0 引言

       急性缺血性脑卒中（acute ischemic stroke, AIS）是临床常见的危重脑血管疾病，根据全球疾病负担报告显示，AIS已成为全球第二大致死性和第三大致残性疾病^[1]。出血转化（hemorrhagic transformation, HT）是急性缺血性脑卒中（acute ischemic stroke, AIS）的显著不良预后^[2]，其发生是由于急性脑梗死后缺血脑组织血脑屏障的破坏，血流再灌注损伤导致的继发性出血^{[3, 4]}。HT的发生显著恶化患者预后及功能结果^{[5, 6]}，增加患者致残致死风险。目前，临床上迫切需要准确预测AIS患者发生HT的风险，实施个体化管理，从而降低出血并发症，提高整体治疗效果。

       目前多项研究从实验室指标^[7]、临床危险因素^{[8, 9]}及影像学征象^[10]等不同角度探讨了预测HT的方法。然而，基于单一因素或基于传统统计方法构建的预测模型通常效能有限，且在不同患者群体中存在稳定性不足等局限性，临床实践中仍缺乏高效、普适的HT鉴别工具。近年来人工智能（artificial intelligence, AI）和影像组学技术逐渐发展，为AIS后HT发生的预测表现出巨大的应用潜力。机器学习（machine learning, ML）作为AI的重要分支能够处理海量数据，并能从影像图像中提取人眼难以察觉的、与疾病发生发展或预后相关的影像特征。既往研究表明，ML可以切实预测HT^{[10, 11, 12, 13, 14]}。将ML技术应用于脑卒中影像，有望挖掘出更具预测价值的生物标记，从而提高HT预测的准确性^{[15, 16, 17]}。尽管ML在分析和预测HT方面展现出较大潜力，但以往研究往往忽视了ML与传统影像组学方法的联合，且部分研究存在样本量较小、未进行多中心验证等局限。因此，本研究旨在基于缺血性卒中溶栓后出血转化患者MRI图像建立预测出血转化的机器学习模型结合临床特征探讨其预测急性缺血性脑梗死溶栓治疗后出血转化的价值。

1 材料与方法

1.1 一般资料

       回顾性纳入并分析2021年12月至2024年10月于新疆医科大学第一附属医院（中心1）及新疆医科大学第七附属医院（中心2）首次就诊的急性缺血性脑卒中患者临床及影像学资料。将中心1收集的病例数据以7∶3的比例随机分配到训练集和内部验证集，中心2收集的病例作为外部验证集。纳入标准：（1）依据相关指南确诊为AIS^[18]；（2）年龄≥18岁且临床及影像学资料完整；（3）行溶栓治疗；（4）溶栓治疗前行MRI检查并证实未发生出血；（5）溶栓治疗后24 h内行MRI检查。排除标准：（1）影像学图像质量差严重影响图像评估（如有伪影等）；（2）颅脑外伤、颅内肿瘤破裂及颅内动静脉瘘等因素继发的脑出血；（3）参与其他研究，接受额外药物或治疗。本研究从中心1纳入624例患者，男446例，女178例，中心2共纳入106例患者，男78例，女28例。根据溶栓治疗后MRI图像有无发生出血转化，将患者分为HT组及非HT组。本研究遵守《赫尔辛基宣言》，经新疆医科大学第一附属医院及新疆医科大学第七附属医院伦理委员会审核批准，免除患者知情同意，伦理审批文号：K202302-29、20241227-004。

1.2 仪器与方法

1.2.1 扫描方案

       在中心1的所有患者治疗前后的MRI检查采用GE Architect 3.0 T磁共振扫描仪，中心2的所有患者治疗前后的MRI检查采用Philips Medical Systems 3.0 T磁共振扫描仪。常规采集每位患者轴位T1加权成像（T1-weighted imaging, T1WI）、T2加权成像（T2-weighted imaging, T2WI）、液体衰减反转恢复（fluid attenuated inversion recovery, FLAIR）及弥散加权成像（diffusion weighted imaging, DWI），配合使用48通道头颈联合线圈，扫描范围为从枕骨大孔至颅顶。医院1序列扫描参数如下，DWI扫描参数为：FOV 256 mm×256 mm，TE 82 ms，TR 3085 ms。层数26层，层厚4.0 mm，层间距1.0 mm，b值分别取0和1000 s/mm²，扫描时间为58 s。FLAIR序列扫描参数为：FOV 256 mm×256 mm，TE 256 ms，TR 5600 ms，层数26层，层厚4.0 mm，层间距1.0 mm，激励次数1，扫描时间为1 min 15 s。T1WI扫描参数为：FOV 256 mm×256 mm，TE 50 ms，TR 3738 ms，层数26层，层厚4.0 mm，层间距1.0 mm，扫描时间为55 s；T2WI扫描参数为：FOV 256 mm×256 mm，TE 120 ms，TR 3854 ms，层数26层，层厚4.0 mm，层间距1.0 mm，扫描时间1 min 20 s。

1.2.2 图像处理

       图像及临床数据预处理：采用空间归一化来减少体素间距变化的影响。将扫描得到的原始图像经过固定分辨率重采样为1 mm×1 mm×1 mm的体素大小，以此标准化体素大小。此外，使用Z分数标准化（零均值归一化）对临床数据进行标准化。

       感兴趣区域（region of interest, ROI）勾画：将预处理得到的MRI图像匿名处理后以DICOM格式导入数坤科研平台，由两位具有10年以上工作经历的MRI诊断医师（均为副主任医师）共同阅片并在患者溶栓前的MRI-DWI b值=1000 s/mm²图像上进行ROI勾画，其两位医师对患者的分组均不知情，沿急性梗死灶（DWI高b值为高信号）边缘手动逐层进行勾画，对ROI勾画意见不一致时进行协商讨论解决，以评估影像特征的可靠性与一致性。将DWI勾画完成的ROI依次复制到T1WI、T2WI以及FLAIR序列上。最后导出各序列的ROI用于后续影像组学模型的构建。

1.2.3 模型构建

       临床因素模型：收集急性缺血性脑卒中患者的人口学资料[性别、年龄、发病时间、身体质量指数（body mass index, BMI）]、临床资料[高血压史、糖尿病史、房颤史、吸烟史、饮酒史等（吸烟和饮酒史均指6个月之前仍有吸烟或饮酒习惯）]以及实验室指标（凝血指标、空腹血糖水平、甘油三酯水平、白细胞介素-6、血同型半胱氨酸水平等）。经过单因素及多因素logistic分析，筛选出与HT有关的独立影响因素并建立临床因素模型。

       影像组学模型：使用“PyRadiomics”的Python软件包，对组学特征进行降维筛选。采用支持向量机（support vactor machine, SVM）从影像数据中提取关键特征。采用组内相关系数（intraclass correlation coefficient, ICC）评价两位医师提取特征的一致性，保留ICC≥0.75的特征。特征提取过程中，采用图像预处理技术，如灰度归一化和离散化，以确保影像特征的稳定性和可靠性，对于重复性高的特征，使用Spearman等级相关系数计算特征之间的相关性，保留任意两个特征之间相关系数大于0.9的其中一个特征。特征筛选通过最小冗余最大相关算法（minimal redundancy maximal relevance, mRMR）与最小绝对收缩和选择算子（least absolute shrinkage and selection operator, LASSO）回归分析进行去除不相关的影像组学特征，最终筛选出与出血转化最相关的影像特征。所有影像组学特征均通过Pyradiomics（http://pyradiomics.readthedocs.io）实现的内部特征分析程序提取。然后，应用LASSO回归结合十折交叉验证对模型参数进行最优化。最后，将这些最佳特征输入到SVM模型中，并通过五折交叉验证构建影像组学模型。

       联合模型：联合独立临床影响因素和机器学习得分建立联合模型并构建列线图，在训练集、内部验证集及外部验证集中分别评价其HT的效能。该模型充分利用了临床信息与影像特征的互补性，以提升出血转化风险预测的准确性。模型构建示意图如图1。

点击查看大图

图1  联合模型构建示意图。
Fig. 1  Schematic diagram of the joint model construction.

1.2.4 统计学方法

       采用SPSS软件（26.0版）及Python的Statamodels（版本0.13.2）包进行统计学分析。采用Kolmogorov-Smirnov检验进行正态性检验，符合正态分布用（x¯±s）表示，不符合正态分布的采用中位数（四分位数间距）表示，对于连续变量，使用t检验或Mann-Whitney U检验分析组间差异；对于分类变量，应用χ²检验或Fisher精确检验。将单因素logistic分析中差异有统计学意义的指标纳入多因素logistic回归分析，筛选出预测出血转化发生的独立影响因素。采用ICC评价提取纹理特征的一致性，采用受试者工作特征（receiver operating characteristic, ROC）曲线及曲线下面积（area under the curve, AUC）分析模型的预测效能，采用DeLong检验比较模型之间的AUC并采用Hosmer-Lemeshow检验（H-L检验）评价各模型的拟合优度，P值>0.05表明模型拟合优度较佳；采用AUC、敏感度、特异度、准确度、阳性预测值及阴性预测值评估模型的预测效能，此外还采用决策曲线分析（decision curve analysis, DCA）检验临床适用性。P值<0.05为差异具有统计学意义。

2 结果

2.1 基线资料结果

       本研究从医院1纳入624例符合标准的AIS患者作为训练集和内部验证集，男446例，女178例，年龄范围为20~79岁，训练集共436例，其中发生HT的患者为79例，未发生HT的患者为357例，内部验证集共188例，发生HT的患者为34例，未发生HT的患者为154例；将医院2纳入的106例患者作为外部验证集，男78例，女28例，年龄范围为24~76岁，其中27例发生HT，79例未发生HT。在训练集中，体质量、BMI、收缩压、凝血活酶活动度、高密度脂蛋白、低密度脂蛋白、甘油三酯、尿酸、空腹血糖、血同型半胱氨酸、性别、类肝素药物治疗急性缺血性脑卒中试验（trial of org 10172 in acute stroke treatment, TOAST）分型、糖尿病史、房颤史、吸烟史、短暂性脑缺血发作（transient ischemic attack, TIA）等指标差异存在统计学意义，其余指标差异无统计学意义（P均>0.05）。在外部验证集中，身高、BMI、D-二聚体、凝血活酶时间、高密度脂蛋白、甘油三酯、白细胞介素-6、血同型半胱氨酸、TOAST分型、糖尿病史、饮酒史、TIA等指标存在统计学意义的差异，其余指标差异无统计学意义（P均>0.05），详见表1。

点击查看表格

表1  训练集、内部验证集和外部验证集的临床基线资料
Tab. 1  Clinical baseline characteristics of the training set, internal validation set, and external validation set

2.2 影像组学特征

       使用Mann-Whitney U检验初步筛选（P<0.05）并保留4241个具有良好组间一致性（ICC≥0.75）的特征，再通过Spearman相关性分析进一步筛选出1030个特征。接着，使用mRMR算法筛选出30个高相关性、低冗余的特征。然后，基于LASSO回归模型，通过10折交叉验证选择最优正则化参数λ，使其交叉验证误差最小，得出最佳λ值为0.015。最终使用LASSO降维得到的最佳影像组学特征数为10个，其中包括2个一阶特征、2个灰度游程矩阵特征、2个灰度共生矩阵特征及4个灰度区域大小矩阵特征。影像组学特征的LASSO系数分布图如图2A所示，最佳λ值对应的最小交叉验证误差如图2B所示，最终得到10个影像组学特征的评分直方图如图2C所示。

点击查看大图

图2  出血转化（HT）发生的影像组学特征筛选。2A：不同λ值下的最小绝对收缩和选择算子（LASSO）系数分布曲线。垂直虚线表示在最优λ值（0.015）下选择的具有非零系数的影像组学特征。2B：LASSO模型10折交叉验证的均方误差（MSE），垂直虚线表示最优λ值（0.015）。2C：基于选定特征的影像组学评分直方图。first-order：一阶特征；glcm：灰度共生矩阵特征；glszm：灰度大小区域矩阵特征；glrlm：灰度游程矩阵特征。
Fig. 2  Radiomic feature selection for hemorrhagic transformation (HT) prediction. 2A: Distribution curves of least absolute shrinkage and selection operator (LASSO) coefficients across varying λ values. The vertical dashed line indicates the optimal λ value (0.015), where radiomic features with non-zero coefficients were selected. 2B: Mean squared error (MSE) from 10-fold cross-validation of the LASSO model. The vertical dashed line corresponds to the optimal λ value (0.0115). 2C: Histogram of radiomic scores based on selected features. first-order: first-order features; glcm: Gray Level Co-occurrence Matrix features; glszm: Gray Level Size Zone Matrix features; glrlm: Gray Level Run Length Matrix features.

2.3 与出血转化相关的临床特征

       针对训练集的临床特征进行单因素logistic回归分析，显示高密度脂蛋白、男性、TIA、吸烟史、饮酒史、BMI、活化部分凝血活酶时间、体质量、收缩压、尿酸、TOSAT分型、糖尿病史以及房颤史等差异有统计学意义（P<0.05）。将训练集中差异有统计学意义的指标纳入多因素logistic回归分析，结果显示，男性（OR=0.886，95% CI：0.820~0.958，P=0.011）、TIA（OR=0.910，95% CI：0.846~0.977，P=0.031）、BMI（OR=0.975，95% CI：0.963~0.988，P=0.002）、体质量（OR=1.006，95% CI：1.001~1.010，P=0.040）、收缩压（OR=1.028，95% CI：1.002~1.065，P=0.012）、糖尿病史（OR=1.251，95% CI：1.166~1.324，P=0.001）和房颤史（OR=1.249，95% CI：1.165~1.339，P=0.001）是HT发生的独立影响因素，见表2。采用以上独立影响因素构建临床因素模型。

点击查看表格

表2  训练集临床资料单、多因素逻辑回归分析
Tab. 2  Clinical data sheet of the training set, multivariate logistic regression analysis

2.4 评估不同模型的预测效能

       ROC曲线分析显示，训练集中临床因素模型、影像组学模型及联合模型预测HT发生的AUC值分别为0.810、0.896和0.928（图3A）；在验证集中，临床因素模型、影像组学模型及联合模型预测HT的AUC值分别为0.757、0.852和 0.872（图3B）；外部验证集3个模型的AUC分别为0.720、0.804、0.828（图3C）。DeLong检验表明，联合模型在训练集、内部验证集和外部验证集中均显著优于临床因素模型（P<0.001，P<0.001，P=0.006）及影像组学模型（P=0.015，P=0.007，P<0.001）。此外，影像组学模型在所有队列中亦表现出相较于临床因素模型更佳的预测性能。Hosmer-Lemeshow拟合优度检验未发现显著拟合偏差（P均>0.05），表明各模型拟合优度较佳。DCA曲线（图4）显示联合模型的净获益率总体上高于单一模型，大部分远离两条极端曲线，相较于单个模型，联合模型的可选阈概率较大，表明联合模型的临床实用性较强；校准曲线（图5）显示联合模型在三个队列中均表现出最佳校准。训练集、内部验证集和外部验证集中各个模型预测HT发生的效能见表3。DeLong检验结果提示整合临床因素和影像组学特征的联合建模策略可显著提升模型的预测性能且具有良好的泛化能力（表4）。将临床影响因素与机器学习得分联合建立列线图（图6），使预测模型更直观便于临床评估。

       综上结果显示基于MRI的影像组学模型、临床因素模型及整合组学特征和临床因素的联合模型对HT的发生均有较好的预测效能，并且外部验证集进一步证实了模型的广泛适用性。

点击查看大图

图3  训练集（3A）、内部验证集（3B）及外部验证集（3C）的ROC曲线。ROC：受试者工作曲线；AUC：曲线下面积。
Fig. 3  ROC curve for the training set (3A), the internal validation set (3B), and the external validation set (3C). ROC: receiver operating characteristic; AUC: area under the curve.

点击查看大图

图4  训练集（4A）、内部验证集（4B）及外部验证集（4C）的DCA曲线。DCA：决策曲线分析。
Fig. 4  DCA curve for the training set (4A), the internal validation set (4B), and the external validation set (4C). DCA: decision analysis curve.

点击查看大图

图5  训练集（5A）、内部验证集（5B）及外部验证集（5C）的校准曲线。
Fig. 5  Calibration curve for the traning set (5A), the internal validation set (5B), and the external validation set (5C).

点击查看大图

图6  联合模型的列线图。Radiomics：影像组学评分；Sex：性别；TIA：短暂性脑缺血发作；BMI：身体质量指数；SBP：收缩压；Weight：体质量；DM：糖尿病史；HD：房颤史。
Fig. 6  Nomogram of the combined model. Radiomics: radiomics score; TIA: transient ischemic attack; BMI: body mass index; SBP: systolic blood pressure; Weight: weight; DM: history mellitus; HD: history of atrial fibrillation.

点击查看表格

表3  各模型诊断性能对比
Tab. 3  The diagnostic performance of each model was compared

点击查看表格

表4  临床因素模型、影像组学模型及联合模型在训练集、内部验证集及外部验证集的DeLong检验
Tab. 4  DeLong tests of the clinical factor model, radiomics model, and combined model in the training set, internal validation set, and external validation set

3 讨论

       本研究建立了预测AIS后HT的临床因素模型、影像组学模型以及联合模型，结果显示临床因素模型和影像组学模型对HT均有一定的预测价值；整合二者关键特征建立的联合模型在训练集以及内部验证集中表现均优于单一模型（内部验证集AUC=0.872），并通过外部验证集证实了基于MRI的影像组学模型具有一定的泛化能力和临床实用性。本研究以机器学习算法为基础建立预测模型，这为预测HT风险提供了一种可靠、非侵入性的方法。

3.1 与HT相关的临床风险因素分析

       HT是AIS治疗过程中常见且严重的并发症，且HT的发生显著增加了AIS的治疗难度，导致患者的致残率和死亡率显著升高^{[19, 20, 21]}。AIS患者发生HT是复杂的病理生理过程，现今研究的主流看法大多是与血脑屏障的破坏与修复失衡有关。本研究发现女性、体质量、糖尿病史、收缩压和房颤史均是HT发生的独立风险因素。与以往研究不同的是，我们发现女性是溶栓后HT发生的独立风险因素，这可能由雌激素水平的不同所致。雌激素被认为对血脑屏障有保护作用，并可减少炎症反应^[22]。然而，绝经后女性的雌激素水平下降可能削弱这一保护作用，导致HT风险增加，并且雌激素受体基因多态性可能影响女性对溶栓药物的敏感性，导致更严重的再灌注损伤^[23]。体质量异常，特别是肥胖可能通过直接或间接途径影响HT的发生过程。在肥胖状态下，脂肪组织分泌的生物活性物质（如白细胞介素-6等）显著增加，可直接破坏血脑屏障结构的完整性，增加HT发生的风险^[24]，肥胖患者通常还伴随代谢综合征，包括高血压、胰岛素抵抗及脂质代谢紊乱等，这些因素可通过多重途径促进氧化应激，加剧缺血-再灌注损伤，进一步提高HT风险^[25]。另外，从病理生理机制来看，2型糖尿病会引发一系列代谢紊乱，导致血脑屏障的渗漏，同时诱导异常血管的生成，并减少围管细胞对微血管的覆盖，这可能是诱发AIS后发生HT原因之一^[26]。房颤患者因长期服用抗凝药物，致血液成高凝状态。而溶栓治疗可能进一步破坏血液的凝血-纤溶平衡，增加脑微血管破裂的风险，这可能为血液高凝状态下促进HT发生的关键因素，并且在接受溶栓治疗的患者中，这种风险可能进一步放大，成为溶栓治疗后发生HT的协同作用^[27]。此外，在列线图中，我们发现收缩压对HT风险预测是仅次于影像组学特征的变量。在急性缺血性脑梗死前期血压会急剧升高，大多数卒中患者的血压会逐渐下降并在大概一周内趋于稳定，血压的剧烈起伏通常与患者预后相关^{[28, 29]}。CHEN等^[30]研究发现，AIS患者的血压呈现出不同的变化轨迹，这些轨迹与临床预后存在一定的相关性。LI等^[31]在研究卒中后24小时收缩压轨迹与复发性血管事件之间关系的过程中发现，无论是急性收缩压升高组还是持续性高收缩压组，其复合事件（包括复发性卒中、心肌梗死和全因死亡）的发生风险均会显著增加。此外，LIU等^[32]研究发现，溶栓后发生HT的风险与入院后24小时内收缩压的极端波动存在显著相关性，且独立于溶栓治疗时及治疗后血压水平。这可能与采用的溶栓治疗时间窗、血压监测时限及出血转化监测时限之间存在差异有关，未来需关注收缩压的变化轨迹并开展研究以明确收缩压变化与患者预后的潜在关联性。

3.2 影像组学对急性脑卒中出血转化预测的价值

       影像组学是一种非侵入性技术，这种方法能够提取肉眼无法观察的特征并反映潜在表型异质性的附加信息，提供有价值的诊断和预后信息，并指导个体化的治疗策略，影像组学对卒中的诊断^[33]、患者早期功能的变化以及治疗后预后评估等方面具有重要的应用价值^[34]。本研究基于非侵入性MRI图像，提出了HT发生的预测模型，并最终提取10个最优MRI图像特征，包括2个DWI图像特征（2个灰度大小区域矩阵特征）、4个T1WI图像特征（1个一阶特征、1个灰度共生矩阵特征及2个灰度大小区域矩阵特征）、3个T2WI图像特征（1个一阶特征及2个灰度游程矩阵特征）及1个FLAIR图像特征（1个灰度共生矩阵特征），这些图像特征可精准反映病灶内部的信息，用于揭示影像中的微观变化。最终，结合这些特征构建的影像组学模型在预测HT方面性能较为出色（内部验证集AUC=0.852），DCA曲线显示临床模型与影像组学模型临床获益相当，表明影像组学特征能通过图像体素变化间接识别梗死区出血的微观差异，从而有效评估血脑屏障的损伤状态。

3.3 临床影响因素与影像组学特征联合的优势

       本研究通过整合AIS溶栓后HT患者的临床预测因素与影像组学特征，构建了更为全面的预测模型，提高了模型的预测效能（内部验证集AUC为0.872），并且DCA曲线显示该模型在预测HT方面具有最大的获益率，较单一模型预测效能更佳，这表明融合临床因素与影像组学特征的联合模型能够提高预测性能，这与DAGHER等^[35]的研究结果一致，并且在外部验证中，联合模型仍表现出稳定的预测性能，并且通过列线图对模型进行可视化，可以快速帮助神经科医生全面评估AIS患者发生HT的风险，并制定个性化治疗计划，为预测AIS后HT发生风险提供了一个稳定且可靠的预测方法，表明机器学习技术辅以临床因素可以建立更加精准、更加科学的HT预测模型。

3.4 局限性与今后研究方向

       本研究存在一些局限性：未考虑机械取栓及非再灌注治疗等其他方法进行治疗的卒中患者，未来可通过进行扩大样本量、引入更多预测因子、纳入更多进行其他方法治疗的患者、采用前瞻性研究设计进行多中心验证并采用多模态MRI扫描来丰富研究内容，以提高模型的准确性、稳定性和临床适用性，从而更好地助力精准医学的发展。

4 结论

       本研究通过结合临床影响因素和影像组学特征，与机器学习技术相融合，建立了急性缺血性脑卒中后出血转化风险的预测模型，对早期临床筛查易发生HT的高危人群制定个性化、精准化的防治措施具有重要价值。