基于临床特征及平扫CT影像组学特征模型预测早期脑出血血肿扩大的价值

摘要

目的:探讨基于临床特征和平扫CT影像组学特征机器学习模型预测早期脑出血血肿扩大(HE)的价值。方法:收集2018年1月至2020年5月温州医科大学附属第二医院急性早期自发性脑出血患者261例,根据是否存在早期HE分为HE组和非HE组,并将所有样本按7:3随机分为训练集(182例)和验证集(79例)。采用3D Slicer软件对病灶感兴趣区进行勾画。提取影像组学特征并收集患者的临床特征(人口统计学特征、CT影像学特征)。使用最小绝对值收缩和选择算子(LASSO)对影像组学特征进行筛选,保留非零系数特征;采用单因素分析及多因素Logistic回归分析筛选独立危险因素。根据筛选出的特征分别构建临床、影像组学及混合逻辑回归(LR)模型以预测早期脑出血血肿是否扩大。采用受试者工作特征曲线(ROC)及曲线下面积(AUC)对模型的预测效能进行评估。结果:从CT影像中共提取396个影像组学特征,经LASSO算法降维后筛选出7个具有鉴别意义的影像组学特征。收集临床特征共计10个,经单因素分析及多因素Logistic回归分析后,发现漩涡征、黑洞征、形状不规则是HE的独立危险因素(P<0.05)。影像组学模型、临床模型及混合模型预测效能:训练集中AUC分别为0.924、0.836和0.968,特异度分别为91.4%、81.0%和95.2%,敏感度分别为81.8%、78.4%和84.4%;验证集中AUC分别为0.919、0.796和0.929,特异度分别为81.8%、77.5%和88.1%,敏感度分别为76.1%、64.5%和80.4%。结论:基于临床及CT影像组学特征构建的LR模型对HE具有一定的预测效能。