论文部分内容阅读
目的:探讨基于平扫CT（Noncontrast computed tomography,NCCT）血肿区和血肿周围水肿区的影像组学特征对脑出血预后预测的增益价值,联合临床及实验室预后相关独立危险因素,构建脑出血患者90天功能预后预测模型,实现脑出血患者预后危险度的准确分层。材料与方法:1.回顾性多个中心收集超急性期脑出血（Intracerebral hemorrhage,ICH）患者的临床、首次实验室及NCCT影像学检查资料。根据患者入院时间和就诊中心将所有纳入数据分为训练集、内部验证集和外部验证集。采用单因素和多因素逻辑回归分析筛选与功能结局独立相关的临床、实验室、影像学因素;利用逻辑回归分类算法（Logistic regression,LR）构建ICH患者90天功能预后预测模型,包含临床、实验室及血肿放射学特征的临床模型（Clinical）,血肿区的影像组学模型（Hematoma）,血肿周围水肿区的影像组学模型（Edema）,血肿区-血肿周围水肿区的联合模型（Hematoma-Edema）,以及综合临床、实验室、放射学特征、血肿区及血肿周围水肿区影像组学特征的综合模型（COMB）。采用受试者工作特征曲线（Receiver operating characteristic,ROC）、曲线下面积（Area under curve,AUC）、准确率（Accuracy,ACC）等评估各模型的预测性能。采用Delong test比较不同模型AUC值的差异显著性;Hosmer-Lemeshow检验评估模型预测结果和实际状况的吻合程度;决策曲线（Decision curve analysis,DCA）评价不同模型特定阈值下患者的临床净收益。通过计算净重新分类改善指数（Net reclssification improvement,NRI）和综合判别改善指数（Integrated discrimination improvement,IDI）,判断血肿区和血肿周围水肿的影像组学特征对ICH临床预后预测模型的增益价值;采用森林图和诺莫图/列线图（Nomogram）将最佳模型可视化,促进模型的临床实用性。2.回顾性收集3个大型医疗中心即症状发作至入院CT扫描时间(Onset-toimaging time,OIT小于72小时的ICH患者的临床、首次实验室及NCCT影像学检查资料。根据患者OIT将ICH患者分为3组,Group 1:OIT＜6小时;Group 2:6≤OIT＜24小时;Group 3:24≤OIT＜72小时;同时收集Group 1组患者72小时内术前首次复查的NCCT资料,将该组记为Group 4。应用与第二部分相同的方法将各组数据分为训练集、内部验证集和外部验证集。采用与第二部分相同的单因素分析和多因素分析方法筛选各组中与ICH患者预后独立相关的临床、实验室、血肿放射特征及关键影像组学特征。利用LR分类器构建各OIT组ICH患者90天功能预后预测模型;将Group 1中的影像组学特征与Group 4中相同的影像组学特征合并后使用逐步回归筛选出与预后相关的关键影像组学特征进行建模;最后,通过将各组模型的预测性能与Group 1影像组学模型和综合模型在不同组中的应用效果进行多维度对比分析,探究Group 1模型在不同OIT组患者预后预测应用的准确性及适用性。结果:1.在纳入的1098例ICH患者中,90天功能预后不良共703例。经单因素及多因素分析筛选后,患者的年龄:（Odds ratio,OR 1.05;95%Confidence Interval,CI,1.04–1.07;P＜0.001）,血肿体积（OR 1.00;95%CI,1.00–1.00;P＜0.001）,入院GCS评分（OR 0.16;95%CI,0.09–0.28;P＜0.001）以及血肿位置（OR 3.44;95%CI,1.81–6.63;P＜0.001）与ICH患者的预后独立相关。训练集中Clinical、Hematoma、Edema、Hematoma-Edema及COMB模型的AUC值分别为:Clinical:0.872（95%CI,0.848–0.896）、Hematoma:0.827（95%CI,0.798–0.855）、Edema:0.795（95%CI,0.764–0.825）、Hematoma-Edema:0.826（95%CI,0.797–0.854）、COMB:0.890（95%CI,0.867–0.912）。在临床预后预测模型中加入血肿区和血肿周围水肿区的关键影像组学特征后模型的性能得到了正改善。2.本部分研究共纳入ICH患者2136例,其中Group 1患者1098例;Group2患者660例;Group 3患者378例;Group 4患者584例。在训练集中将Group1影像组学模型直接应用于Group 4患者（Rad.G1.G4）的AUC值为0.779（95%CI,0.727-0.830）;联合Group 1和Group 4的关键影像组学特征构建的影像组学模型（Rad.G1w G4）的AUC值为0.788（95%CI,0.737-0.838）;Group 4的独立影像组学模型（Rad.G4）的AUC值为0.815（95%CI,0.768-0.862）。Delong test对比不同模型的AUC显著性检验发现,在内部验证集和外部验证集中Rad.G1.G4 vs Rad.G4相比无统计学意义。训练集中将Group 1影像组学模型直接应用于Group 2患者（Rad.G1.G2）的AUC值为0.773（95%CI,0.723-0.822）;Group 2的独立影像组学模型（Rad.G2）的AUC值为0.786（95%CI,0.739-0.833）;将Group 1综合模型直接应用于Group 2患者（COMB.G1.G2）和Group 2的独立综合模型（COMB.G2）的AUC值分别为0.860（95%CI,0.822-0.899）和0.869（95%CI,0.832-0.906）;Delong test结果表明模型之间的AUC值比较（Rad.G1.G2 vs Rad.G2,COMB.G1.G2 vs COMB.G2）,差异均无统计学意义（P＞0.05）。将Group 1综合模型直接应用于Group 3患者（COMB.G1.G3）的AUC值为0.811（95%CI,0.755-0.867）;Group 3的独立综合模型（COMB.G3）的AUC值为0.817（95%CI,0.763-0.872）;Delong test比较发现两模型的AUC值差异不存在统计学意义。结论:血肿区和血肿周围水肿区的关键影像组学特征对于临床模型的预测准确性具有明显的正改善。超急性期ICH患者预后预测的影像组学模型及综合模型可以适用于OIT＜72小时内的所有患者,可以实现ICH患者预后的早期准确预测,为不同OIT患者预后个性化评估提供有效方法,为ICH患者的治疗提供建议。