韓曙光，王小鵬（通信作者）

（1 徐州醫(yī)科大學附屬醫(yī)院影像科 江蘇 徐州 221000）

（2 徐州醫(yī)科大學附屬醫(yī)院神經(jīng)內(nèi)科 江蘇 徐州 221000）

自發(fā)性腦出血是高血壓患者最嚴重的并發(fā)癥，腦出血約28%的患者會發(fā)生早期血腫擴大，若患者在保守治療的情況下，出現(xiàn)血腫擴大則預示患者預后較差，且血腫增大過快還需要進一步手術治療[1]。在初次發(fā)現(xiàn)腦出血的患者中，如何進行提前判斷血腫是否會進展擴大是目前臨床急需解決的問題，判斷患者血腫的穩(wěn)定性能有效指導臨床治療決策[2]。影像組學是一種將病變不可見的特征可視化的方法，可區(qū)分病變的異質(zhì)性[3]。相關研究證實腦出血的血腫內(nèi)部的微血管破壞、持續(xù)性的微觀滲血都具有圖像異質(zhì)性[4]，因此引入圖像影像組學能客觀地分析血腫的影像學特征。本研究擬采用頭顱CT 平掃圖像影像組學聯(lián)合臨床數(shù)據(jù)進行預測腦出血血腫擴大，為臨床治療提供證據(jù)。

1 資料與方法

1.1 一般資料

回顧性2020 年1 月—2023 年1 月在徐州醫(yī)科大學附屬醫(yī)院診斷為腦出血的患者109 例的CT 平掃圖像與臨床資料。納入標準：①腦出血患者圖像連續(xù)無偽影，符合matlab 軟件提取要求；②患者24 h 進行CT 平掃復查，并測量體積。排除標準：腦出血量過大，進行開顱手術或引流手術的患者。

1.2 方法

分組方法：所有初診為腦出血的患者均測量首診CT與24 h 復查CT 出血量，CT 血腫體積超過CT 基線的33%或6 mL 的患者定義為腦出血血腫擴大[5]。將發(fā)生早期血腫擴大定義為A 組（n=41），未發(fā)生早期血腫擴大定義為B 組（n=68）。記錄患者入院前腦出血家族史、血糖、血壓、甘油三酯、初診期格拉斯哥昏迷評分（Glasgow coma scale，GCS）、初診血腫量。

采用通用電器256 排螺旋CT（GE Revolution CT）掃描，采用常規(guī)重建技術重建，自動管電流，管電壓100 kV，層厚、層間距均為5 mm，螺距0.8，掃描范圍由顱低至顱定。

1.3 影像組學提取

以頭顱CT 平掃腦組織窗原始數(shù)據(jù)進行勾畫腦出血血腫所有層面，3Dslicer 軟件（https://www.slicer.org/）三維容積融合成容積ROI，將ROI 文件導入matlab2018（https://www.mathworks.com/）中，利用開源代碼feature_ext.py 進行ROI 中的影像組學提取，每個患者頭顱CT 平掃圖像ROI 中共提取1132 個影像組學特征（圖1）。

圖1 影像組學提取流程圖

1.4 統(tǒng)計學方法

采用SPSS 19.0、medcalc19.7 軟件進行數(shù)據(jù)處理，符合正態(tài)分布的計量資料以均數(shù)±標準差（）表示，采用t檢驗；不符合正態(tài)分布采用秩和檢驗，以中位數(shù)與四分位間距[M（Q1，Q3）]表示；計數(shù)資料以頻數(shù)（n）、百分率（%）表示，組間比較采用χ2檢驗；以P＜0.05為差異具有統(tǒng)計學意義。單因素分析具有差異指標進行Lasso 回歸特征降維，將特征降維后紋理特征納入二元Logistics 回歸分析，篩選預測前列腺結節(jié)良惡性的獨立風險因素并建立預測模型。對降維后特征與Logistics 預測模型進行受試者工作特征（ROC）曲線分析診斷效能，對ROC 曲線間比較采用Delong 檢驗。

2 結果

2.1 臨床資料比較

兩組患者年齡、性別、血壓、甘油三酯、初診GCS、初診血腫量差異均不具有統(tǒng)計學意義（P＞0.05）；A 組血糖高于B 組，差異具有統(tǒng)計學意義（P＜0.05）。見表1。

表1 兩組患者一般資料、實驗室檢查

2.2 影像組學參數(shù)比較與模型建立

頭顱CT 平掃圖像共提取1132 個影像組學特征中，其中226 個特征值差異顯著（P＜0.05），906 個特征值無顯著差異（P＞0.05）。進行Lasso 回歸特征降維后篩選出6 個特征（表2），Lasso 回歸的最佳調(diào)諧Lambda為0.000786。降維后特征納入二元Logistics 回歸方程結果顯示sumEntropy、ClusterProminence、血糖為預測腦出血血腫擴大的獨立風險因素（表3），模型為：Logit（P）=5.466+sumEntropy×3.563+ClusterProminence×2.586+血糖×1.782。Logit（P）的ROC 曲線下面積為0.872，取閾值為78.563時，靈敏度及特異度分別為83.3%、82.7%，Delong 檢驗分析示Logit（P）ROC 明顯優(yōu)于sumEntropy、ClusterProminence、血糖（P=0.0442、P=0.0051、P＜0.001），見圖2。

表2 兩組影像組學特征值比較[M（Q1，Q3）]

表3 降維后特征二元Logistics 回歸分析

表4 獨立分析因素與二元Logistics 的ROC 曲線分析

圖2 影像組學特征聯(lián)合模型Logit（P）預測腦出血血腫擴大ROC 曲線圖

3 討論

腦出血的保守治療的預后與血腫是否擴大密切相關，且對于血腫擴大的患者需進行手術干預，早期預測患者是否發(fā)生血腫擴大，能對臨床選擇治療方案提供有效影像學證據(jù)。A 組血糖明顯高于B 組（P＜0.05），表明血糖能預測腦出血血腫擴大，與以往研究類似[6]。本研究顯示sumEntropy、ClusterProminence、血糖為預測腦出血血腫擴大的獨立風險因素，且建立聯(lián)合模型的AUC達到0.872，靈敏度及特異度分別為83.3%、82.7%，表明通過影像組學特征提取聯(lián)合臨床數(shù)據(jù)能夠很好地進行腦出血血腫擴大的預測。

本研究單因素分析結果顯示血壓無法預測腦出血早期血腫擴大，主要原因是腦出血患者在初診時均處于較高血壓的狀態(tài)，因此無法區(qū)分血腫擴大的可能性[7]。腦出血的形成是紅細胞懸液到血凝塊形成的過程,這是影像組學分析腦血腫異質(zhì)性的病理基礎[8]。本研究中sumEntropy 表示圖像中紋理粗細的離散程度（如灰度直方圖分布、像素對稱性、紋理均勻的等），當血腫穩(wěn)定性較差，存在微小出血時，新鮮出血與穩(wěn)定血腫的位置和出血量不斷變化[9-10]，由此形成了兩組sumEntropy 數(shù)值的差異。ClusterProminence 則表示圖像灰度總數(shù)與每一個個體變量的距離差異的空間定量值，當圖像像素越集中則數(shù)值越小，本研究中A 組的ClusterProminence 明顯大于B 組，表明血腫內(nèi)像素越不集中，越容易發(fā)生腦出血血腫擴大。本次研究的不足主要在于單中心、小樣本研究，未來將需要進一步多中心數(shù)據(jù)驗證，以消除單中心數(shù)據(jù)偏移的可能性。

綜上所述，CT 平掃影像組學有進行預測高血壓腦出血血腫擴大，且聯(lián)合血糖建立聯(lián)合模型預測效能最佳，能有效指導臨床進行治療決策。