颅内动脉粥样硬化责任斑块特征判别的影像组学研究

目的探讨基于高分辨率磁共振成像(high-resolution magnetic resonance imaging,HR-MRI)的定量影像组学方法区分颅内动脉粥样硬化责任斑块与非责任斑块的能力。方法回顾性分析2013年9月至2016年10月期间在海军军医大学附属长海医院接受HR-MRI检查的大脑中动脉和基底动脉狭窄患者。测量责任斑块和非责任斑块的最小管腔面积、斑块负荷、管腔狭窄程度、斑块内出血(intraplaque hemorrhage,IPH)、强化率以及109个定量影像组学特征。对于临床特征和传统斑块形态学特征,采用多变量logistic回归模型确定责任斑块的独立危险因素。采用随机森林监督式机器学习方法确定区分有症状斑块与无症状斑块的影像组学特征。构建有症状斑块的受试者工作特征(receiver operating characteristic,ROC)曲线,利用曲线下面积(area under the curve,AUC)描述诊断效能。结果研究期间共纳入158名受试者,年龄(59.42±11.62)岁。75例患者的斑块位于大脑中动脉,83例患者的斑块位于基底动脉;有症状患者111例,无症状者47例。多变量logistic回归分析显示,吸烟优势比(odds ratio,OR)2.724,95%可信区间(confidence interval,CI)1.200~6.183]、IPH(OR 11.340,95%CI 1.441~89.221)和强化率(OR 6.865,95%CI 1.052~44.802)是责任斑块的独立危险因素。这3种特征预测有症状斑块的AUC分别为0.605、0.584和0.590,三者结合可提高对颅内动脉粥样硬化责任斑块的检验效能,AUC可达0.714。影像组学分析表明,从T2加权成像、T1加权成像和对比增强T1加权成像中提取的22个影像组学特征与责任斑块有关,其AUC分别为0.801、0.835和0.846。所有形态学及影像组学特征组合后AUC可达0.976,准确率为84.7%,但与全部影像组学特征组合的AUC(0.953)相比差异并无统计学意义(P=0.275)。结论影像组学分析能准确区分颅内动脉粥样硬化的责任斑块和非责任斑块,且优于传统形态学方法。

Identification of culprit plaques characteristics of intracranial atherosclerosis: a radiomic study

Fu Bei;Shi Zhang;Tian Bing;Peng Wenjia;Tian Xia;Zhang Xuefeng;Liu Qi;Lu Jianping(Changhai Hospital Affiliated to Naval Medical University,Shanghai 200433,China)