分享:
分享到微信朋友圈
X
• 临床研究 •
基于MRI影像组学诊断颅内静脉窦血栓模型的开发与验证研究
张高兴 王倩倩 杨文惠 王美佳 张小玲 汤敏

本文引用格式 张高兴, 王倩倩, 杨文惠, 等. 基于MRI影像组学诊断颅内静脉窦血栓模型的开发与验证研究[J]. 磁共振成像, 2026, 17(11): 61-69. DOI:10.12015/issn.1674-8034.2026.11.008.


[摘要] 目的 构建融合多序列MRI影像组学-影像特征-临床的融合模型,评估其在颅内静脉窦血栓(cerebral venous sinus thrombosis, CVST)中的诊断效能,为CVST的早期无创辅助诊断提供量化参考。材料与方法 回顾性分析242例临床怀疑CVST的患者,按7∶3比例随机划分为训练集(169例)和验证集(73例)。于T2WI上完成静脉窦感兴趣区(region of interest, ROI)勾画,得到的 ROI 掩码经刚性配准映射至T1WI和液体衰减反转恢复序列(fluid attenuated inversion recovery, FLAIR),再利用Pyradiomics提取影像组学特征,基于Spearman相关系数去除高度相关冗余特征。随后采用十折交叉验证和最小绝对收缩和选择算子(least absolute shrinkage and selection operator, LASSO)对剩余特征进行筛选。通过单因素、多因素逻辑logistic回归分析,筛选出患者影像及临床特征中有意义的指标。基于LR算法构建单序列模型和融合模型。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)评估模型效能。采用DeLong检验比较AUC差异,决策曲线分析(decision curve analysis, DCA)评估模型的临床应用价值。结果 融合模型表现最优,其训练集AUC=0.974 [95%置信区间(confidence interval, CI):0.955~0.992],验证集AUC=0.946(95% CI:0.898~0.993),验证集敏感度、特异度、准确率、阳性预测值和阴性预测值分别为89.7%、79.4%、84.9%、0.833、0.871,Brier评分=0.095;DeLong检验显示融合模型AUC优于单序列模型(P<0.05),且可获得良好临床净获益。结论 融合模型对CVST具有良好的诊断效能。
[Abstract] Objective To construct a fused model integrating multi-sequence MRI radiomic features, imaging features and clinical data, and to evaluate its diagnostic performance in cerebral venous sinus thrombosis (CVST), so as to provide quantitative references for early non-invasive auxiliary diagnosis of CVST.Materials and Methods A retrospective analysis was conducted on 242 patients clinically suspected of CVST, randomly divided into a training set (169 cases) and a validation set (73 cases) at a 7∶3 ratio. Region of interest (ROI) delineation of the dural venous sinuses was manually performed on T2WI. The resulting ROI masks were then propagated to the co-registered T1WI and Fluid-attenuated inversion recovery (FLAIR) sequences via rigid registration. Pyradiomics was used to extract radiomics features, and highly correlated redundant features were removed based on Spearman correlation coefficients. Ten-fold cross-validation and least absolute shrinkage and selection operator (LASSO) were then employed to screen the remaining features. Meaningful imaging and clinical indicators were screened through univariate and multivariate logistic regression analyses. Single-sequence models and the fused model were constructed based on the LR algorithm. Model performance was evaluated using receiver operating characteristic (ROC) curves and the area under the curve (AUC). The DeLong test was used to compare differences in AUC, and decision curve analysis (DCA) was used to assess the clinical application value of the models.Results The fused model demonstrated the optimal performance, with an AUC of 0.974 [95% confidence interval (CI): 0.955 to 0.992] in the training set and an AUC of 0.946 (95% CI: 0.898 to 0.993) in the validation set. In the validation set, the sensitivity, specificity, accuracy, positive predictive value, and negative predictive value were 89.7%, 79.4%, 84.9%, 0.833, and 0.871, respectively, Brier = 0.095. The DeLong test showed that the AUC of the fused model was superior to that of the single-sequence models (P < 0.05). Decision curve analysis demonstrated that this model provided clinical net benefit.Conclusions The fused model exhibits favorable diagnostic efficacy for CVST.
[关键词] 颅内静脉窦血栓;影像组学;磁共振成像;logistic模型;列线图
[Keywords] cerebral venous sinus thrombosis;radiomics;magnetic resonance imaging;logistic models;nomograms

张高兴 1, 2   王倩倩 1   杨文惠 2   王美佳 3   张小玲 4   汤敏 1*  

1 陕西省人民医院磁共振室,西安 710068

2 陕西中医药大学医学技术学院,咸阳 712046

3 西安医学院研究生院,西安 710021

4 陕西省人民医院科研处,西安 710068

通信作者:汤敏,E-mail: tm1981tm@163.com

作者贡献声明:汤敏设计本研究的方案,对稿件重要内容进行了修改;张高兴起草和撰写稿件,获取、分析和解释本研究的数据;王倩倩、张小玲、杨文惠、王美佳获取、分析或解释本研究的数据,对稿件重要内容进行了修改;张小玲获得国家自然科学基金项目、陕西省重点研发计划项目(编号:2026SF-ZDGG-45)资助;汤敏获得陕西省重点研发计划项目(编号:2026SF-YBXM-192)资助;全体作者都同意发表最后的修改稿,同意对本研究的所有方面负责,确保本研究的准确性和诚信。


基金项目: 国家自然科学基金项目 82170820 陕西省重点研发计划项目 2026SF-YBXM-192,2026SF-ZDGG-45
收稿日期:2026-05-27
接受日期:2026-09-29
中图分类号:R445.2  R743.3 
文献标识码:A
DOI: 10.12015/issn.1674-8034.2026.11.008
本文引用格式 张高兴, 王倩倩, 杨文惠, 等. 基于MRI影像组学诊断颅内静脉窦血栓模型的开发与验证研究[J]. 磁共振成像, 2026, 17(11): 61-69. DOI:10.12015/issn.1674-8034.2026.11.008.

0 引言

       颅内静脉窦血栓(cerebral venous sinus thrombosis, CVST)是以硬脑膜静脉窦血栓形成为特征的脑血管疾病[1],发病率1.2~1.5/10万人,占卒中的0.5%~1%[2]。其病因复杂、临床表现缺乏特异性[3],病情进展隐匿,误诊及延迟诊断现象常见[4],早期准确诊断和及时治疗CVST是降低脑卒中、早期进展、致残率与致死率等严重并发症发生的关键环节[5, 6]。

       指南推荐磁共振静脉造影(magnetic resonance venography, MRV)与计算机断层静脉造影(computed tomographic venography, CTV)是确诊CVST的首选无创检查手段,其可准确明确静脉血栓的部位与范围,已成为临床实践中诊断CVST的核心影像学方法[7]。传统的非增强CT及MRI可通过直接征象和间接征象筛查CVST,但约2/3患者会被漏诊[8- 9]。常规MRI序列上血栓信号强度随时间变化,急性期呈T1等信号T2低信号[10],类似静脉窦的正常血流信号,难以准确诊断,同样,因静脉窦狭窄、血流减慢等因素,飞行时间法磁共振静脉成像(time-of-flight magnetic resonance venography, TOF-MRV)/相位-对比磁共振静脉成像(phase-contrast magnetic resonance venography, PC-MRV)也容易误诊[11]。因此,急需建立客观、可量化的辅助诊断方法来提高CVST的诊断效能。

       影像组学可以从常规医学影像中自动化、定量化[12]提取海量肉眼不可见的图像特征,并将二维、三维影像转化为可挖掘、可分析的高维数据[13],从而揭示疾病潜在生物学信息、辅助临床诊断与决策的研究方法与技术体系[14],已广泛应用于中枢神经系统疾病的鉴别诊断、风险评估等领域。

       既往研究多评估常规MRI对CVST的定性诊断价值,或基于影像组学聚焦于血栓的预后评估;然而,对于联合常规多序列MRI影像组学、影像特征与临床基线资料构建融合诊断模型的研究较少,难以提供用于CVST早期量化筛查的可靠辅助手段。

       本研究整合T1WI、T2WI、FLAIR序列MRI影像组学、影像特征与临床资料,构建融合模型,对比分析单序列影像组学模型与融合模型的诊断效能,探讨影像组学在CVST辅助诊断中的应用价值,旨在为CVST的早期筛查与精准诊断提供新的量化参考依据。

1 材料与方法

1.1 研究对象

       回顾性收集2018年1月至2023年1月于陕西省人民医院神经内科就诊的临床怀疑颅内静脉窦血栓的患者。纳入标准:(1)临床表现为头痛、癫痫、恶心呕吐、视力障碍、局灶性神经功能缺损或意识障碍,临床怀疑颅内静脉窦血栓;(2)均行头颅MRI平扫(T1WI/T2WI/FLAIR);(3)经CTV或对比增强磁共振静脉成像(contrast-enhanced magnetic resonance venography, CEMRV)或数字减影血管造影(digital subtraction angiography, DSA)明确诊断为CVST;(4)临床及影像资料完整。排除标准:(1)存在其他脑血管疾病、神经系统疾病、恶性肿瘤及严重肝肾功能不全等基础疾病;(2)图像质量差(伪影大或不能达到诊断标准)、影像检查不全或临床资料不全。本研究遵循《赫尔辛基宣言》,经陕西省人民医院伦理委员会批准,免除受试者知情同意,批准文号:2026R050。

1.2 数据采集

       图像采用Philips 1.5 T Ingenia或Philips 3.0 T Ingenia MR扫描仪,配套16通道相控阵头线圈采集数据。所有患者扫描序列包括轴位T1WI、T2WI和FLAIR序列。轴位T1WI:TR 1963 ms,TE 10 ms,矩阵512×512,层厚7 mm;轴位T2WI:TR 3771 ms,TE 100 ms,矩阵512×512,层厚7 mm;轴位FLAIR:TR 6000 ms,TE 120 ms,矩阵256×256,层厚7 mm。收集的临床数据及影像学表现包括年龄、性别、妊娠、卒中史、T2WI流空效应消失、T1WI静脉窦高信号、颈静脉孔优势型、蛛网膜颗粒、D-二聚体(D-Dimer)、纤维蛋白(原)降解产物(fibrinogen degradation products, FDP)。

1.3 感兴趣区勾画与图像预处理

       应用ITK-SNAP软件(version 4.0, open source,http://www.itksnap.org)在T2WI轴位视图中参照颅内静脉窦解剖走行,逐层手动勾画整个静脉窦轮廓(包括血栓与正常血流),避开邻近脑组织、骨质及脑脊液干扰区域,构建感兴趣区(region of interest, ROI)并生成二值掩码。然后分别对T1WI、T2WI、FLAIR 序列执行N4偏置场校正,消除图像强度不均匀伪影。将校正后的各序列图像及对应的ROI掩码同步重采样至1 mm×1 mm×1 mm各向同性体素,其中灰度图像采用B-spline插值,二值掩码采用最近邻插值以保留二值标签属性。以重采样后的 T2WI 为固定参考图像,对T1WI、FLAIR实施刚性配准至T2WI空间。配准完成后对各序列图像执行Z-score灰度归一化。最终基于对齐的ROI掩码完成静脉窦区域影像组学特征提取;特征提取基于PyRadiomics工具包实现,关闭软件内置强度归一化(normalize=False),灰度离散化采用固定分箱数策略,binCount设置为32。全部MRI图像符合标准化预处理[12]。本研究在轴位T2WI图像上逐层二维勾画静脉窦轮廓,各层面二维ROI融合生成3D容积ROI用于特征提取,未单独分析单层2D ROI(图1)。先由一位具有10年神经影像诊断经验的主治医师A完成所有患者勾画,然后随机选取30例患者,由另一位具有10年神经影像诊断经验主治医师B再次勾画,间隔1个月后由医师A再次勾画随机选取的30例患者。若两名医师勾画边界存在明显分歧,则由第三名具有17年神经影像诊断经验的主任医师共同阅片协商确定最终ROI范围。所有参与勾画的医师对患者临床信息与最终诊断分类均不知晓。

图1  横窦感兴趣区(ROI)勾画与三维掩码多平面展示。1A:轴位T2WI原始图像,红色曲线示人工勾画的横窦ROI边界;1B、1C、1D依次为ROI掩码的轴位、矢状位、冠状位二维切面示意图。
Fig. 1  Delineation of transverse sinus region of interest (ROI) and multiplanar visualization of the 3D mask. 1A: Axial original T2WI image, the red curve denotes the manually delineated boundary of the transverse sinus ROI; 1B, 1C and 1D represent the 2D sectional schematic diagrams of the ROI mask in axial, sagittal and coronal planes, respectively.

1.4 影像组学特征提取与筛选

       本研究基于Python 3.8运行环境,采用Pyradiomics影像组学程序包(V3.1.0,https://pyradiomics.readthedocs.io/en/v3.1.0/)完成医学影像高通量组学特征提取。包括形状特征、一阶灰度统计特征、灰度共生矩阵(gray level cooccurrence matrix, GLCM)、灰度依赖矩阵(gray level dependence matrix, GLDM)、灰度游程矩阵(gray level run length matrix, GLRLM)、灰度尺寸区域矩阵(gray level size zone matrix, GLSZM)、相邻灰度差分矩阵(neighboring gray tone difference matrix, NGTDM)、拉普拉斯高斯滤波特征、小波变换特征及灰度变换衍生纹理特征。为排除观察者测量偏倚,采用组内相关系数(intra-class correlation coefficient, ICC)评价两名医师在观察者内和观察者间提取特征的重复性与一致性。以ICC≥0.80为截断值,保留重复性良好的影像组学特征。经ICC筛选后,对保留特征行Z-score标准化以消除量纲差异。随后进行Spearman相关性分析,消除特征间多重共线性问题。设定相关系数|r|>0.8为筛选阈值,对高度相关的特征,仅保留临床与影像学意义更优的单一特征,避免多重共线性。然后采用最小绝对收缩和选择算子(least absolute shrinkage and selection operator, LASSO)回归结合十折交叉验证筛选关键特征,以λ1se作为最优参数,压缩无效特征系数至0,筛选非零系数的关键影像组学特征用于模型构建。

1.5 模型构建

       按7∶3比例将研究对象划分为训练集与验证集,基于训练集数据构建影像组学评分(Rad_Score)并在验证集进行独立验证。(1)对于T1WI、T2WI及FLAIR序列特征,经ICC≥0.80筛选与Spearman相关系数|r|>0.8去冗余后,再通过LASSO回归+十折交叉验证(λ=λ1se)进一步筛选关键特征,分别构建基于T1WI、T2WI及FLAIR单序列的Rad_Score模型。(2)将单序列Rad_Score与经单因素分析筛选后的临床特征纳入多因素logistic回归,构建融合模型,筛选时不单纯以P值作为变量的剔除标准,以综合评估多序列影像与临床特征的联合诊断价值,并依据模型回归系数绘制列线图,实现患病风险的可视化量化评估。Rad_Score的计算见公式(1):

       其中,Fi为影像组学特征,ci为Fi的回归系数,b为截距。

1.6 统计学分析

       所有影像组学模型构建与统计学分析均采用Python软件进行。计量资料先进行正态性检验,符合正态分布的数据采用独立样本t检验,非正态分布计量资料采用Mann-Whitney U检验,计数资料采用卡方检验,比较训练集与验证集基线均衡性。采用Spearman相关性系数评估特征之间的相关性,|r|>0.8认为高度相关。采用LASSO回归联合十折交叉验证进行特征筛选。绘制受试者工作特征(receiver operating characteristic, ROC)曲线并计算曲线下面积(area under the curve, AUC),以AUC、敏感度、特异度、准确率、阳性预测值及阴性预测值评估模型的诊断效能。采用DeLong检验比较模型间的差异。P<0.05定义为差异有统计学意义。

2 结果

2.1 一般资料

       本研究共纳入242例患者,训练集中有169例患者,包括96例阳性和73例阴性,验证集中有73例患者,包括39例阳性和34例阴性,两组患者临床基线差异无统计学意义(P>0.05)(表1)。

       在135例阳性患者中,有43例(31.85%)为单一静脉窦受累,其余92例(68.15%)为两个及以上静脉窦同时受累。CVST阳性组与阴性组在年龄、性别、卒中史、T2WI流空效应消失、T1WI静脉窦高信号及凝血指标(D-Dimer、FDP)方面差异均具有统计学意义(均P<0.05),其中阳性组年龄更低、卒中史及两项影像学征象阳性率更高、凝血指标水平更高;而妊娠、颈静脉孔优势型、蛛网膜颗粒等指标两组间差异无统计学意义(均P>0.05)(表2)。

表1  训练集与验证集患者临床基线资料
Tab. 1  Clinical baseline characteristics of patients in the training and validation sets
表2  CVST阴性组与阳性组基线资料比较
Tab. 2  Comparison of baseline characteristics between CVST-positive and CVST-negative groups

2.2 影像组学特征提取和模型构建

       从T1WI、T2WI、FLAIR三个序列分别提取出1561个特征。经过筛选,最终分别获得5(T1WI)、5(T2WI)、7(FLAIR)个关键特征(图2),并据此构建Rad_Score。在3个序列训练集与验证集中,阳性组Rad_Score均显著高于阴性组(P<0.05)。最终纳入3个单序列Rad_Score(T1WI、T2WI、FLAIR)与年龄、性别、卒中史、T2WI流空效应消失、T1WI静脉窦高信号、D-Dimer共9个变量,构建融合模型(图3),并绘制列线图(图4),便于临床快速量化评估患者患病概率。

图2  LASSO 交叉验证曲线图及特征回归系数柱状图。2A、2B、2C 分别为T1WI、T2WI、FLAIR 的LASSO交叉验证曲线图,图中绿色线条为λmin,是交叉验证偏差最小时对应的惩罚系数,此时模型交叉验证误差最低,纳入特征数量相对较多。蓝色线条为λ1se,是在最低交叉验证偏差加1 倍标准误构成的误差区间内选取最大惩罚系数,该参数以小幅可控的预测精度损失实现特征精简,模型变量更少,泛化性能更优。2D、2E、2F 分别为T1WI、T2WI、FLAIR的模型保留特征系数图,每一个色块代表一条纳入模型的特征及其回归系数的大小;色块越长,代表该特征对结局的预测权重越大。LASSO:最小绝对收缩和选择算子;FLAIR:液体衰减反转恢复序列。
Fig. 2  LASSO cross-validation curves and bar plots of regression coefficients of retained features. Panel 2A, 2B , 2C show the LASSO cross-validation curves of the T1WI, T2WI and FLAIR models, respectively. The green vertical line represents λmin, the penalty parameter corresponding to the minimum cross-validation deviance, at which the model achieves the lowest cross-validation error and retains a relatively larger number of features. The blue vertical line represents λ1se, the maximum penalty parameter selected within the error range of the minimum cross-validation deviance plus one standard error. This parameter enables feature simplification with slight and acceptable loss of predictive accuracy, resulting in a model with fewer variables and superior generalization performance. 2D, 2E, 2F display the coefficient plots of retained features for the T1WI, T2WI and FLAIR models, respectively. Each colored bar represents one feature incorporated into the model and its corresponding regression coefficient; the longer the bar, the greater the predictive weight of the feature for the outcome. LASSO: least absolute shrinkage and selection operator; FLAIR: fluid-attenuated inversion recovery sequence.
图3  单因素及多因素逻辑回归模型。3A:单因素逻辑回归;3B:多因素逻辑回归。蓝色方块代表OR点估计值,水平横线为OR的95% CI;图中垂直实线为OR=1的无效参考线,横线跨越该线提示变量无统计学意义。OR:比值比;CI:置信区间。
Fig. 3  Results of univariate and multivariate Logistic regression analyses. 3A: Univariate Logistic regression; 3B: Multivariate Logistic regression. The blue squares represent the point estimates of OR, and horizontal lines represent the 95% CI. The vertical solid line is the line of no effect at OR = 1; crossing of this line by the horizontal interval indicates non-significant association. OR: odds ratio; CI: confidence interval.
图4  融合模型列线图。T1_Rad_Score、T2_Rad_Score、FLAIR_Rad_Score 为影像组学评分(无单位);年龄单位为岁;D.Dimer单位为 mg/L。二分类变量赋值:性别(0=女,1=男)、卒中史(0=无,1=有)、T2WI流空效应消失(0=无,1=有)、T1WI静脉窦高信号(0=无,1=有)。
Fig. 4  Nomogram of the fusion model. Read the individual score corresponding to each variable, sum all individual scores to obtain the Total Points, and the probability of cerebral venous thrombosis can be derived from the axis corresponding to the total score at the bottom. Assignment of binary variables: gender (0 = male, 1 = female), history of stroke (0 = absent, 1 = present), disappearance of T2WI flow void sign (0 = absent, 1 = present), hyperintensity of venous sinus on T1WI (0 = absent, 1 = present).

2.3 观察者间及观察者一致性分析结果

       观察者间ROI勾画的ICC为0.860 [95%置信区间(confidence interval, CI):0.728~0.931,P<0.001],观察者内ROI勾画的ICC为0.895(95% CI:0.792~0.949,P<0.001),提示ROI勾画具备优秀的观察者间及观察者内可重复性。

       各序列(T1WI、T2WI、FLAIR)纳入模型的关键影像组学特征的观察者间ICC为0.806~0.959、观察者内ICC为0.818~0.970,均大于0.80,提示特征提取具有良好的观察者间及观察者内可重复性与一致性(表3)。

表3  关键影像组学特征的观察者内及观察者间ICC
Tab. 3  Intra-observer and inter-observer ICC of key radiomic features for model construction

2.4 模型的诊断效能

       基于单序列Rad_Score(T1WI、T2WI、FLAIR)模型及融合模型的训练集AUC分别为0.745、0.839、0.844、0.974,准确率分别为69.2%、78.1%、79.9%、91.7%,验证集AUC分别为0.704、0.851、0.827、0.946,准确率分别为65.8%、76.7%、72.6%、84.9%(表4)。在验证集中,综合ROC曲线、决策曲线分析(decision curve analysis, DCA)及校准曲线分析,融合模型表现出最佳的综合诊断效能(图5):其AUC达0.946,区分能力最优,DCA显示其在广泛的阈值概率范围内净获益更高,校准曲线存在轻微偏差,Brier=0.095。T2WI模型校准度最优,AUC与净获益较高,T1WI与FLAIR模型在区分度、净获益及校准度方面均不及融合模型。DeLong检验结果表明,融合模型在诊断准确性上对任一单序列模型均具有统计学优势(所有P<0.05)(图6)。

图5  融合模型在验证集中的效能评估图。5A:ROC 曲线;5B:校准曲线;5C:决策曲线分析。ROC:受试者工作特征。
Fig. 5  Performance evaluation of the fusion model in the validation set. 5A: ROC curve; 5B: Calibration curve; 5C: Decision curve analysis. ROC: receiver operating characteristic.
图6  模型性能比较图。6A:ROC 曲线;6B:校准曲线;6C:DCA。模型A 是融合模型,模型B 是T1WI 模型,模型C是T2WI 模型,模型D 是FLAIR 模型。ROC:受试者工作特征;FLAIR:液体衰减反转恢复序列;DCA:决策曲线分析。
Fig. 6  Comparison of model performance. 6A: ROC curve; 6B: Calibration curve; 6C: DCA. Model A is the integrated model, Model B is the T1WI model, Model C is the T2WI model, and Model D is the FLAIR model. ROC: receiver operating characteristic; FLAIR: fluid inversion recovery sequence; DCA: decision curve analysis.
表4  四种模型的诊断效能比较
Tab. 4  Comparison of diagnostic efficacy among four models

2.5 基于磁场强度的亚组探索性结果

       为探索磁场强度对模型预测性能的潜在影响,本研究在验证集内开展亚组分析。维持原始融合模型不变,将验证集(73例)按照MRI场强分为1.5 T亚组(58例)与3.0 T亚组(15例),分别评估模型区分度、校准度及临床净获益。结果显示,1.5 T亚组AUC=0.952(0.899~1.000),3.0 T亚组AUC=0.909(0.751~1.000),两组模型均具备良好区分效能。值得注意的是,3.0 T亚组样本量有限,该亚组分析仅为探索性结果,结论外推存在限制。

3 讨论

       本研究回顾性纳入242例可疑CVST患者,基于T1WI、T2WI、FLAIR常规MRI平扫序列提取影像组学特征,分别构建单序列模型及融合多序列Rad_Score、影像征象、临床与人口学指标的融合模型。结果显示,融合模型诊断CVST的效能优于各单序列组学模型。该模型无需造影剂与特殊扫描序列,可改善人工阅片漏误诊问题,为CVST早期无创快速筛查提供量化工具,具备基层推广潜力。

3.1 融合模型的优势

       本研究结果显示融合模型诊断效能显著优于单序列影像组学模型。融合模型在训练集与验证集中均展现出优异的区分效能。基于DeLong检验进行融合模型和单序列模型效能比较,检验所得Z值及P值提示:无论是训练队列还是验证队列,融合模型的区分能力均显著优于T1WI、T2WI、FLAIR任一单序列影像组学模型(均P<0.05)。校准曲线分析提示模型预测概率与实际事件概率一致性佳,无明显校准偏差。决策曲线分析结果显示,在较宽的阈值概率范围内,融合模型的净获益水平始终高于“全部患者干预”与“不进行任何干预”两种策略,说明该模型具备潜在的临床实用价值。上述结果证实,多序列影像特征融合可整合不同序列的互补信息,突破单一序列成像的信息局限性,有效提升模型诊断效能。

       在本研究中,T1WI、T2WI及FLAIR序列筛选出的影像组学特征存在明显差异,T1WI序列构建的 Rad_Score模型以一阶统计量(灰度中位数、偏度)与GLCM相关性特征为主,其中一阶特征反映血栓整体信号水平与分布形态,GLCM 相关性特征刻画内部纹理的线性依赖关系,共同体现血栓内血红蛋白成分的信号强度及分布变化,与血栓成分异质性相关[15]。T2WI模型以NGTDM粗糙度为主要预测因子,该高阶纹理特征可通过邻域灰度差分矩阵量化局部纹理粗细程度[16],既往文献证实[17],影像组学纹理特征可反映血栓内部结构差异,本结果与之相符。FLAIR以GLCM相关性为核心,同时纳入NGTDM粗糙度、一阶及GLDM特征,这类特征可有效反映血管源性水肿及组织异质性[18],可清晰反映窦壁炎症、血栓周围水肿及边界模糊的纹理改变。三序列特征与权重差异体现出各序列的互补性优势,反映了不同MRI序列对CVST病理改变的互补性量化表达,也为融合模型性能提升提供依据。影像组学可客观量化静脉窦微观纹理异质性,弥补肉眼判读的主观性[19, 20],临床指标可补充凝血状态、基础疾病等高危信息,覆盖影像无法反映的全身病理状态[21]。二者协同,有效提升了模型稳定性与泛化能力。DCA曲线显示其具有更宽阈值范围内的临床净获益,可为 CVST 早期无创诊断提供可靠工具。

3.2 变量分析

       在构建多因素logistic回归模型时,本研究采用了“统计学筛选与临床先验相结合”的变量纳入策略。尽管性别在单因素分析中未达显著,但鉴于CVST流行病学中性别差异的既定认知[22],仍将其作为先验混杂因素预设纳入。多因素模型显示性别为独立影响因素,提示本队列男性患病风险约为女性的3.4倍,与全球经典流行病学相悖[23]。这一反常结果可能源于单中心回顾性设计下选择偏倚——本中心女性仅占37.19%(90/242例),妊娠病例稀少(12/242例),口服避孕药等女性特异性危险因素信息未系统采集,导致女性激素相关风险修饰效应未能充分体现。尽管如此,性别作为强人口学混杂因素,无论效应方向如何,预设纳入均可避免Rad_Score及临床指标的效应估计产生偏倚。

       初始模型FDP与D-Dimer共存时,FDP呈现与凝血机制相悖的保护效应(OR<1)。鉴于D-Dimer在血栓形成中的直接降解产物特性及特异性[24],剔除FDP并重新拟合模型。剔除FDP后性别转为显著(P<0.05),提示FDP可能通过共线性掩盖了性别效应,也印证了预设纳入性别的必要性。T1WI静脉窦高信号作为CVST的特征性影像学征象[10],虽在多因素模型中未达显著(P>0.05),但基于其单因素的关联性及在影像诊断中的重要性,将其保留在最终模型中,以避免模型丧失对影像混杂因素的控制能力。

       年龄、卒中史及T2WI流空效应消失单因素及多因素均显著,效应方向与临床认知一致。年龄与CVST患病风险呈负相关,这与CVST好发于中青年的流行病学特征相符[7],将其纳入旨在控制人口学基线差异对Rad_Score效应估计的混杂。卒中史作为泛血管事件[25]高危背景的代理变量纳入模型,无论缺血性或出血性卒中,均提示患者存在脑血管基础病变或高血压、糖尿病、心房颤动等系统性危险因素,上述危险因素与CVST的病因谱存在部分重叠[26]。T2WI流空效应消失作为CVST特征性直接影像征象[27],与Rad_Score所反映的微观纹理异质性形成互补,在模型中兼顾了影像诊断的直观可解释性与量化精度。

       颈静脉孔优势型是指解剖上一侧颈静脉孔管径显著大于对侧的先天解剖变异,其会影响颅内静脉回流动力学[28],可能会升高静脉窦内血流淤滞、血栓形成的潜在风险,因此本研究将其作为基线影像变量完整采集。但本研究中,单因素logistic回归分析显示颈静脉孔优势型与CVST发病无独立统计学关联(P>0.05),因此未将其纳入多因素融合模型。该阴性结果可能与本研究单中心样本量限制、解剖变异合并其他血栓高危因素的混杂效应相关,不能完全否定其作为CVST潜在危险因素的临床意义,未来需要扩大多中心队列进一步验证该解剖变异对CVST发病的预测价值。其余基线指标(如妊娠、蛛网膜颗粒)在单因素分析中未达统计学显著(均P>0.05),也不排除其与CVST存在潜在关联,可能为本研究样本量[29]或单中心特征限制,未能检出独立效应,故未进一步纳入多因素模型,避免引入无关变量干扰核心效应估计。

3.3 单序列模型局限性分析

       单序列对比发现,T2WI与FLAIR模型诊断效能优于T1WI,与影像病理机制高度吻合。CVST发生后,静脉回流受阻可继发脑组织水肿、微循环障碍[30]并引起静脉窦信号异常改变,T2WI与FLAIR对脑组织间质水肿、窦内病理性信号的敏感度更高[31],可提取更多具有鉴别意义的量化特征,而T1WI对急性期血栓及继发性脑损伤的显示能力有限[10],有效判别特征较少,因此诊断效能相对局限。同时,单序列影像组学模型在训练集与验证集间存在指标波动,敏感度、特异度稳定性欠佳。提示仅依靠单一序列纹理特征建模,模型泛化能力与临床应用价值存在明显局限性。

       常规T1WI、T2WI、FLAIR对纤细的皮质静脉显示不佳,BOUKERCHE等[32]研究显示单序列对皮质静脉血栓的敏感度仅0.10~0.26,而磁敏感加权成像(susceptibility weighted imaging, SWI)敏感度可高达93%。且孤立皮层浅静脉血栓仅占全部静脉血栓的6%~8.7%[33],单中心同期符合入组标准的有效样本稀缺,难以满足影像组学建模对样本量的需求。基于上述考量,本研究以临床占比最高的硬脑膜静脉窦受累CVST患者为研究对象,ROI局限于静脉窦区域,以确保特征提取的可靠性与稳定性。

3.4 本研究的创新性

       目前关于CVST的影像组学研究较少,现有研究多集中于CVST继发血肿的病因鉴别或血栓预后评估,缺乏针对血栓的直接筛查与诊断。例如,WU等[34]基于非增强CT构建深度学习联合影像组学模型,用于鉴别血肿是否由CVST导致,属于间接推断,无法覆盖无血肿的单纯CVST人群。CHANG等[35]基于高分辨率MRI构建影像组学模型,聚焦已确诊CVST患者,用于筛选血管内治疗候选者,属于治疗决策预测模型,其影像序列以高分辨率黑血序列为主,未纳入常规T1WI、T2WI、FLAIR序列及多维度临床基线信息,模型适用场景局限于治疗分层。相较于现有研究的局限性,本研究采用T1WI、T2WI、FLAIR多序列图像,全面捕捉血栓信号并整合多维度临床基线及影像特征,提升模型稳定性,临床适用范围更广,为CVST早期无创筛查提供了新的量化工具。

3.5 研究局限性与展望

       本研究仍存在诸多不足之处。第一,病例纳入存在局限性。未纳入孤立性大脑皮层浅静脉血栓病例,ROI局限于静脉窦,未来研究中应引入SWI进一步提升对浅静脉及合并微出血病变的识别能力。第二,未纳入血流动力学相关评估指标。本研究仅基于常规平扫MRI序列完成模型构建,未采集可定量评估血管血流状态的PC-MRV等序列,无法获取局部静脉窦血流速度、血流淤滞状态等血流动力学参数,未能探究血流流动状态对颅内静脉窦血栓发生、进展及模型诊断效能的影响,一定程度上限制了模型的病理机制完整性。未来研究可补充PC-MRV等定量血流数据,进一步探究血流动力学参数对诊断模型的增益价值,完善模型的临床与病理支撑体系。第三,单中心回顾性设计及设备场强异质性带来风险偏倚。本研究合并了1.5 T与3.0 T数据建模,虽亚组分析提示整体效能相对稳定,但3.0 T验证亚组样本量偏小,统计检验效能不足,且本研究缺乏外部多中心验证,结果外推能力有限。同时,不同场强设备的成像参数、信号对比度存在固有差异,可能对影像组学特征稳定性造成干扰,未来应扩大样本库并设计不同场强的分层探究。第四:临床特征纳入体系不够全面、分层分析不足。本研究未纳入炎症、肝功能等实验室相关指标,且未基于血栓部位、病程分期开展亚组分析,无法明确模型在不同临床特征亚组中的适配性,模型的人群适用性仍有待进一步验证。后续将开展多中心前瞻性研究,开展基于不同血栓部位、病程分期的亚组分析。

4 结论

       综上所述,针对临床可疑CVST人群,本研究构建的融合模型可有效提升 CVST 诊断效能,具有良好的无创筛查价值。

[1]
SILVIS S M, DE SOUSA D A, FERRO J M, et al. Cerebral venous thrombosis[J]. Nat Rev Neurol, 2017, 13(9): 555-565. DOI: 10.1038/nrneurol.2017.104.
[2]
NGUYEN V N, DEMETRIOU A N, DALLAS J, et al. Cerebral venous sinus thrombosis[J]. Neurosurg Clin N Am, 2024, 35(3): 343-353. DOI: 10.1016/j.nec.2024.02.006.
[3]
DIX C, HUNT B J. The changing face of cerebral venous sinus thrombosis: emerging new causes and treatments[J]. J Thromb Haemost, 2024, 22(12): 3346-3354. DOI: 10.1016/j.jtha.2024.08.012.
[4]
BAKRADZE E, SHU L Q, HENNINGER N, et al. Delayed diagnosis in cerebral venous thrombosis: associated factors and clinical outcomes[J/OL]. J Am Heart Assoc, 2023, 12(19): e030421 [2026-05-26]. https://pubmed.ncbi.nlm.nih.gov/37753785/. DOI: 10.1161/jaha.123.030421.
[5]
SALEHI OMRAN S, SHU L Q, CHANG A, et al. Timing and predictors of recanalization after anticoagulation in cerebral venous thrombosis[J]. J Stroke, 2023, 25(2): 291-298. DOI: 10.5853/jos.2023.00213.
[6]
ABDULAZIZ S S, HASHIM A R, HASRAT N H, et al. Clinico-epidemiological study on cerebral venous sinus thrombosis: manifestations, complications, risk factors, and diagnostic challenges[J/OL]. Cureus, 2026, 18(1): e102448 [2026-05-26]. https://pubmed.ncbi.nlm.nih.gov/41769570/. DOI: 10.7759/cureus.102448.
[7]
SAPOSNIK G, BUSHNELL C, COUTINHO J M, et al. Diagnosis and management of cerebral venous thrombosis: a scientific statement from the American heart association[J/OL]. Stroke, 2024, 55(3): e77-e90 [2026-05-26]. https://pubmed.ncbi.nlm.nih.gov/38284265/. DOI: 10.1161/STR.0000000000000456.
[8]
KHAN F, SEYAM M, SHARMA N, et al. New horizons for diagnostic pitfalls of cerebral venous thrombosis: clinical utility of a newly developed cerebral venous thrombosis diagnostic score: a case report and literature review[J/OL]. Am J Case Rep, 2021, 22: e932123 [2026-05-26]. https://pubmed.ncbi.nlm.nih.gov/34224551/. DOI: 10.12659/AJCR.932123.
[9]
ZEDDE M, PASCARELLA R. Non-thrombotic filling defects in cerebral veins and sinuses: when normal structures mimic a disease[J/OL]. Neurol Int, 2025, 17(1): 9 [2026-05-26]. https://pubmed.ncbi.nlm.nih.gov/39852773/. DOI: 10.3390/neurolint17010009.
[10]
SADIK J C, JIANU D C, SADIK R, et al. Imaging of cerebral venous thrombosis[J/OL]. Life, 2022, 12(8): 1215 [2026-05-26]. https://www.mdpi.com/2075-1729/12/8/1215. DOI: 10.3390/life12081215.
[11]
ROSA S, FRAGATA I, AGUIAR DE SOUSA D. Update on management of cerebral venous thrombosis[J]. Curr Opin Neurol, 2025, 38(1): 18-28. DOI: 10.1097/WCO.0000000000001329.
[12]
LAMBIN P, WOODRUFF H C, MALI S A, et al. Radiomics Quality Score 2.0: towards radiomics readiness levels and clinical translation for personalized medicine[J]. Nat Rev Clin Oncol, 2025, 22(11): 831-846. DOI: 10.1038/s41571-025-01067-1.
[13]
魏炳琦, 李宜静, 张新月, 等. 深度学习联合影像组学在骨骼肌肉疾病的研究进展[J]. 磁共振成像, 2026, 17(3): 213-220. DOI: 10.12015/issn.1674-8034.2026.03.031.
WEI B Q, LI Y J, ZHANG X Y, et al. Research progress of deep learning combined with radiomics in musculoskeletal diseases[J]. Chin J Magn Reson Imaging, 2026, 17(3): 213-220. DOI: 10.12015/issn.1674-8034.2026.03.031.
[14]
MCCAGUE C, RAMLEE S, REINIUS M, et al. Introduction to radiomics for a clinical audience[J]. Clin Radiol, 2023, 78(2): 83-98. DOI: 10.1016/j.crad.2022.08.149.
[15]
DUMITRIU LAGRANGE D, REYMOND P, BRINA O, et al. Spatial heterogeneity of occlusive thrombus in acute ischemic stroke: a systematic review[J]. J Neuroradiol, 2023, 50(3): 352-360. DOI: 10.1016/j.neurad.2023.01.004.
[16]
LIU Z Y, LIU Z Y, WANG Y, et al. Machine learning-based predictive analysis of energy efficiency factors necessary for the HIFU treatment of adenomyosis[J/OL]. Front Physiol, 2025, 16: 1602866 [2026-05-26]. https://pubmed.ncbi.nlm.nih.gov/40895435/. DOI: 10.3389/fphys.2025.1602866.
[17]
SANTO B A, JANBEH SARAYI S M M, MCCALL A D, et al. Multimodal CT imaging of ischemic stroke thrombi identifies scale-invariant radiomic features that reflect clot biology[J]. J Neurointerv Surg, 2023, 15(12): 1257-1263. DOI: 10.1136/jnis-2022-019967.
[18]
XU Q Q, ZHU Y, ZHANG X, et al. Clinical features and FLAIR radiomics nomogram for predicting functional outcomes after thrombolysis in ischaemic stroke[J/OL]. Front Neurosci, 2023, 17: 1063391 [2026-05-26]. https://pubmed.ncbi.nlm.nih.gov/36908776/. DOI: 10.3389/fnins.2023.1063391.
[19]
LIU L Z, GAO F, LI Y M, et al. An interpretable radiomics-based model using susceptibility-weighted imaging for non-invasive prediction of tertiary lymphoid structures in hepatocellular carcinoma[J/OL]. J Hepatocell Carcinoma, 2025, 12: 2197-2211 [2026-05-26]. https://pubmed.ncbi.nlm.nih.gov/41049157/. DOI: 10.2147/JHC.S551462.
[20]
LI J, ZHOU C R, QU X X, et al. Perilesional dominance: radiomics of multiparametric MRI enhances differentiation of IgG4-Related ophthalmic disease and orbital MALT lymphoma[J/OL]. BMC Med Imaging, 2025, 25(1): 238 [2026-05-26]. https://link.springer.com/article/10.1186/s12880-025-01771-5. DOI: 10.1186/s12880-025-01771-5.
[21]
ZHU Y X, YANG Z Y, LIU Z P, et al. Multimodal fusion of mpMRI radiomics, clinical features, and hematological biomarkers enhances machine learning-based prediction of biochemical recurrence in prostate cancer patients[J/OL]. Chem Biol Drug Des, 2025, 106(6): e70206 [2026-05-26]. https://onlinelibrary.wiley.com/doi/10.1111/cbdd.70206. DOI: 10.1111/cbdd.70206.
[22]
ALMEGREN M O. Cerebral venous thrombosis: a comprehensive narrative review[J]. Brain Circ, 2025, 11(3): 178-186. DOI: 10.4103/bc.bc_158_24.
[23]
ZUO W B, CHEN S C, LIN J S, et al. Cerebral venous thrombosis: current status and challenges[J/OL]. Brain Behav, 2025, 15(9): e70844 [2026-05-26]. https://onlinelibrary.wiley.com/doi/10.1002/brb3.70844. DOI: 10.1002/brb3.70844.
[24]
UDOVENKO A, MAKOGONENKO Y, KOROLOVA D, et al. Formation and elimination of soluble fibrin and D-dimer in the bloodstream[J]. Croat Med J, 2023, 64(6): 421-429. DOI: 10.3325/cmj.2023.64.421.
[25]
中国卒中学会. 泛血管疾病患者血脂管理专家共识(2025版)[J]. 中华医学杂志, 2026, 106(6): 504-22. DOI: 10.3760/cma.j.cn112137-20250804-01959.
Chinese Stroke Association. Expert consensus on lipid management in panvascular diseases (2025 edition)[J].Natl Med J China, 2026, 106(6): 504-22. DOI: 10.3760/cma.j.cn112137-20250804-01959.
[26]
中华人民共和国国家卫生健康委员会. 脑血管病防治指南(2024年版)[J]. 磁共振成像, 2025, 16(1): 1-8. DOI: 10.12015/issn.1674-8034.2025.01.001.
National Health Commission of the People's Republic of China. Guideline for prevention and treatment of cerebrovascular disease(2024 edition)[J]. Chin J Magn Reson Imaging, 2025, 16(1): 1-8. DOI: 10.12015/issn.1674-8034.2025.01.001.
[27]
RANJAN R, KEN-DROR G, SHARMA P. Pathophysiology, diagnosis and management of cerebral venous thrombosis: a comprehensive review[J/OL]. Medicine, 2023, 102(48): e36366 [2026-05-26]. https://pubmed.ncbi.nlm.nih.gov/38050259/. DOI: 10.1097/md.0000000000036366.
[28]
LI H, GUAN X J, LIU L, et al. Cerebral venous outflow insufficiency: a study on symptoms and venous stenosis classification[J/OL]. MedComm, 2026, 7(3): e70609 [2026-05-26]. https://pubmed.ncbi.nlm.nih.gov/41768367/. DOI: 10.1002/mco2.70609.
[29]
CAO Y, CHEN R C, KATZ A J. Why is a small sample size not enough [J]. Oncologist, 2024, 29(9): 761-763. DOI: 10.1093/oncolo/oyae162.
[30]
FIELD T S, FRAGATA I. Current management of cerebral venous thrombosis[J]. Stroke, 2026, 57(7): 2228-2236. DOI: 10.1161/STROKEAHA.125.051340.
[31]
XU W L, GAO L S, LI T, et al. The performance of CT versus MRI in the differential diagnosis of cerebral venous thrombosis[J]. Thromb Haemost, 2018, 118(6): 1067-1077. DOI: 10.1055/s-0038-1642636.
[32]
BOUKERCHE F, BALAKRISHNAN S, KALAPOS P, et al. Detection of cerebral cortical vein thrombosis with high-resolution susceptibility weighted imaging: a comparison with MR venography and standard MR sequences[J]. Neuroradiology, 2023, 65(5): 885-892. DOI: 10.1007/s00234-023-03123-y.
[33]
SHEN J, TAO Z, CHEN W, et al. Malignant isolated cortical vein thrombosis as the initial manifestation of primary antiphospholipid syndrome: lessons on diagnosis and management from a case report[J/OL]. Front Immunol, 2022, 13: 882032 [2026-05-26]. https://pubmed.ncbi.nlm.nih.gov/35547735/. DOI: 10.3389/fimmu.2022.882032.
[34]
WU X Q, YING J B, LI J, et al. A deep learning based radiomics model for differentiating intraparenchymal hematoma induced by cerebral venous thrombosis[J/OL]. Sci Rep, 2025, 16(1): 1423 [2026-05-26]. https://pubmed.ncbi.nlm.nih.gov/41350423/. DOI: 10.1038/s41598-025-31206-8.
[35]
CHANG Y Z, ZHU H Y, SONG Y Q, et al. High-resolution magnetic resonance imaging-based radiomic features aid in selecting endovascular candidates among patients with cerebral venous sinus thrombosis[J/OL]. Thromb J, 2023, 21(1): 116 [2026-05-26]. https://pubmed.ncbi.nlm.nih.gov/37950211/. DOI: 10.1186/s12959-023-00558-4.

上一篇 急性缺血性卒中患者深髓静脉不对称征与DTI-ALPS指数的相关性研究
下一篇 APT成像联合T2-FLAIR在无对比剂强化弥漫性胶质瘤中的应用价值
  
诚聘英才 | 广告合作 | 免责声明 | 版权声明
联系电话:010-67113815
京ICP备19028836号-2