Eur Radiol：我国学者通过CT 影像组学结合临床和放射学因素预测高血压脑出血患者血肿扩大

脑出血 （Intracerebral hemorrhage，ICH） 是一种普遍的脑血管疾病，占所有中风的 10-15% 。高血压脑出血是最常见的自发性 ICH 形式，占 50-70%。患者死亡和残疾的风险很高 。血肿扩大 （Hematoma expansion，HE） 是使 ICH 患者病情恶化并导致不良结局的重要因素。准确识别 ICH 后 HE 的可能性对于及时干预和改善患者预后至关重要。

目前，预测 HE 最常用的方法包括影像学体征评估、实验室检查、临床特征和评分系统 。这种传统的 HE 预测技术要求医生拥有广泛的临床专业知识并做出主观假设。放射组学的最新进展及其在临床研究中的应用为 HE 的定量分析提供了新的方法。既往研究结果表明，影像组学可以为预测 HE 提供可靠的工具。通过使用 CT 影像组学和机器学习 （machine learning，ML） 算法预测 HE 的早期上升，可以取得了良好的结果。然而，以前的研究缺乏影像组学与临床和影像学特征的整合，以及不同模型的比较和视觉显示。

近日，遵义医科大学附属医院刘衡团队在Eur Radiol（if=4.7）上在线发表了题为“CT radiomics combined with clinical and radiological factors predict hematoma expansion in hypertensive intracerebral hemorrhage”的研究，旨在构建基于 CT 平扫影像组学和 ML 算法，结合临床信息和常规影像学体征的 HE 预测模型，包括影像组学模型、临床影像学体征模型和混合模型。该模型从多个角度进行评估和验证，并以列线图的形式展示，为临床工作提供了直观可靠的指导工具。

本研究将来自三个医疗中心的 HICH 患者的回顾性连续集合分为训练集 （n = 555） 、验证集 （n = 239） 和测试集 （n = 77）。从基线 CT 平扫图像中提取影像组学特征，并将其与临床信息和常规影像学体征相结合，分别构建影像组学模型、临床影像学体征模型和混合模型。将使用曲线下面积 （AUC）、临床决策曲线分析 （DCA）、净重分类指数 （NRI） 和综合鉴别改进 （IDI） 对模型进行评估。结果发现与影像组学模型和临床影像学体征模型相比，混合模型显示 NRI 和 IDI 增加。

图1.ROC 曲线、校准曲线和临床决策曲线

图2.混合模型预测 HE 的列线图

研究重点是 HICH 患者。使用发病后 24 小时内的第一个 CT 平扫图像，描绘了 ROI，提取放射组学特征，并将它们与临床影像学体征相结合，构建了 HE 预测模型。该模型被整合到常规临床工作流程中，可以快速筛查高危患者的 HE，促进及时的临床治疗并改善患者预后。许多临床信息和常规影像学体征已被证明是 HE 的独立危险因素。在这项研究中，多变量 LR 分析显示，从疾病发作到第一次 CT 扫描的时间、入院时的 GCS 评分、吸烟史、第一次 CT 血肿体积、不规则血肿形状和混合体征是 HE 的独立预测因素，并允许建立临床影像学体征模型。训练集、验证集和测试集中的 AUC 分别为 0.759、0.725 和 0.765。第一次 CT 扫描的血肿体积越小，随访检查期间血肿体积增加的风险就越高。这可能是由于第一次 CT 扫描时出血的早期阶段。随着时间的推移，出血会继续，导致后续 CT 扫描中发现的血肿体积增加。不规则血肿形状的特征是血肿中有三个或三个以上的分叶或岛状体征，表明周围脑组织受损并导致出血。使用这些基于临床信息和常规影像学体征的传统 HE 预测方法进行评估，需要医生具备一定的临床经验和主观性。

影像组学可以提取肉眼无法识别的深层特征信息，从而反映病变的异质性。该研究采用了从分割图像中提取的 1218 个放射组学特征。降维后，选取 29 个影像组学特征进行建模，包括 1 个形状特征、6 个一阶特征、4 个 GLCM 特征、3 个 GLDM 特征、8 个 GLSZM 特征和 7 个 GLRLM 特征。形状特征反映了血肿的形状差异。一阶特征通过描述体素强度分布和内部变异程度来反映血肿密度的异质性。GLCM、GLDM、GLSZM 和 GLRLM 特征通过描述血肿的独特纹理特征来反映血肿密度的异质性。在这个研究中，使用了八种不同的机器学习算法来构建放射组学模型。为了防止过度拟合，使用了 10 倍交叉验证来评估模型性能并选择稳定的 ML 算法。最后，使用最好的 ML 分类器，在整个训练集上建立了一个影像组学模型，并使用 logit 函数计算了 Rad 分数。其中，LR、SVM 和 LDA 算法最稳定。在确保模型以高 AUC 预测 HE 的同时，选择使用 LR 算法作为最佳 ML 分类器。在整个训练集上建立了一个影像组学模型，并使用 logit 函数计算了 Rad 分数。研究结果表明，影像组学模型和混合模型在训练集中的 AUC 分别为 0.885 和 0.901。验证集中影像组学模型和混合模型的 AUC 分别为 0.827 和 0.838。测试集中影像组学模型和混合模型的 AUC 分别为 0.894 和 0.917。基于上述步骤和方法，模型没有过拟合。

总而言之，本研究基于 CT 影像组学结合临床信息和常规影像学体征的混合模型可用于有效预测 HICH 的早期 HE。与影像组学模型和临床影像学体征模型相比，预测 HE 的性能进一步提高。该模型以列线图的形式显示，为患者早期 HE 风险的个性化临床评估提供了直观可靠的指导工具。

原始出处：

CT radiomics combined with clinical and radiological factors predict hematoma expansion in hypertensive intracerebral hemorrhage. Eur Radiol. 2025 Jan;35(1):6-19. doi: 10.1007/s00330-024-10921-2. Epub 2024 Jul 11. PMID: 38990325; PMCID: PMC11632042.