nèi)血腫早期擴(kuò)大的ROC曲線下面積為0.929，靈敏度、特異度分別為0.850、0.960（圖2）。

圖2 隨機(jī)森林模型的RoC曲線

3 討論

腦內(nèi)血腫不僅直接損傷腦組織，而且會(huì)對(duì)血腫邊緣的神經(jīng)細(xì)胞產(chǎn)生繼發(fā)破壞。腦出血早期血腫擴(kuò)大的概率較高，早期血腫狀態(tài)不穩(wěn)定，變化速度較快，隨著時(shí)間延長(zhǎng)，血腫狀態(tài)趨于穩(wěn)定，因此早期進(jìn)行干預(yù)對(duì)改善預(yù)后尤為重要[5]。急性出血性腦卒中的診斷主要依靠CT檢查，血腫的密度取決于血紅蛋白的濃度，新鮮出血中血紅蛋白含量較少，所以表現(xiàn)為低密度，形成血凝塊后血紅蛋白含量升高，表現(xiàn)為高密度，混雜征是由新鮮出血與血凝塊并存形成的，低密度區(qū)越多發(fā)生血腫擴(kuò)大的可能性越大[6-7]。點(diǎn)征是CTA顯示血腫內(nèi)部或者邊緣出血斑點(diǎn)狀強(qiáng)化，是造影劑外漏形成的，是血腫擴(kuò)大的重要因素，與血腫擴(kuò)大呈正相關(guān)[2]?；祀s征、點(diǎn)征等影像學(xué)征象作為定性指標(biāo)受醫(yī)師的主觀影響大，預(yù)測(cè)血腫擴(kuò)大的概率不穩(wěn)定，預(yù)測(cè)腦出血早期血腫擴(kuò)大的靈敏度及特異度低于影像組學(xué)模型[8]。有學(xué)者對(duì)比兩者不同的血腫體積測(cè)量方法，根據(jù)兩種方法得到的血腫體積差值來預(yù)測(cè)血腫體積擴(kuò)大，差值越大，血腫體積擴(kuò)大可能性越大，使用的長(zhǎng)度×寬度×高度/2方法存在較大的主觀性偏差，影響預(yù)測(cè)性能[9]。

圖1353 個(gè)影像學(xué)特征的LASSO系數(shù)回歸概況

影像組學(xué)是一個(gè)旨在從數(shù)字圖像中提取大量定量特征的過程，對(duì)紋理、強(qiáng)度和體積等特征進(jìn)行連續(xù)分析，以提供決策支持。董秦柱等利用影像組學(xué)模型來預(yù)測(cè)腦室內(nèi)出血增長(zhǎng)，通過選定影像組學(xué)特征的線性組合乘以其各自的套索系數(shù)，計(jì)算影像組學(xué)分?jǐn)?shù)，影像組學(xué)分?jǐn)?shù)是腦室內(nèi)出血擴(kuò)大的重要預(yù)測(cè)因子，影像組學(xué)分?jǐn)?shù)較低的個(gè)體預(yù)后不良概率較低，影像組學(xué)分?jǐn)?shù)與嚴(yán)重腦室內(nèi)出血和不良預(yù)后獨(dú)立相關(guān)[10]。血腫周圍的水腫帶損傷是可逆的，早期干預(yù)能改善患者的預(yù)后，CT圖像確診水腫帶時(shí)間較晚，楊光偉等運(yùn)用影像組學(xué)技術(shù)鑒別腦血腫周圍水腫帶與正常腦組織，影像組學(xué)模型預(yù)測(cè)效能較高，對(duì)臨床治療具有重要意義[11]。楊俊等構(gòu)建支持向量機(jī)模型和邏輯回歸模型預(yù)測(cè)血腫擴(kuò)大，與影像征象組成的二元邏輯回歸模型預(yù)測(cè)血腫擴(kuò)大進(jìn)行對(duì)比，結(jié)果是基于影像組學(xué)的模型具有更高的預(yù)測(cè)性能[12]。有學(xué)者將影像組學(xué)的模型對(duì)比放射學(xué)體征，比較二者在腦內(nèi)血腫擴(kuò)大和患者不良預(yù)后的價(jià)值，實(shí)驗(yàn)結(jié)果表明，基于CT影像組學(xué)的模型在預(yù)測(cè)腦內(nèi)血腫擴(kuò)大和不良功能結(jié)果方面優(yōu)于放射學(xué)體征，將基于放射組學(xué)的特征與臨床因素相結(jié)合可以提高其性能[13]。

本研究應(yīng)用3DSlicer軟件的Segment Editor模塊的閾值功能，輔助人工勾畫血腫ROI，在勾畫血腫邊緣時(shí)由于閾值的存在，可以減少人工識(shí)別正常腦組織和血腫分界的主觀偏差，人眼識(shí)別相近的灰階往往存在分歧，需要兩位醫(yī)師協(xié)商后決定，設(shè)定血腫的CT閾值可以加快勾畫血腫邊界，同時(shí)也提高每次勾畫血腫ROI的一致性。血腫內(nèi)部的低密度區(qū)有時(shí)不在閾值范圍內(nèi)，在閾值條件下勾畫的ROI基礎(chǔ)上，再次手動(dòng)添加低密度區(qū)，確保血腫ROI內(nèi)包括不同密度的出血。本研究構(gòu)建的隨機(jī)森林模型預(yù)測(cè)腦內(nèi)血腫早期擴(kuò)大具有較高性能，靈敏度、特異度分別為0.850、0.960。對(duì)腦內(nèi)血腫早期擴(kuò)大的有效預(yù)測(cè)，提早干預(yù)高風(fēng)險(xiǎn)患者，可以減少患者的不良預(yù)后。

總之，影像組學(xué)模型可以通過定量特征，幫助醫(yī)生預(yù)判腦出血患者血腫擴(kuò)大的可能性。本研究不足之處：（1）高血糖、高血壓、昏迷量表評(píng)分、卒中量表評(píng)分、服用華法林等是血腫擴(kuò)大的危險(xiǎn)因素，本研究未考慮這些因素的影響。（2）本研究采用人工分割血腫，運(yùn)用深度學(xué)習(xí)自動(dòng)分割ROI可能更精準(zhǔn)。（3）只運(yùn)用了隨機(jī)森林模型進(jìn)行建模，運(yùn)用多種機(jī)器學(xué)習(xí)方法可以挑選出更優(yōu)的預(yù)測(cè)模型[14]。