论文部分内容阅读
目的:探讨基于CT的影像组学在原发性与继发性脑出血鉴别诊断中的可行性。材料与方法:一、一般资料回顾性收集本院2019年1月-2021年1月经临床及CT检查诊断为脑出血患者238例,其中原发性脑出血患者共162例,男性122例,女性40例,依据病因分类具体包括:高血压150例,脑淀粉样血管病12例。继发性脑出血患者共76例,男性43例,女性33例,依据病因分类具体包括肿瘤31例,出血性脑梗死8例,动脉瘤14例,使用抗凝剂后出血8例,脑血管畸形11例和血小板功能不全4例。所有患者颅脑CT检查均于128层Ingenuity CT扫描仪（Philips Medical Systems Cleveland Inc.）完成颅脑CT检查。本研究的纳入标准:（1）急性、非外伤性脑出血患者;（2）24小时内完成颅脑CT检查;（3）经影像学随访（CT图像上显示血肿完全吸收）、临床相关检查或病理证实急性脑出血的病因。本研究的排除标准:（1）以脑室内出血、蛛网膜下腔出血、硬膜下出血及硬膜外出血为主的病灶;（2）多发出血性病变;（3）CT图像质量差;（4）无法明确脑出血病因;（5）血肿在CT轴位图像上显示层数≤3层;（6）三个最大层面选择的血肿受周围组织（如颅骨等）影响较大者。二、图像分割将患者的轴位CT平扫图像以DICOM格式导入3D Slicer开源软件中,采用手动勾画方式,沿病灶边缘逐层勾画,获取容积感兴趣区（volume of interest,VOI）及三个层面的感兴趣区（region of interest,ROI）。三、影像组学特征提取及筛选使用3D Slicer软件从两种勾画方法的CT图像中共提取1702个定量特征,具体分为四类,包括形状特征、一阶统计特征、二阶统计特征和高阶统计特征。将特征导入达尔文科研平台（医准医疗人工智能有限公司）,采用Select K Best和最小绝对收缩和选择算子（least absolute shrinkage and selection operator,LASSO）对所提取的影像组学特征进行降维处理,以获取最佳特征用于鉴别诊断。四、影像诊断由两位具有15年中枢神经系统疾病诊断经验的放射科医生共同根据轴位CT平扫图像对原发性脑出血和继发性脑出血进行鉴别诊断。五、机器学习5.1建立模型影像组学相关统计学分析均于达尔文科研平台进行。所有病例按照7:3的比例随机分为训练集和测试集,使用支持向量机（support vector machines,SVM）分类器对筛选出的最佳特征值建立分类模型,并采用10折交叉验证法验证模型的鲁棒性。5.2模型评估受试者操作特征曲线（receiver operating curve,ROC）用于评估SVM分类器的预测性能,计算SVM分类器及放射科医生诊断用于鉴别原发性脑出血与继发性脑出血的曲线下面积（area under the curve,AUC）、准确率（accuary）、敏感度（sensitivity）、特异度（specificity）。并计算10折交叉验后得到的平均AUC值。六、统计学分析采用SPSS 26.0和Med Calc15.0软件对患者临床资料进行统计学分析。单因素分析用于检验组间差异,组间比较采用独立样本t检验,Mann-Whitney U检验及χ~2检验。二元逻辑回归分析用于筛选鉴别脑出血病因的独立预测因素,认为P＜0.05具有统计学意义。Med Calc15.0软件用于绘制放射科医生诊断结果的ROC曲线。结果:一、临床资料分析本研究中原发性脑出血患者的平均年龄为58.12±13.9岁,继发性脑出血患者的平均年龄为58.20±15.6岁,二者无统计学差异（P=0.971）;原发性脑出血和继发性脑出血患者的性别（P=0.003）、发病至首次CT检查时间（P≤0.01）、血肿位置（P≤0.01）、高脂血症（P=0.040）、血肿破入脑室（P=0.029）及入院患有高血压（P≤0.01）具有统计学差异（P＜0.05）。二元逻辑回归分析结果显示,性别（P=0.005）、血肿位置（P≤0.01）、发病至首次CT检查时间（P=0.002）和入院患有高血压（P=0.002）是鉴别原发性脑出血与继发性脑出血的独立预测因素。二、特征值筛选结果1、基于VOI的CT平扫图像上提取851个特征值,经过单变量特征选择法降维后得到100个特征值,随后经LASSO逻辑回归法降维得到18个最优特征值,其中wavelet-LLL＿glszm＿Zone Entropy的系数最大。2、基于三个层面ROI的CT平扫图像提取851个特征值,经过单变量特征选择法降维后得到100个特征值,随后经LASSO逻辑回归法降维得到18个最优特征值,其中original＿gldm＿Large Dependence Low Gray Level Emphasis的系数最大。三、基于影像组学特征的预测模型及放射科医生的诊断结果1、采用VOI勾画方法所得结果显示,SVM分类器的测试集AUC值为0.90;95%CI:[0.80,1.00]。2、采用三个层面ROI勾画方法所得结果显示,SVM分类器的测试集AUC值为0.81;95%CI:[0.66,0.98]。3、放射科医生诊断结果的AUC值为0.70,95%CI:[0.60,0.79]。结论:一、基于CT的影像组学方法可以用于鉴别原发性脑出血与继发性脑出血。二、选择三个层面的ROI勾画方法可用于基于CT影像组学方法鉴别原发性脑出血与继发性脑出血。