European Radiology：放射组学在检测脑干梗死方面的价值

据统计，脑干梗塞占所有急性缺血性脑卒中的10%，并可导致严重的神经功能障碍和死亡，因此早期诊断和早期干预至关重要。磁共振成像（MRI）在检测早期脑干梗死（EBI）方面有很高的敏感性。然而，有些病人因为有禁忌症而不能接受MRI检查。平扫计算机断层扫描(NCCT)是传统急性卒中管理过程中的首选检查方法。不幸的是，在症状出现的早期，很难在NCCT图像上识别出卒中受影响的区域。其中，NCCT对EBI的检测率非常低，而且图像容易受到骨化颅骨伪影的影响。

放射组学使用自动数据挖掘算法，可将医学影像数据转化为一般粗略观察无法识别的高维定量特征，一种新兴的定量技术。放射组学可以从现有医学图像的纹理信息中提取特征，并将其转换为基于图像的定量数据，随后可以使用常规生物统计学、机器学习方法和人工智能方法进行分析。现阶段，放射组学已被用于不同的临床应用，并取得了良好的诊断效果。然而，据我们所知，还没有关于使用放射组学特征来检测NCCT上的EBI的相关报道。

近日，发表在European Radiology杂志的一项研究开发并验证了一项基于放射组学特征的可以识别NCCT上的早期脑干梗塞（RMEBIs）的机器学习模型，为临床对该类患者的早期识别及诊断提供了技术支持。

本项回顾性研究将华山医院建立的多中心多模态数据库中的355名参与者随机分为两个数据集：训练队列（70%）和内部验证队列（30%）。同时将来自徐州医科大学第二附属医院的57名参与者纳入外部验证队列。脑干由NCCT的放射学委员会进行分割，其中1781个放射组学通过自动计算得出。在选择相关特征后，在训练队列中评估了7个机器学习模型以预测早期脑干梗塞。使用准确性、敏感性、特异性、阳性预测值、阴性预测值、F1分数和接受者操作特征曲线下的面积（AUC）来评估预测模型的性能。

多层感知器（MLP）RMEBI在内部验证队列中显示出最佳性能（AUC：0.99[95% CI：0.96-1.00]）。外部验证队列中的AUC值为0.91（95%CI：0.82-0.98）。

 图 这些预测模型在内部验证队列中的ROC曲线

本项研究结果表明，在常规临床实践中使用RMEBIs可使NCCT患者的EBI得到准确的诊断，可对减少临床治疗决策时间具有重要的临床价值。ML模型可以被整合到临床工作流程中，以协助临床医生更加有效地对急性脑干梗塞患者进行治疗及评估。

原文出处：

Haiyan Zhang,Hongyi Chen,Chao Zhang .A radiomics feature-based machine learning models to detect brainstem infarction (RMEBI) may enable early diagnosis in non-contrast enhanced CT.DOI:10.1007/s00330-022-09130-6