多序列 MRI 影像组学联合临床放射学特征融合模型：精准区分 HBMcbh与 nn-ICH 的新利器

《Neuroradiology》：Improving differentiation of hemorrhagic brain metastases from non-neoplastic hematomas using radiomics and clinical feature fusion

为区分血肿覆盖的出血性脑转移瘤（HBMcbh）和非肿瘤性颅内血肿（nn-ICH），研究人员开展相关研究，发现融合模型预测价值优，意义重大。

　　本研究旨在开发并验证一种融合模型，该模型结合多序列磁共振成像（MRI）影像组学和临床放射学特征，用于区分被血肿覆盖的出血性脑转移瘤（HBM_cbh）和非肿瘤性颅内血肿（nn-ICH）。研究人员从两个临床机构收集了 146 例经病理或临床证实的 HBM_cbh（n = 55）和 nn-ICH（n = 91）患者的数据。基于 T2 加权、T1 加权、液体衰减反转恢复和 T1 增强成像，从不同区域（出血和 / 或水肿区域）提取影像组学特征。采用合成少数过采样技术（SMOTE）平衡少数群体（HBM_cbh）。利用逻辑回归（LR）和 k 近邻（KNN）算法，基于临床放射学因素构建临床模型，基于多种 MRI 模态的影像组学特征构建影像组学模型，以及基于两者结合构建融合模型。使用 DeLong 检验比较不同模型在外部数据集上的曲线下面积（AUC）值。结果显示，在所有影像组学模型中，基于整个区域的 4 序列影像组学模型表现最佳，无论是否使用 SMOTE，其 AUC 分别为 0.83 和 0.84。临床模型的 AUC 在使用 SMOTE 时为 0.71，未使用时为 0.62。融合模型无论是否使用 SMOTE 均显示出优异的预测价值（AUC 分别为 0.93 和 0.90），优于影像组学模型和临床模型（0.93 vs. 0.83、0.71，p < 0.05；0.90 vs. 0.84、0.62，p < 0.05）。结论表明，多序列影像组学模型是区分 HBM_cbh和 nn-ICH 的有效方法，与临床放射学特征相结合可产生诊断性能最佳的预测模型。