基于临床-MRI-影像组学的机器学习模型实现脑室周围白质软化症的早期风险分层

　　来自国内的研究人员为早期识别脑室周围白质软化症（PVL），开发了一种整合临床、MRI及影像组学特征的预测模型。该研究通过多中心验证显示，联合模型（Model C+M+R）在外部验证队列中AUC达0.96，显著提升风险分层能力，为高危婴儿的早期干预提供重要工具。

　　

通过整合临床指标、MRI影像特征与影像组学（Radiomics）数据，研究人员开发了一种可解释的机器学习模型，用于早期预测高危婴儿的脑室周围白质软化症（Periventricular Leukomalacia, PVL）。研究纳入217名2015–2022年间存在运动异常风险的婴儿，按MRI扫描设备分为训练集（n=124）、内部验证集（n=31）与外部验证集（n=62）。

从轴位MRI序列的白质区域中提取影像组学特征后，研究采用T检验、相关性过滤、随机森林（Random Forest）与LASSO回归进行特征筛选。最终保留的预测因子包括临床变量：孕周（Gestational Age）、新生儿低血糖（Neonatal Hypoglycemia）、缺氧缺血事件（Hypoxic-ischemic Events）与感染（Infection）；以及MRI特征：侧脑室扩张（Dilated Lateral Ventricle）、髓鞘形成延迟（Delayed Myelination）和脑室周围异常信号（Periventricular Abnormal Signal）。

研究构建了五种预测模型：临床模型（Model C）、MRI模型（Model M）、临床+MRI模型（Model C+M）、纯影像组学模型以及全整合模型（Model C+M+R）。经内部测试、Bootstrap抽样与外部队列验证，全整合模型（C+M+R）表现最优，在外部验证队列中曲线下面积（AUC）达0.96（95% CI: 0.90–1.00），准确率0.87，灵敏度0.88，特异性0.85，阳性预测值（PPV）0.96，阴性预测值（NPV）0.65。与Model C+M相比，全模型显示出显著的重分类改善（NRI=0.631, p<0.001）与判别能力提升（IDI=0.037, p=0.020）。

该研究表明，基于常规MRI的影像组学特征可显著增强PVL的风险分层能力。这一可临床应用的透明化模型为高危婴儿的早期评估与针对性干预提供了新工具。