编辑推荐：
为探究 AIS 患者预后预测新方法，研究人员构建基于 WMH 影像组学和临床因素模型，提升预测准确性。
在医疗领域，急性缺血性脑卒中（AIS）一直是严重威胁人类健康的重大疾病。当患者发生 AIS 时，脑部血液供应突然中断，导致脑组织缺氧、坏死，进而引发一系列神经功能障碍。而在对 AIS 患者进行颅脑 MRI 检查时，常常会发现白质高信号（WMH）的存在。WMH 作为脑小血管病（CSVD）的重要影像学指标，如同隐藏在大脑中的 “定时炸弹”，与 AIS 的发生、发展及预后密切相关。
然而，目前 AIS 的预后预测面临诸多困境。现有的预后模型大多依赖年龄、高血压、糖尿病等传统临床因素，或者像 Fazekas 评分、WMH 体积等简单的影像学指标。这些方法就像是用一把 “粗糙的尺子” 去衡量复杂的病情，忽略了 WMH 病变内部丰富的空间和纹理异质性，而这些信息恰恰可能蕴含着组织对损伤的易感性以及恢复潜力的关键密码。此外，以往基于影像组学的 AIS 预后模型主要聚焦于急性梗死区域，对常规 FLAIR 序列上容易检测到的慢性 WMH 病变的预后价值关注甚少。并且传统方法在评估 WMH 时，多采用手动视觉评级或基本形态学描述，难以捕捉到能量化病变细微差异的高维影像组学特征。在机器学习算法应用方面，虽然其在医学影像领域展现出巨大潜力，但在 WMH 影像组学用于 AIS 预后预测的研究还远远不够。
为了打破这些困境，来自徐州医科大学附属徐州临床学院等机构的研究人员开展了一项极具意义的研究，相关成果发表在《BMC Medical Imaging》杂志上。
研究人员在此次研究中运用了多种关键技术方法。首先是样本选取，他们回顾性纳入了 2023 年 9 月至 2024 年 3 月徐州中心医院神经内科收治的 202 例伴有 WMH 的急性前循环缺血性脑卒中患者，并随机分为训练队列和验证队列。其次，在影像处理上，利用 MATLAB 和 ITK - SNAP 软件对 WMH 病变进行自动分割和手动调整，获取总白质高信号（TWMH）、脑室周围白质高信号（PWMH）和深部白质高信号（DWMH）区域。然后，借助 FAE 软件和多种算法进行影像组学特征提取与选择，并通过多种机器学习方法构建模型。
研究结果主要体现在以下几个方面：
- 临床特征分析：通过对大量患者临床数据的分析，发现年龄、既往卒中史、冠状动脉疾病（CAD）、入院血糖水平、同型半胱氨酸（HCY）水平和梗死体积是 AIS 预后的独立临床预测因素。基于这些因素，构建了临床模型。
- 影像组学特征提取与模型构建：从 TWMH、PWMH 和 DWMH 中分别提取出 16、21 和 22 个影像组学特征。利用支持向量机（SVM）、线性判别分析（LDA）等六种机器学习算法构建不同的影像组学模型。结果显示，基于 TWMH 的影像组学模型在预测 AIS 预后方面表现最为出色，尤其是使用 SVM 分类器的 TWMH 模型，在验证集中灵敏度达到 90.0%，特异性为 81.3%，准确率为 85.3%，AUC 为 0.916。
- 临床 - 影像组学联合模型构建与评估：将独立临床预测因素与最优影像组学模型的 Rad - score 相结合，构建联合模型。该联合模型在训练集和验证集中均表现优异，AUC 分别达到 0.972 和 0.939，优于单独的临床模型和影像组学模型。同时，研究人员还构建了列线图（nomogram），使模型的预测结果更加直观易懂。通过校准曲线和决策曲线分析（DCA）进一步验证，联合模型在预测准确性和临床决策适用性方面都具有显著优势。
在研究结论与讨论部分，此次研究意义非凡。一方面，研究表明基于 FLAIR 序列的 WMH 影像组学方法能够有效预测 AIS 患者 90 天的功能预后，TWMH 影像组学特征在预测中发挥了重要作用。另一方面，联合模型整合了 TWMH 影像组学和临床因素，展现出更卓越的性能，为临床医生评估患者预后、制定个性化治疗策略提供了有力的支持。例如，医生可以根据联合模型的预测结果，对高风险患者提前进行更积极的干预，从而有可能改善患者的预后。
然而，该研究也存在一定的局限性，如样本量较小、为单中心研究且缺乏外部验证队列，以及在影像分割过程中存在一定的主观性等。未来，需要开展大规模、前瞻性、多中心研究，并探索基于深度学习的病变分割方法，以进一步增强预测模型的稳健性、适用性和泛化能力。但无论如何，此次研究为 AIS 预后预测开辟了新的道路，在生命科学和健康医学领域具有重要的参考价值和应用前景。
