基于双能量 CT 虚拟单能图像的影像组学识别症状性颈动脉斑块：多中心研究，为临床决策注入新活力

《Scientific Reports》：Radiomics based on dual-energy CT virtual monoenergetic images to identify symptomatic carotid plaques: a multicenter study

为解决现有方法在识别症状性颈动脉斑块方面的局限，温州医科大学附属第五医院等研究人员开展基于双能量 CT（DECT）虚拟单能图像（VMI）的影像组学研究。结果显示该模型预测性能良好，能辅助临床诊疗决策，具有重要意义。

　　颈动脉，作为连接心脏和大脑的 “生命通道”，一旦出现问题，后果不堪设想。在全球范围内，中风是导致死亡和残疾的重要原因之一，而约 20% 的缺血性中风都与颈动脉粥样硬化有关。症状性颈动脉斑块，就像隐藏在血管中的 “定时炸弹”，随时可能引发中风等严重后果。准确识别这些斑块，对预防中风、改善患者生活质量至关重要。

目前，用于评估颈动脉粥样硬化疾病的常用方法存在不少问题。计算机断层血管造影（CTA）虽有高空间分辨率等优势，但传统评估方式依赖诊断医生的经验，缺乏客观定量指标。双能量 CT（DECT）虽能提高成像分辨率，可定量参数仍需手动测量。影像组学虽在肿瘤等领域有所应用，但在动脉斑块评估方面还未得到充分探索。在这样的背景下，为了找到更精准、有效的评估方法，温州医科大学附属第五医院、附属第二医院以及中国科学院苏州生物医学工程技术研究所等机构的研究人员，开展了一项极具意义的研究。

这项研究成果发表在《Scientific Reports》上，研究旨在利用 DECT 的 VMI 构建影像组学列线图，以准确识别症状性颈动脉斑块。

研究人员用到的主要关键技术方法包括：从温州医科大学附属第五医院（中心 1）2018 年 1 月至 2023 年 5 月、附属第二医院（中心 2）2020 年 1 月至 2023 年 5 月诊断和治疗的颅外颈动脉疾病患者中收集数据；使用 Somatom Force CT 扫描仪进行头颈部 CTA 检查，生成 40keV、70keV 和 100keV 的 VMI；运用影像组学技术，经特征提取、选择，构建不同能量模型和影像组学列线图；通过多种统计分析方法评估模型性能。

研究结果如下：

• 患者特征与临床模型构建：对训练集、内部验证集和外部验证集分析发现，症状性和无症状组在斑块溃疡、长度、管腔狭窄、严重狭窄、斑块负荷和脂肪分数（Fat Fraction）等变量上存在显著差异。单因素和多因素逻辑回归分析确定了斑块溃疡、斑块负荷和 Fat Fraction 是症状性颈动脉斑块的独立风险因素。基于这些因素构建的临床模型，在各验证集中 AUC 值分别为 0.794、0.757 和 0.743 。
• 特征选择与模型构建：从每个感兴趣体积（VOI）提取的 1688 个特征一致性高（所有 ICC>0.8）。经特征选择，不同 VMI 模型得到不同数量的特征。支持向量机（SVM）建立的模型中，40 + 70keV 能量水平的模型诊断性能最佳，平均 AUC 值为 0.805。
• 影像组学列线图的构建：基于斑块溃疡、斑块负荷、Fat Fraction 和影像组学评分（Rad-Score）构建影像组学列线图。在临床实践中可根据评估特征计算斑块特征和 Rad-Score，进而预测斑块风险。
• 影像组学列线图的评估：校准曲线显示列线图估计概率与实际数据拟合良好。列线图在训练集、内部验证集和外部验证集的 AUC 值分别为 0.909、0.850 和 0.804 ，且净获益大于临床和影像组学模型。

在研究结论与讨论部分，研究人员指出，本研究利用 DECT 的 VMI 开发的影像组学列线图，在识别症状性颈动脉斑块方面表现出色，经内部和外部验证，整合传统斑块特征可进一步提高识别性能。这一成果有望成为颈动脉斑块风险分层和早期干预的有力工具，为预防脑血管事件提供重要支持。不过，该研究也存在一些局限性，如回顾性研究设计、VOI 手动分割未自动化、仅使用一种机器学习分类器以及未考虑对侧颈动脉侧支循环的影响等。未来研究可在这些方面加以改进，进一步完善对症状性颈动脉斑块的评估和预测。