基于深度学习的放射组学模型：非增强CT鉴别脑静脉血栓所致脑实质血肿的新策略

《Scientific Reports》：A deep learning based radiomics model for differentiating intraparenchymal hematoma induced by cerebral venous thrombosis

　　本研究旨在解决脑静脉血栓(CVT)所致脑实质血肿在急诊非增强CT(NECT)中难以与其他病因血肿鉴别这一临床难题。研究人员开发了一种融合深度学习(DL)与传统放射组学特征的深度学习放射组学列线图(DLRN)模型。结果表明，该模型在外部测试队列中曲线下面积(AUC)达0.911，显著优于单一特征模型。这项研究为急诊室快速、无创诊断CVT相关血肿提供了创新工具，对改善患者预后具有重要意义。

　　

在急诊室的紧张氛围中，一位突发头痛伴意识障碍的患者被紧急推送至CT室。非增强头颅CT(NECT)扫描显示脑内血肿，但病因成谜——是常见的高血压脑出血？还是更为凶险却易漏诊的脑静脉血栓(CVT)所致出血？这个诊断困境正是神经科医师每日面临的现实挑战。脑静脉血栓是一种相对罕见但致死率较高的脑血管疾病，其年发病率约为每百万人15-20例。由于临床表现缺乏特异性，加之急诊医师对该病认识不足，CVT的误诊率高达51.6%。更棘手的是，约40%的CVT病例会继发颅内出血，而这正是预后不良的独立危险因素。

当前临床实践面临的核心难题在于：CVT相关血肿在常规NECT上与其他病因（如高血压、脑血管淀粉样变性、动静脉畸形）所致血肿难以区分。虽然"小灶近皮质出血"被认为是关键征象，但仅部分患者出现此特征。而静脉窦血栓的特异性征象如"高密度三角征"和"索条征"对皮质静脉血栓的诊断特异性不足。这种鉴别诊断的困难直接导致治疗延误——CVT的标准治疗方案是抗凝治疗，这与动脉性脑出血的治疗原则截然相反。因此，开发一种能够快速、准确区分CVT相关血肿的辅助诊断工具成为临床迫切需求。

针对这一挑战，吴贤群等人发表在《Scientific Reports》的研究开创性地将深度学习与放射组学相结合，构建了一种基于NECT的深度学习放射组学列线图(DLRN)模型。这项多中心研究纳入了2013年1月至2021年1月期间275例脑实质出血患者，分别来自两家医疗中心：训练集192例（46例CVT相关，146例其他病因），外部测试集83例（24例CVT相关，59例其他病因）。

研究采用的关键技术方法包括：使用3D Slicer软件进行血肿手工分割；通过PyRadiomics平台提取传统放射组学特征（包括几何、强度和纹理特征等1834个特征）；利用预训练的ResNet101卷积神经网络提取深度学习特征；采用合成少数类过采样技术(SMOTE)平衡数据；通过最小绝对收缩和选择算子(LASSO)回归进行特征筛选；最终通过多因素逻辑回归构建融合临床特征（癫痫）的DLRN模型。

特征筛选与模型构建

经过严格的特征筛选流程，研究最终确定了16个手工特征和3个深度学习特征用于构建深度学习放射组学(DLR)特征。特征重要性分析显示，最具判别力的两个特征分别来自传统放射组学和深度学习特征集。在临床特征分析中，研究发现癫痫是唯一具有统计学意义的鉴别因素(P=0.001)，而年龄、高血压和头痛均无显著差异。最终构建的DLRN模型将DLR特征与癫痫这一临床特征相结合，形成了综合预测工具。

模型性能比较

在外部测试队列中，DLRN模型展现了卓越的鉴别性能，曲线下面积(AUC)达到0.911（95%置信区间：0.827-0.996），准确率、敏感性和特异性分别为0.904、0.792和0.949，显著优于单一特征模型。传统放射组学模型和深度学习模型的AUC分别为0.791和0.831，而融合两者特征的DLR模型AUC为0.904，表明特征融合能有效提升模型性能。决策曲线分析(DCA)进一步证实，DLRN模型在较宽的概率阈值范围内都能提供最大的临床净收益。

模型校准与稳定性

校准曲线显示DLRN模型的预测概率与实际观察结果高度一致，Hosmer-Lemeshow拟合优度检验证实了模型的良好校准度。组内和组间相关性分析显示，特征提取具有高度可重复性（类内相关系数>0.80），保证了模型的稳定性和可靠性。

研究讨论部分深入分析了CVT相关血肿的影像学基础。与动脉性出血相比，静脉性血肿因血浆成分较高、细胞成分较少而质地较软，更易溶解，在CT上表现为较低密度和云雾状外观伴模糊边界。静脉出血速度缓慢，血肿沿白质纤维束扩散，多分布于皮质-白质交界区。这些病理生理特点为放射组学特征鉴别提供了生物学基础。

该研究的创新点在于首次将深度学习特征与传统放射组学特征融合应用于CVT相关血肿的鉴别诊断，并构建了易于临床应用的列线图模型。与传统方法相比，该模型仅需急诊常规进行的NECT扫描，无需对比剂增强，大大提高了诊断的便捷性和安全性。特别是在COVID-19相关CVT发病率上升的背景下，这一工具更具现实意义。

研究的局限性包括回顾性设计可能引入选择偏倚，样本量相对有限，以及手动分割血肿的主观性。未来研究可通过前瞻性多中心设计、扩大样本量并结合自动分割算法进一步验证和优化模型。

综上所述，这项研究成功开发并验证了一种基于NECT的深度学习放射组学列线图，能够准确区分CVT相关脑实质血肿与其他病因血肿。该模型在急诊场景下具有重要应用价值，可为临床医师提供快速、无创的决策支持工具，促进CVT的早期诊断和及时治疗，最终改善患者预后。这一研究成果代表了人工智能在神经影像领域应用的重要进展，为罕见但危重的脑血管疾病诊断开辟了新途径。