影像组学特征对自发性脑出血患者发生血肿扩大的预测价值

摘要：

目的 分析影像组学特征对自发性脑出血(sICH)患者发生血肿扩大(HE)的预测价值.方法 回顾性选取2017—2021年于西部战区总医院就诊的sICH患者232例为研究对象.收集患者一般资料,基于颅脑CT检查结果提取影像组学特征.根据HE发生情况,将患者分为HE组(39例)和非HE组(193例).采用Lasso-Logistic回归模型选择最终影像组学特征并形成影像组学标签;采用ROC曲线分析影像组学标签对sICH患者发生HE的预测价值;按7:3的比例将sICH患者分为训练集(162例)与验证集(70例),分别采用自适应提升算法(Adaboost)、K最近邻(KNN)分类算法、随机森林算法再次验证影像组学标签对sICH患者发生HE的预测价值.结果 共提取出107个影像组学特征.Lasso-Logistic回归模型结果显示,AUC最大时共包含11个影像组学特征.将Lasso-Logistic回归模型筛选出的11个影像组学特征与相应的加权系数乘积的线性组合作为影像组学标签.HE组患者影像组学标签高于非HE组(P<0.05).影像组学标签预测sICH患者发生HE的AUC为0.780〔95％CI(0.703,0.857)〕,最佳截断值为-1.34,灵敏度为66.7％,特异度为76.7％,约登指数为0.434,正确率为75.0％.Adaboost、KNN分类算法、随机森林算法分析结果显示,影像组学标签预测训练集sICH患者发生HE的AUC分别为0.881、0.873、0.904,预测验证集sICH患者发生HE的AUC分别为0.614、0.857、0.888.结论 由第10百分位数、第90百分位数、集群阴影、长行程高灰度优势、灰度差异度、短行程优势、标准化灰度不均匀度、区域性、力度、半轴长度、最小长度组成的影像组学标签对sICH患者发生HE有较好的预测价值,临床医生可根据该影像组学标签来筛选HE高风险的sICH患者,进而采取更为积极的治疗措施,从而改善患者预后.

关键词：脑出血、自发性脑出血、血肿扩大、影像组学、预测

所属期刊栏目：30

分类号：R743.34(神经病学与精神病学)

资助基金：四川省科技计划项目2018JY0804

在线出版日期：2022-06-30（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：117-121