0 引言

       胆红素脑病（bilirubin encephalopathy, BE）是新生儿高胆红素血症最严重的并发症之一，其本质是未结合胆红素透过血脑屏障，沉积于基底神经节、脑干神经核团及小脑等特定脑区，造成神经元凋亡、坏死及胶质细胞增生^[1]。这种广泛的神经毒性损伤最终导致新生儿死亡或遗留脑瘫、听力障碍等终身神经发育残疾，是全球新生儿神经系统疾病防控的重点之一^[2]。

       长期以来，临床对BE的预警主要依赖于血清总胆红素水平。然而，大量临床证据表明，总胆红素与神经毒性之间存在显著的“生化-临床”分离现象，尤其在早产、溶血或感染患儿中，单一胆红素指标难以准确反映胆红素透过血脑屏障的能力^[3]。尽管目前的临床预测模型整合了胎龄、白蛋白及并发症等风险因子，在一定程度上提高了预测效能^{[4, 5, 6]}，但这些基于临床特征的模型仍属于间接推断，无法直观反映脑组织的微观损伤。且《新生儿高胆红素血症诊断和治疗专家共识》明确指出了急性期苍白球T1WI高信号的特征性表现^[7]。然而，传统影像诊断依赖医师的主观经验，且主要基于苍白球T1WI信号改变，难以捕捉肉眼不可见的微观病理变化。为解决该局限性，影像组学（Radiomics）和深度学习（deep learning, DL）技术为BE的早期精准诊断提供了全新的视角。影像组学通过高通量提取算法，能够从常规MRI图像中获得肉眼无法识别的高维定量特征，包括一阶统计特征、形状特征以及反映像素空间排列关系的纹理特征（如灰度共生矩阵、灰度游程矩阵等）^[8]。在新生儿脑病的评估中，这些特征能够敏锐捕捉大脑结构的组织异质性改变，量化脑组织微观结构的细微损伤，从而在宏观影像征象出现之前提供客观的预警信息^{[9, 10]}。与此同时，DL技术具有特征自学习能力，进一步提升了诊断效能。与传统机器学习依赖人工设计特征不同，DL能够以端到端的方式，自动提取图像中从低级边缘到高级语义的抽象特征^[11]。在处理新生儿脑部影像时，DL能捕捉影像数据与BE临床预后之间复杂的非线性关系，获得深层病理信息。然而，尽管DL与影像组学在新生儿脑病领域展现出巨大潜力，但部分研究仅依赖传统影像组学，难以捕捉深层语义信息^[9]。其次，传统的临床预测模型虽然纳入了新兴的生化指标^{[5, 6]}，但在真实临床场景中，患儿的有创抽血操作较为谨慎。最关键的是，目前研究大多将影像特征视为单一量化预测因子，缺乏对生化指标-影像特征-临床结局这一传导路径的深入探索，导致影像组学特征背后的病理意义不明，难以解释不同患者的影像异质性。

       鉴于此，本研究旨在构建基于深度学习影像组学（deep learning-radiomics, DL Radiomics）的重度高胆红素血症患儿发生BE预测模型，并与传统临床模型进行效能比较。此外，本研究还将利用中介分析探索血清生化标记物-影像组学特征-BE之间的内在关联，以探索影像组学特征在胆红素神经毒性传导路径中的生物学意义，为BE的早期诊断提供新视角。

1 材料与方法

1.1 研究对象

       回顾性收集2022年1月至2025年9月安徽省妇女儿童医学中心（合肥市妇幼保健院）东、西两个院区新生儿科住院患儿的MRI图像数据和相关临床资料，共173例。纳入标准：（1）总胆红素水平≥342 umol/L^[12]；（2）胎龄≥37周；（3）MRI检查时日龄<14天。排除标准：（1）临床诊断合并中重度缺氧缺血性脑病、有重度窒息史等；（2）中枢神经系统感染（如细菌性脑膜炎、病毒性脑炎）；（3）主要为结合胆红素升高（直接胆红素>20% TBil）或胆道闭锁、肝炎患者；（4）脑发育畸形、脑肿瘤、脑出血或其他严重的先天性畸形；（5）MRI图像质量不佳。BE的诊断是基于病历诊断，该诊断由临床医生通过总胆红素水平≥342 umol/L、伴有神经功能障碍相关的临床症状和影像学表现进行综合研判^[12]。本研究遵守《赫尔辛基宣言》，并经过合肥市妇幼保健院医学伦理委员会批准，免除受试者及监护人知情同意（伦理批件号：JYLL2026LW05）。

1.2 图像获取和图像分割

       东院区和西院区患儿检查设备分别为GE Optima 1.5 T MRI扫描仪和Philips Ingenia 1.5 T MRI扫描仪，检查前均行10%水合氯醛（特丰药业有限公司，中国新疆）0.5 mL/kg灌肠或口服处理，患儿镇静成功后在监护人及医护人员全程陪同下完成检查，检查过程中使用耳塞保护新生儿听力，检查时间不超过30 min，患儿采取仰卧位，原厂标准头线圈，常规行颅脑轴位扫描获得图像，并选取横断位T1WI序列用于后续图像分割分析，扫描参数分别为GE Optima 1.5 T MRI：T1WI TR 600 ms，TE 14 ms，层间距1 mm，层厚4 mm；Philips Ingenia 1.5 T MRI：T1WI TR 550 ms, TE 12 ms，层间距0.45 mm，层厚4.5 mm；从PACS系统中提取符合本研究纳入与排除标准的患儿影像文件。随机选取训练集中60例患儿的影像数据，由两名影像科医生（8年工作经验主治医师X与20年工作经验副主任医师Y）借助开源软件3D Slicer 5.2.2对苍白球进行感兴趣区（region of interest, ROI）勾画。对于勾画过程中存在分歧的ROI，由两位医师协商后达成一致。其余所有患儿的图像分割工作均由低年资医师X独立完成。所有医师在勾画ROI时均对患儿结局不知情。所有ROI均为3D勾画。

1.3 DL及影像组学方法

       DenseNet-121是一种结构紧凑且性能优良的卷积神经网络，其主要特点在于通过密集连接机制实现特征复用与梯度传播，使其在参数规模和分类性能方面相较传统CNN具有明显优势^[13]。在本研究中，基于DenseNet-121构建MRI图像的二分类与特征提取框架。模型输入为T1WI MRI图像及对应的掩膜，在送入网络前对所有图像进行裁剪、像素值归一化处理，并统一转换为RGB格式。网络主体采用在ImageNet数据集上预训练的DenseNet-121模型，该模型由4个相互密集连接的卷积模块组成，能够充分挖掘图像的深层语义信息。在训练阶段，对网络的全连接层进行针对性微调，以降低过拟合风险并提升训练效率。模型训练使用Adam优化算法，初始学习率设为0.001，同时引入L2正则化项，采用交叉熵损失函数进行优化。以训练完成的DenseNet-121作为特征提取网络，并引入全局平均池化层，通过最后卷积层获得1024维特征。整体训练持续1000个epoch并进行交叉验证。所有模型训练与特征提取流程均在Python（v3.9）环境下完成，基于PyTorch 2.3.1 与CUDA 11.8 构建与运行，并在NVIDIA RTX 3070 Ti GPU平台上执行。

       不同于ResNet等传统卷积神经网络仅将上一层的输出作为当前层输入，DenseNet-121采用密集连接策略，使第l层同时接收来自所有前序层特征图的级联输入，其数学形式可表示为式（1）：

       其中，xl层表示第l层输出，Hl为对应的卷积变换函数。该结构设计有效强化了特征的重复利用，改善梯度传播过程，从而在降低模型参数数量的同时缓解梯度消失问题。DenseNet-121整体网络深度为121层，结构主要包括：由7×7卷积和3×3最大池化组成的初始特征提取层；4个密集块，其内部层数依次6、12、24、16，基本单元采用BN-ReLU-3×3卷积结构；连接各密集块的过渡层（BN、ReLU、1×1卷积及2×2平均池化）；最终的7×7×1024全局平均池化层和分类模块（图1）。

       图像的预处理包括各向同性重采样（2 mm×2 mm×2 mm）、Z分数归一化以及灰度级离散化，离散化采用固定的 25 像素宽度。影像组学特征的提取基于PyRadiomics（v3.0.1）工具完成，涵盖形态学特征（Shape）、一级统计特征（FirstOrder）、灰度共生矩阵（GLCM）和灰度游程长度矩阵（GLRLM）等类型。特征计算基于多种图像变换方式，包括原始图像（Original）、平方（Square）、平方根（SquareRoot）、对数（Logarithm）、指数（Exponential）、小波变换（Wavelet）及拉普拉斯-高斯滤波（LoG），最终共获得1223个影像组学特征。

点击查看大图

图1  DL Radiomics 模型流程图。图像数据分别预处理后输入DL和影像组学框架，以筛选特征进行模型构建。DL：深度学习；Hb：血红蛋白；PROM：胎膜早破；TBIL：总胆红素；CRP：C 反应蛋白；LASSO：最小绝对收缩与选择算子算法；SVM-RFE：支持向量机递归特征消除算法。
Fig. 1  Workflow of the deep learning radiomics (DL Radiomics) model. Image data were preprocessed and then input into deep learning and radiomics frameworks, respectively, for feature selection and model construction. DL: deep learning; Hb: hemoglobin; PROM: premature rupture of membranes; TBIL: total bilirubin; CRP: C-reactive protein; LASSO: least absolute shrinkage and selection operator; SVM-RFE: support vector machine recursive feature elimination.

1.4 统计学分析

       统计学分析在R Studio 软件（v4.2.3）及 Python 环境（v3.9.13）中完成。正态分布连续型变量以均数±标准差（x¯±s）表示，组间差异采用独立样本t检验进行比较；非正态分布连续型变量以中位数（四分位间距）表示，组间差异采用Mann-Whitney U检验进行比较；分类变量以例数及百分比[n（%）]描述，组间比较使用卡方检验。

       影像组学特征与DL特征的筛选遵循多步骤流程：首先，由两名影像科医师分别勾画ROI并提取特征，采用组内相关系数（intra-class correlation coefficient, ICC）评估特征稳定性，仅保留ICC>0.75的特征；其次，应用最大相关最小冗余（maximum relevance minimum redundancy, MRMR）方法，并结合随机森林分类器在5折交叉验证框架下去除冗余特征；随后，基于Pearson相关系数矩阵，剔除特征间高度相关（相关系数>0.9）及与结局变量相关性较低（<0.3）的特征；最后，利用最小绝对收缩与选择算子（least absolute shrinkage and selection operator, LASSO）和支持向量机递归特征消除（support vector machine-recursive feature elimination,SVM-RFE）算法，在10折交叉验证条件下进一步压缩特征维度。经上述流程筛选后，获得最终的影像组学与DL融合特征（DL Radiomics），并据此计算Radscore（图1）。

       临床变量的筛选采用LASSO联合logistic回归分析，以确定对BE具有预测价值的临床特征。在此基础上，分别构建基于DL Radiomics特征以及筛选后临床特征的两种预测模型，并对其性能进行比较。模型判别能力通过“pROC”程序包，在1000次增强Bootstrap重抽样的框架下计算并绘制受试者工作特征（receiver operating characteristic, ROC）曲线，以曲线下面积（area under the curve, AUC）作为评价指标。模型校准性采用“rms”包完成，通过1000次增强Bootstrap重抽样绘制校准曲线，并结合Hosmer-Lemeshow拟合优度检验进行评估。临床获益则借助“rmda”包进行决策曲线分析（decision curve analysis, DCA）加以验证。通过留一法、10折交叉验证和Bootstrapping对模型进行内部验证以表明划分比例下模型的稳健性。此外，通过“mediation”包进行中介分析以探讨血清生化标记物、Radscore与BE之间的潜在关系。所有统计检验均以P<0.05判定差异具有统计学意义。

2 结果

2.1 一般资料

       本研究纳入173例患儿，其中65例为BE，剩余108例未合并BE。本研究以7∶3比例对数据集进行划分。训练集（122例）和测试集（51例）患儿的分娩方式和胎膜早破差异具有统计学意义（P<0.05），两组患者的特征比较详见表1。

点击查看表格

表1  训练集和测试集特征比较
Tab. 1  Comparison of characteristics between the training and testing sets

2.2 特征筛选结果

       经过组间ICC的筛选后，保留影像组学特征531个；结合DL特征进行MRMR算法结合随机森林分类器（5折交叉验证）保留影像组学特征52个、DL特征13个；剔除Pearson相关性矩阵（>0.9）及与结局相关性较低的特征（<0.3）后保留影像组学特征7个、DL特征5个；使用LASSO和SVM-RFE算法（10折交叉验证）保留影像组学特征3个、DL特征2个（图2）。最终获得Radscore计算方法，见式（2）：

       其中，X1为wavelet.LLL_glcm_Idm（LLL小波分解子带下的灰度共生矩阵反差分矩）；X2为exponential_glcm_JointEntropy（指数滤波后的灰度共生矩阵联合熵）；X3为wavelet.LLH_firstorder_MeanAbsoluteDeviation（LLH小波分解子带下的一阶特征平均绝对偏差）；X4为DL_503（深度学习影像特征索引No.503）；X5为DL_243（深度学习影像特征索引No.243）。

点击查看大图

图2  DL Radiomics 和临床模型的特征筛选和LASSO回归分析可视化结果。2A~2C：DL Radiomics 模型的Pearson 相关性矩阵热图和LASSO回归系数的变化特征；2D~2E：临床模型的LASSO: 回归系数的变化特征。DL：深度学习；LASSO：最小绝对收缩与选择算子；Coefficients：惩罚系数；Binomial deviance：二项式偏差。
Fig. 2  Visualization of feature selection and LASSO regression analysis for the DL radiomics and clinical models. 2A to 2C: Pearson correlation matrix heatmap and coefficient profiles of the LASSO regression for the DL radiomics model; 2D to 2E: coefficient profiles of the LASSO regression for the clinical model. DL: deep learning; LASSO: least absolute shrinkage and selection operator; Coefficients: penalty coefficients; Binomial deviance: binomial deviance.

2.3 DL Radiomics特征模型构建与验证

       利用Radscore构建DL Radiomics模型。Radscore预测BE的OR为2.718（P<0.001）（表2）。在训练集中，AUC为0.777（95% CI：0.689~0.864），准确率为76.2%，敏感度为68.1%，特异度为81.3%。在测试集中，AUC为0.796（95% CI：0.674~0.918），准确率为76.4%，敏感度为77.8%，特异度为75.8%（图3，表3）。通过1000次Bootstrap重复抽样生成了模型的校准曲线（图3）。校准曲线显示观测值与预测值之间保持良好的拟合，并通过拟合优度检验（χ²=3.951~6.778，P=0.561~0.862）。DCA曲线结果显示，在风险阈值处于0.01~0.86范围时，在预测BE的高风险情况下，能够提供显著额外的临床净收益（图3）。在留一法、10折交叉验证和Bootstrapping内部验证中，Radscore的AUC分别为0.762（95% CI：0.671~0.853）、0.770（95% CI：0.680~0.859）、0.777（95% CI：0.653~0.891）（表4）。

点击查看大图

图3  深度学习影像组学（DL Radiomics）、临床模型和诺莫图（Nomogram）模型的ROC 曲线、校准曲线和DCA。3A：DL Radiomics 模型在训练集的ROC 曲线；3B：临床模型在训练集对的ROC 曲线；3C：Nomogram模型在训练集对的ROC 曲线；3D：DL Radiomics 模型在训练集的校准曲线；3E：临床模型在训练集的校准曲线；3F：Nomogram模型在训练集的校准曲线；3G：DL Radiomics 模型在测试集的ROC曲线；3H：临床模型旨在测试集对的ROC 曲线；3I：Nomogram模型在测试集的ROC 曲线；3J：DL Radiomics 模型在测试集的校准曲线；3K：临床模型在测试集的校准曲线；3L：Nomogram模型在测试集的校准曲线；3M：DL Radiomics、临床和Nomogram模型在训练集的DCA曲线；3N：DL Radiomics、临床和Nomogram模型在测试集的DCA曲线。DL：深度学习；ROC：受试者工作特征；DCA：决策曲线分析；AUC：曲线下面积。
Fig. 3  ROC curves, calibration curves, and DCA of deep learning radiomics (DL Radiomics), clinical models, and nomogram models. 3A: ROC curve of the DL Radiomics model in the training set; 3B: ROC curve of the clinical model in the training set pair; 3C: ROC curve of the nomogram model in the training set pair; 3D: Calibration curve of the DL Radiomics model in the training set; 3E: Calibration curve of the clinical model in the training set; 3F: Calibration curve of the nomogram model in the training set; 3G: ROC curve of the DL Radiomics model in the test set; 3H: ROC curve of the clinical model in the test set pair; 3I: ROC curve of the nomogram model in the test set; 3J: Calibration curve of the DL Radiomics model in the test set; 3K: Calibration curve of the clinical model in the test set; 3L: Calibration curve of the nomogram model in the test set; 3M: DCA curves of DL Radiomics, clinical, and nomogram models in the training set; 3N: DCA curves of DL Radiomics, clinical, and nomogram models in the test set. DL: deep learning; ROC: receiver operating characteristic; DCA: decision curve analysis; AUC: area under the curve.

点击查看表格

表2  深度学习影像组学和临床因素的logistic回归结果
Tab. 2  Logistic regression results of deep learning-based radiomics features and clinical variables

点击查看表格

表3  深度学习影像组学和临床模型的内部验证
Tab. 3  Diagnostic performance comparison between deep learning-based radiomics and clinical models

点击查看表格

表4  深度学习影像组学和临床模型的内部验证
Tab. 4  Internal validation of the DL radiomics and clinical models

2.4 临床模型构建与验证

       根据LASSO和logistic回归结果（图2），共有8个临床特征（体质量、胎龄、分娩方式、胎膜早破、同族免疫性溶血、总胆红素、血红蛋白和血小板）被纳入，OR值为0.993~27.935（P<0.05，表2）。在训练集中，AUC为0.840（95% CI：0.771~0.909），准确率为77.1%，敏感度为83.0%，特异度为73.3%。在测试集中，AUC为0.843（95% CI：0.736~0.951），准确率为70.6%，敏感度为94.4%，特异度为57.6%（图3，表3）。经过logistic回归分析发现，临床诊断模型的校准曲线（1000 Bootstrap）显示观测值与预测值之间保持良好的拟合，并通过拟合优度检验（χ2=6.504~8.768，P=0.362~0.591）（图3）。DCA曲线结果显示，临床特征提供的临床净收益与Radscore无显著差异（图3）。在留一法、10折交叉验证和Bootstrapping内部验证中，临床模型的AUC分别为0.773（95% CI：0.691~0.855）、0.793（95% CI：0.715~0.871）、0.767（95% CI：0.643~0.877）（表4）。

2.5 DL Radiomics模型与临床模型比较及临床价值

       DeLong检验结果显示，DL Radiomics与临床模型的诊断性能差异无统计学意义（P=0.370）。鉴于Nomogram模型中临床特征数量为8个（图4A），为了探索简化Nomogram模型的诊断价值，将其中的生化指标剔除以构建不包含生化指标的Nomogram模型（图4B）。ROC曲线分析表明，原始Nomogram模型（AUC：0.892~0.916）和简化Nomogram模型（AUC：0.857~0.892）差异无统计学意义（P=0.118~0.254，图4C~4D）。通过中介分析，血红蛋白、Radscore与BE间存在部分中介效应，其中Radscore的中介效应占比为20.70%（P=0.006）；总胆红素、Radscore与BE间存在中介潜力，其中Radscore的中介效应占比为43.10%（P=0.092）；此外，血小板的中介效应结果显示其并不参与BE的发生过程（P=0.832，图5）。

点击查看大图

图4  影像组学评分（Radscore）与临床因素的Nomogram以及和各个模型的ROC曲线。4A：Radscore与全部临床因素的Nomogram；4B：Radscore与不包含生化指标临床因素的Nomogram；4C：不同模型在训练集的ROC曲线；4D：不同模型在测试集的ROC曲线比较。model 1：Radscore与全部临床因素的Nomogram模型；model 2：临床因素模型；model 3：深度学习影像组学模型；model 4：Radscore与不包含生化指标临床因素的Nomogram模型。Radscore：影像组学评分；AUC：曲线下面积。
Fig. 4  Nomograms incorporating the Radscore and clinical factors, and ROC curves of different models. 4A: Nomogram integrating the Radscore with all clinical factors; 4B: Nomogram integrating the Radscore with clinical factors excluding biochemical indicators; 4C: Comparison of ROC curves of different models in the training set; 4D: Comparison of ROC curves of different models in the test set. model 1: nomogram model combining the Radscore with all clinical factors; model 2: clinical factors model; model 3: deep learning-radiomics model; model 4: nomogram model combining the Radscore with clinical factors excluding biochemical indicators. Radscore: radiomics score; AUC: area under the curve.

点击查看大图

图5  血清总胆红素、血红蛋白、血小板与影像组学评分（Radscore）和胆红素脑病中介分析。ACME：平均因果中介效应；ADE：平均直接效应；Total Effect：总效应；Prop. Mediated：中介比例。
Fig. 5  Mediation analysis of serum total bilirubin, hemoglobin, and platelets in relation to Radscore and bilirubin encephalopathy. ACME: average causal mediation effect; ADE: average direct effect; Total Effect: total effect; Prop. Mediated: proportion mediated.

3 讨论

       本研究构建DL Radiomics模型，旨在实现对重度高胆红素血症新生儿发生BE 的早期预测，结果显示，DL Radiomics模型的诊断稳定性优于包含多项有创指标的传统临床模型，展示了良好且稳定的预测性能。本研究创新性地引入中介效应分析探索了Radscore在血清生化指标与胆红素中枢神经毒性传导路径中的生物学解释，揭示了总胆红素对BE的影响可通过Radscore进行一定程度的反映。其次，本研究发现剔除有创生化指标的简化Nomogram模型同样具有良好的预测性能，实现了预测效能与临床实用性的平衡。这一发现为BE的早期无创筛查提供了科学依据，具有显著的临床应用价值。

3.1 DL Radiomics特征在胆红素中枢神经毒性传导路径中的生物学解释

       本研究的一个重要发现是Radscore在血清血红蛋白与BE之间存在部分中介作用（20.70%）。既往观点认为总胆红素是BE的主要驱动因素^{[14, 15]}，但临床上常观察到总胆红素水平与神经结局不匹配的现象，这也反映在本研究中，所有患儿都发生重度高胆红素血症，但只有65例（37.57%）的患儿出现了BE，这与吕星星等^[16]和SUN等^[17]研究报道的患病率类似（41.94%~43.18%）。我们的中介分析结果提示了Radscore可能在总胆红素与BE之间存在的中介潜力，尽管中介比例在统计学上未达到显著水平，考虑到本研究样本量有限，因此，未来需进一步探索两者的关联。但这表明了总胆红素反映的是血液循环系统中的毒性潜力^{[18, 19]}，而Radscore可量化外周血潜在毒性物质透过血脑屏障后造成的实际脑组织微观损伤（如水肿、细胞密度变化）。这也表明，基于脑影像的组学特征可以量化评估中枢神经系统的受损状态^[20]。

       在徐衡等^[21]的研究中，通过联合苍白球、壳核及脑脊液的T1WI及ADC模型可以准确预测BE。董双君等^[22]的研究中，未结合DL的影像组学特征所构建的模型AUC为0.721~0.773。而孙彬等^[23]使用经典的浅层卷积神经网络VGG11（Visual Geometry Group 11）在T1WI模态的模型AUC为0.590 7±0.089 9。这表明DenseNet-121相较于VGG11具有更强的特征提取能力，且本研究融合了DL特征与手工影像组学特征，通过MRI特征筛选保留了最具鉴别力的多维信息，而既往研究受限于单一维度的特征表达。在传统MRI参数的研究中，谭伟婷等^[24]和李艳等^[25]通过T1WI、T2WI、ADC和MAGIC参数也可获得良好的预测性能，但上述研究所纳入的患儿数量较少且仅纳入单中心数据。

3.2 外周生化指标与围产期危险因素对中枢神经系统毒性的影响

       BE的发生本质上是未结合胆红素在神经系统内的病理性沉积^[26]。在生理pH值下，未结合胆红素主要以白蛋白结合形式存在，这种大分子复合物无法通过完整的血脑屏障^[27]。在新生儿期，由于胆红素生成量增加、肝脏结合能力不足以及血脑屏障的功能不成熟，未结合胆红素易突破血脑屏障进入中枢神经系统，引发病理改变^{[28, 29]}。本研究结果显示，纳入8个临床特征（体质量、胎龄、分娩方式、胎膜早破、同族免疫性溶血、总胆红素、血红蛋白和血小板）所构建的临床模型提供的临床净收益与DL Radiomics模型无显著差异；人体内约80%的胆红素源自红细胞中血红蛋白的降解，其余20%则来自其他含血红素蛋白（如细胞色素）的周转^[30]。同族免疫性溶血病是病理性高胆红素血症最经典且危险的病因^[31]。它由母婴血型不合引起，母体产生的IgG抗体通过胎盘进入胎儿循环，破坏胎儿红细胞，导致大量胆红素在短时间内生成^[32]。在宫内环境时，胎膜早破会使新生儿由原本无菌的环境暴露于病原体环境，导致胎儿发生绒毛膜羊膜炎及早发型败血症^[33]。败血症本身即可通过细菌毒素破坏红细胞膜，诱发溶血，增加胆红素的生成。更为重要的是，败血症状态下的酸中毒和低白蛋白血症会降低白蛋白对胆红素的结合力，增加游离胆红素水平^{[34, 35]}。而低出生体质量儿由于营养状态低下可能会进一步增加血脑屏障的通透性^[36]。剖宫产患儿由于缺少产道挤压过程，胃肠蠕动变缓导致胎便排出延迟，并且需要紧急进行剖宫产分娩方式的患儿本身可能已存在缺氧状态^[37]。临床因素所反映的大多是外周循环中生化指标的改变，而外周循环与脑结构之间存在着血脑屏障，相较于间接的临床因素，基于影像图像的特征分析更能直接反映病理改变。

3.3 局限性

       尽管本研究在BE的精准预测方面取得了进展，但仍存在以下不足：第一，本研究是一项回顾性研究，未来仍需通过前瞻性研究来确定DL Radiomics模型对于BE的预测性能；第二，由于本研究样本量有限，因此在进行数据集划分时，虽然采用了“createDataPartition”函数，但训练集和测试集在分娩方式和胎膜早破存在显著差异，未来仍需进行大规模样本研究以探讨两者与BE发生的关联；第三，由于数据限制，本研究未进一步探索甲胎蛋白和维生素D等生物标记物对BE的预测性能影响。

4 结论

       本研究构建的DL Radiomics模型在预测BE方面展现了稳定的性能，并且联合不包含生化指标的简化Nomogram模型仍具有良好的预测性能。中介分析表明，Radscore在外周血红蛋白和总胆红素与BE关联中起到不同程度的中介作用，说明其能反映并量化外周血循环物质透过血脑屏障后的神经毒性损伤。相比于仅反映外周生化改变的临床指标，该模型融合了多维特征，能更准确评估BE的发生。