脑内出血（ICH）是一种致命性的卒中病变，在全世界造成280万人死亡，且大部分（80%）幸存者需要长期护理。ICH与预后不良相关，血肿膨胀（HE）已被临床确定为一个重要的影像学标记和潜在的治疗目标。之前的工作已经开发了一系列基于影像学的算法来识别血肿。然而，正如Dowlatshahi等学者所指出的，无论如何定义HE，对预后预测的敏感性都非常低。因此，传统的基于血流的预测来评估风险分层可能会忽略许多需要重症监护的患者。

血肿周围水肿（PHE）是ICH患者继发性脑损伤（SBI）的一种新型生物标志物。早期和延迟的PHE扩张谱都与预后不良有关。与HE相比，PHE的异常扩张可能出现在ICH的急性或亚急性阶段，因为它的生长周期相对较长，而且其生长模式更易变化。在ICH亚急性期意外出现颅内高压的患者，必须对PHE的异常扩张进行调查（必要时进行治疗）。更重要的是，PHE是内皮细胞离子泵功能障碍、血脑屏障功能障碍和ICH后血红蛋白细胞毒性的直接后果。因此，预测PHE的扩展，并在明显的SBI形成之前采取预防措施抑制其快速增长是改善ICH预后的一个有希望的策略。这种方法可能比HE预测具有更大的临床意义。然而不幸的是，现有的模型没有提供令人信服的成功预测PHE的证据。

之前的工作采用了基于定量放射组学的机器学习（ML）方法进行HE预测。这些方法比黑盒深度学习具有更好的模型可解释性。近日，发表在European Radiology杂志的一项研究建并比较了三种预测PHE扩展的ML模型：一种基于影像学特征和临床指标，第二种基于放射组学特征和临床指标，第三种基于放射组学特征、临床指标和传统影像学特征的组合ML模型，并将者三种ML模型的预测性能与来自成像阅读者的传统预测进行了比较。

本项研究招募了550名具有早期PHE扩张的自发性ICH患者，并招募了389名具有延迟扩张的患者。两名影像学研究人员对非对比计算机断层扫描（NCCT）中血肿的形状和密度进行了评分。研究使用来自放射组学、传统成像和临床指标的数据，训练了一个放射学机器学习（ML）模型、一个放射组学ML模型和一个综合ML模型。然后研究通过使用嵌套的4倍交叉验证方法在独立的数据集上验证了这些模型。研究比较了模型的预测性能，并使用接收器操作特征曲线进行评估。 

对于早期和延迟的PHE扩展，联合ML模型的预测性最高（早期/延迟AUC值为0.840/0.705），其次是放射组学ML模型（0.799/0.663）、放射学ML模型（0.779/0.631）、以及成像阅读者（读者1：0.668/0.565，读者2：0.700/0.617）。 

 图 预测早期PHE扩展（a）和延迟PHE扩展（b）的机器倾斜模型的接收操作特征曲线

本项研究表明，通过ML算法对放射组学特征的评估代表了预测PHE扩展的一种有前途的临床策略。根据放射组学和传统影像学特征训练的联合ML模型具有很高的性能和良好的可解释性。因此，这项新技术可在ICH患者的个体化治疗中得到有价值的临床应用。

原文出处：

Yihao Chen,Chenchen Qin,Jianbo Chang,et al.A machine learning approach for predicting perihematomal edema expansion in patients with intracerebral hemorrhage.DOI:10.1007/s00330-022-09311-3

Tags： European Radiology:如何预测脑出血患者血肿周围水肿的扩张？机器学习有话说！