0 前言

       颅内动脉粥样硬化性狭窄（intracranial atherosclerotic stenosis, ICAS）是缺血性卒中最常见的病因，其中，亚洲人群的发病率最高^[1]。既往研究表明，缺血性卒中的二级预防治疗策略取决于脑卒中的发病机制，不同机制的缺血性卒中在抗血小板治疗和他汀类药物治疗方面具有不同的治疗效果^{[2, 3]}。ICAS相关的缺血性卒中机制包括动脉到动脉栓塞（artery-to-artery, AA）、穿支闭塞性疾病（branch occlusive disease, BOD）、低灌注以及多种机制并存的混合型^[4]。其中，混合型机制卒中复发的风险最高^{[5, 6]}。因此，确定特定的中风机制有助于改善患者的治疗及预后。扩散加权成像（diffusion weight imaging, DWI）是一种高度敏感且特异的检测梗死灶的成像方法^{[7, 8]}。过去的研究认为梗死的分布特点与卒中的亚型存在一定的关联，例如心源性栓塞通常表现为同时累及前后循环的皮质病变，小血管闭塞表现为单发的小于20 mm的皮质下病变等^{[9, 10]}。而动脉粥样硬化型卒中的梗死分布既可以表现为多发的、散在的，也可以表现为单发的，进而有研究认为动脉粥样硬化型卒中的梗死分布特点也反映了不同的卒中机制^[11]。随着神经影像学的进展，高分辨磁共振成像（high resolution magnetic resonance imaging, HR-MRI）的出现为斑块形态与卒中机制的相互作用提供了新的见解^{[12, 13]}。例如在前循环中BOD患者的斑块更靠近穿支动脉的开口，狭窄程度和强化程度均小于AA患者^[14]。在后循环中长度短、负荷低、表面规则的斑块更容易引起穿支动脉闭塞^[15]。然而，尚没有相关研究探索混合型卒中机制与斑块之间的关联。

       因此本研究的目的在于通过分析缺血性卒中患者HR-MRI颅内责任斑块的传统影像特征及影像组学特征，建立并验证混合型卒中机制的机器学习预测模型，以提示临床采取个性化的措施，进行卒中复发的早期预防与治疗

1 材料与方法

1.1 研究对象

       回顾性分析2016年12月至2022年1月因缺血性脑卒中于金陵医院入院治疗并完成HR-MRI检查的患者病例。纳入标准：（1）急性/亚急性缺血性中风（≤8 W）^{[16, 17]}；（2）颅内动脉狭窄50%～99%；（3）扩散加权成像（diffusion weight imaging, DWI）上病变与责任血管相匹配；（4）动脉粥样硬化危险因素≥1，包括高血压、糖尿病、高胆固醇血症或吸烟^{[16, 17]}。排除标准：（1）非动脉粥样硬化性颅内动脉疾病，包括血管炎、烟雾病、夹层、可逆性脑血管收缩综合征、颅内血管扩张；（2）同侧颅外颈动脉明显狭窄（＞50%）；（3）疑似心源性卒中；（4）凝血障碍；（5）图像质量差。本研究遵守《赫尔辛基宣言》，由金陵医院（东部战区总医院）伦理委员会批准，免除了受试者知情同意（批准文号：2022DZGZR-074）。

1.2 仪器与方法

       使用3.0 T MRI系统（GE Discovery 750; GE Healthcare, Waukesha, Wisconsin, USA），32通道头部线圈。MRI扫描方案包括常规头颅MRI，3D时间飞跃磁共振血管成像（time-of-flight magnetic resonance angiography, TOF-MRA）、二维（two dimensional, 2D）高分辨率黑血T2加权快速自旋回波序列、增强前后的3D高分辨率黑血T1加权快速自旋回波序列。（1）3D TOF MRA扫描参数：TR 20.0 ms，TE 3.4 ms，FOV 24.0 cm×21.1 cm，层厚1.4 mm，激励次数（number of excitations, NEX）1；（2）2D CUBE T2WI扫描参数：TR 3400.0 ms，TE 57.6 ms，FOV 13.0 cm×13.0 cm，层厚2 mm，层数12，层间距0.2 mm，回波长度（echo train length, ETL）19，NEX 4，矩阵320×256；（3）3D CUBE T1WI扫描参数：TR 560.0 ms，TE 15.9 ms，翻转角90°，FOV 20.4 cm×18.4 cm，矩阵320×256；层厚0.8 mm，层数120，ETL 24，NEX 2，空间分辨率0.7 mm×0.6 mm×0.6 mm。以2 mL/s的速度注射0.1 mmol/kg 钆喷替酸葡甲胺（北京北陆药业股份有限公司，北京，中国），然后注射15 mL生理盐水，获得对比增强T1加权图像。

1.3 梗死机制评估

       梗死机制的评定参照既往的文献报道^[5]，分为几种类型。（1）BOD型：皮层下单个穿支动脉供血区的孤立性梗死；（2）AA型：单个或多个小的皮层性梗死或单发的区域性梗死，并且在血管分布区内不存在与之相关的分水岭区梗死；（3）低灌注型：边界区（或分水岭区）有单个或多个梗死灶，而没有皮层或区域性梗死灶；（4）混合型：同时存在以上两种或三种梗死机制。本研究根据梗死机制将患者分为混合型机制组和非混合型机制组。卒中机制的评定由两位副主任医师（分别具有8年、10年的神经影像诊断经验）独立进行评估，若存在分歧由两位医师协商决定。

1.4 斑块影像学特征评估

       使用后处理工作站（Advantage workstation 4.6, GE Healthcare）对血管壁序列进行三维重建、参数评估及测量。选择责任血管最狭窄处病变为责任斑块，邻近或对侧正常管壁作为参照，手动测量斑块的长度、厚度、狭窄程度、重构指数、斑块负荷、强化比率。管腔狭窄程度=（1-最狭窄处血管直径/正常血管直径）×100%^[18]。斑块负荷=（1-最狭窄处管腔面积/血管面积）×100%^[19]。强化比率=（增强后的信号强度-增强前的信号强度）/增强前的信号强度^[20]。重构指数=最狭窄处血管面积/参考血管面积。重构类型被划分为3类：正性重构（即重构指数＞1.05）、负性重构（即重构指数＜0.95）、无明显重构（即重构指数为0.95～1.05）^[21]。斑块强化程度：0级为斑块强化程度与正常血管壁相似；1级为斑块强化程度高于正常血管壁而小于垂体柄；2级为斑块强化程度大于等于垂体柄^[20]。斑块内出血定义为斑块内部或其腔面最亮处的信号强度大于邻近灰质的信号强度的1.5倍^[22]。斑块表面不规则定义为斑块腔面不连续、破溃^[23]。

1.5 影像组学特征提取

       使用开源软件ITK-SNAP（版本3.8.0，www.itksnap.org.）手动勾画分割斑块。为避免数据异质性偏差，在相同分辨率下，将图像重采样至0.5 mm×0.5 mm×0.5 mm，并在0～100的范围内对其强度进行分级，然后进行影像组学特征提取。使用深睿多模态研究平台（https://keyan.deepwise.com, v1.6.3.8）（Beijing Deepwise & League of PHD Technology Co., Ltd, Beijing, China）提取影像组学特征，包括一阶、二阶以及高阶特征，高阶特征包括灰度共生矩阵、灰度大小区域矩阵、灰度游程矩阵和灰度差异矩阵等。斑块的影像分析采用双盲法，由两位影像诊断医师，包括一位初级医师（3年的血管壁成像经验）及一位副主任医师（8年的血管壁成像经验）独立进行评估。

1.6 预测模型的构建

       使用多元回归分析中P＜0.05的变量构建传统模型。影像组学模型的构建包括以下步骤：（1）去除Pearson相关性分析大于0.8的组学特征；（2）通过方差分析选择所有特征中的前1%；（3）筛选完特征后，使用AdaBoost算法构建影像组学模型。所有的数据按7∶3的比例随机分为训练集和测试集。

1.7 统计学分析

       正态分布的检验使用Kolmogorov-Smirnov检验。定量变量描述为平均值±标准差或中位数（四分位间距）。正态分布数据采用t检验，非正态分布数据采用Mann-Whitney U检验。分类变量以例数（百分比）描述，并使用卡方检验进行比较。使用组内相关系数（intraclass correlation coefficient, ICC）评价两位影像医师的一致性。采用ROC曲线分析各模型的鉴别能力，并使用Delong检验进行比较。双侧P值＜0.05为差异具有统计学意义。

2 结果

2.1 一般资料

       最终纳入137例急性/亚急性期颅内动脉粥样硬化型缺血性卒中的患者，其中67例中风患者确认为混合型机制，70例中风患者确认为非混合型机制，包括40例动脉到动脉栓塞型，26例原位穿支闭塞型以及4例低灌注型。混合型机制组患者的平均年龄为58岁，44例（65.7%）为男性，平均体质量指数（body mass index, BMI）为24.91，症状发生至影像采集的间隔时间为14天，其中有48例（71.6%）进行了药物治疗，19例（28.4%）进行了血管内治疗。两组患者在人口学资料（年龄、性别、BMI、影像采集时间间隔）、动脉粥样硬化危险因素（高血压病、糖尿病、血脂异常、高同型半胱氨酸血症、吸烟史、饮酒史、卒中史、冠心病史）及治疗方式上差异均无统计学意义（P＜0.05；表1）。

点击查看表格

表1  混合型梗死机制患者临床基线资料比较
Tab. 1  Comparison of baseline characteristic between groups with mixed stroke mechanism or not

2.2 斑块影像学特征

       在单因素分析中，混合型机制组患者的强化比率显著高于非混合型机制组（分别为1.31、1.01，P=0.003＜0.05，表2），斑块的长度、厚度、最大斑块面积、斑块负荷、狭窄程度、重构指数、表面不规则、斑块内出血、重构模式、强化程度以及斑块位置在两组间差异均无统计学意义（P＞0.05）。多因素分析中，斑块的强化比率与混合型机制独立相关（OR=2.77，95% CI：1.44～5.32，P=0.002＜0.05）。在传统模型中，训练集的AUC为0.676（95% CI：0.565～0.787），测试集的AUC为0.568（95% CI：0.390～0.746），见表3。两位医师传统斑块的影像学特征的ICC为0.802～0.929。图1和图2分别为混合型机制与非混合型机制的病例示例图。

点击查看大图

图1  混合型卒中机制患者的扩散加权成像（DWI）及高分辨磁共振成像（HRMRI）图像。女，56岁，右侧大脑中动脉狭窄伴缺血性卒中。1A、1B为DWI图像，显示分水岭区、皮层及皮层下多发的高信号，判定为低灌注型及动脉到动脉栓塞型并存的混合型卒中机制；1C为T1WI的平扫图像，显示狭窄部位偏心性增厚的斑块；1D为对比增强后的T1加权成像（CE-T1WI），显示斑块明显强化，强化比率为1.07。
Fig. 1  Diffusion-weighted imaging (DWI) and high-resolution magnetic resonance imaging (HRMRI) images in patients with mixed stroke mechanisms. A 56-year-old woman had ischemic stroke with right middle cerebral artery stenosis. 1A and 1B are DWI images showing multiple hyperintensities in the watershed area, cortex and subcortex, which is determined to be mixed stroke mechanism of hypoperfusion and artery-to-artery embolism; 1C is T1WI image showing an eccentric thickening plaque at the stenosis site; 1D is contrast-enhanced T1-weighted imaging (CE-T1WI), showing strong plaque enhancement with a ratio of 1.07.

点击查看大图

图2  非混合型卒中机制患者的弥散加权成像（DWI）及高分辨磁共振成像（HRMRI）图像。男，73岁，基底动脉狭窄伴缺血性卒中。2A、2B为DWI图像，显示脑桥片状高信号，判定为穿支闭塞型卒中机制；2C为T1WI的平扫图像，显示狭窄部位偏心性增厚的斑块；2D为对比增强后的T1加权成像（CE-T1WI），显示斑块轻度强化，强化比率为0.88。
Fig. 2  Diffusion-weighted imaging (DWI) and high-resolution magnetic resonance imaging (HRMRI) in patients with non-mixed stroke mechanisms. A 73-year-old man had ischemic stroke with basilar artery stenosis. 2A and 2B are DWI images showing patchy hyperintensity in the pons, which is determined to be the stroke mechanism of branch occlusive disease; 2C is T1WI image showing an eccentric thickening plaque at the stenosis site; 2D is contrast-enhanced T1-weighted imaging (CE-T1WI), showing mild plaque enhancement with a ratio of 0.88.

点击查看表格

表2  颅内斑块特征预测混合型梗死机制的logistic回归分析
Tab. 2  Logistic analysis of intracranial plaque characteristics for mixed stroke mechanism

点击查看表格

表3  不同模型对混合型梗死机制的预测性能训练集
Tab. 3  Predictive ability of different models for mixed stroke mechanism

2.3 斑块影像组学特征

       从3D CUBE T1WI和3D CUBE 对比增强T1WI（contrast-enhanced T1WI, CE-T1WI）中每个序列提取到1906个影像组学特征。通过Pearson相关分析以及方差分析筛选后，最终保留12个影像组学特征，用于构建影像组学模型，包括5个来自T1WI序列的特征和7个来自CE-T1WI序列的特征（表4）。在训练集中影像组学模型的AUC为0.906（95% CI：0.849～0.964），测试集的AUC为0.828（95% CI: 0.704～0.951）。传统特征与影像组学联合构建的联合模型AUC值最高，训练集为0.917（95% CI: 0.864～0.969），测试集为0.837（95% CI:0.708～0.966），见表3。在训练集（P＜0.001,P＜0.001）和测试集（P=0.022, P=0.019）中，影像组学模型和联合模型的ROC曲线均显著优于传统模型。然而，联合模型在训练集和测试集中与影像组学模型相比差异均无统计学意义（P=0.789,P=0.921；图3）。两位医师斑块的影像组学特征的ICC为0.747～0.894。

点击查看大图

图3  各模型的受试者工作特征（ROC）曲线。3A：各模型在训练集中的曲线下面积（AUC）；3B：各模型在验证集中的AUC。
Fig. 3  Receiver operating characteristic (ROC) curves of all the models. 3A: Area under the curves (AUCs) of models in the training set; 3B: AUCs of models in the test set.

点击查看表格

表4  影像组学模型的建模特征
Tab. 4  Features of radiomics model

3 讨论

       本研究发现混合型卒中机制患者的颅内动脉斑块具有更高的强化比率，并且与混合型机制独立相关。由强化比率构建的传统模型能够预测混合型卒中机制，但预测效能欠佳。而使用基于3D HR-MRI 颅内动脉斑块影像组学建立的预测模型在训练集和测试集中均具有较高的诊断效能。本研究首次使用基于斑块的影像组学的方法预测卒中机制，有助于实现缺血性脑卒中的个性化防治，改善患者的预后。

3.1 斑块强化与混合型梗死机制

       斑块的强化是由于新生血管、炎症和内皮功能障碍导致的钆泄漏，是易损斑块的重要特征^[24]。YANG等^[25]的研究得到斑块的强化比率与卒中复发独立相关。本研究发现斑块的强化比率与混合型卒中机制相关，表明斑块的稳定性与卒中机制存在着内在的联系。KIM等^[26]的研究也表明不同的斑块特征对应着不同的梗死模式，而强化的不稳定斑块与多发性脑梗相关。混合型卒中机制通常表现为低灌注合并动脉-动脉栓塞，由于血流动力学的损害被认为既促进血栓的形成又减少远端栓子的“清除”，这两种机制通常呈现一种互补的关系^[27]，从而造成更严重的脑损伤。混合型卒中机制也通常表现为多发性的脑梗，并且有研究认为多发性梗塞是卒中复发的独立预测因素^[28]。在JING等^[29]的研究中，多发性脑梗患者从双重抗血小板治疗中的临床获益最显著，因此对于斑块易损性与卒中机制的认识也能为脑卒中的个性化防治提供新的思路。

3.2 影像组学在颅内斑块应用的可行性

       影像组学是一种基于图像的计算机辅助方法，不但能够反映疾病的异质性，还能够通过改善诊断、治疗决策来提高预后^[30]。近年来，影像组学越来越多地用于动脉粥样硬化性疾病，特别是在斑块易损性方面。ZHANG等^[31]建立了一个基于颈动脉斑块MRI的影像组学模型来识别高危颈动脉斑块，AUC高达0.964。SHI等^[16]使用影像组学的方法实现了基于2D HR-MRI颅内急性/亚急性症状性斑块和无症状斑块的鉴别，AUC达到了0.974。此外，CHENG等^[32]实现了基于CT血管成像的颈动脉斑块影像组学预测支架内再狭窄，测试集的AUC达到了0.82。KOLOSSVÁRY等^[33]基于冠状动脉CT血管成像的斑块的影像组学实现了常规危险因素、可卡因使用与艾滋病感染的不同致病机制的精准分型。本研究使用基于3D颅内斑块影像组学的方法预测梗死机制，模型也显示出良好的鉴别能力，在测试集中AUC达到了0.828。尽管目前的斑块组学研究是一些探索性的尝试，但良好的结果表明影像组学在颅内斑块的应用是具有巨大潜力的。

3.3 影像组学预测模型的诊断性能

       影像特征通常是观察者对于病灶的大小、形状和质地的简单测量和归纳，是受限于肉眼的分辨力和个体的经验的，而影像组学则可能包含成百上千个表述大小、形状和纹理的特征，获得的信息远比传统的影像特征丰富^[34]。因此，在目前的一些研究中，影像组学模型通常是显著优于传统模型的。在LIN等^[35]的冠脉斑块的研究中，单独的影像组学模型识别责任斑块显著优于传统的定量及定性斑块特征构成的模型，AUC分别为0.84及0.76。HUANG等^[36]使用基于超声的影像组学模型对颈动脉斑块进行分类，结果也表现出比传统模型更好的性能，在测试集中的AUC分别为0.922及0.580。在我们的研究中，影像组学模型在预测梗死机制方面也显著高于传统的斑块特征构建的模型，测试集中的AUC分别为0.828与0.568。这也意味着在动脉粥样硬化疾病中，影像组学比传统影像特征更能体现斑块的异质性，有助于实现卒中的个性化防治。

3.4 本研究的局限性

       本研究存在一定的局限性：（1）该研究为单中心回顾性研究，存在一定的偏倚，模型的预测价值需要进一步多中心前瞻性研究验证；（2）本研究只纳入了症状性患者，未来将进一步纳入无症状患者进行验证；（3）手动勾画斑块感兴趣区及测量影像特征耗时长，且存在一定的观察者间差异，需要进一步开发自动化或半自动化的测量工具。

4 结论

       综上所述，颅内动脉粥样硬化斑块的HR-MRI影像特征与ICAS相关的中风机制具有一定的相关性，基于斑块的影像组学能够有效预测混合型卒中机制，并具有较高的诊断性能。未来将进一步通过斑块的影像组学实现包括AA及BOD等在内的不同卒中机制的鉴别，以帮助临床实现卒中的风险分层，采取针对性的治疗措施。