作者：张泽鑫，内蒙古医科大学赤峰临床医学院；谢召勇，内蒙古赤峰市医院医学影像中心
自发性
1. 影像组学方法
影像组学是一个快速发展的研究领域，其概念由荷兰学者LAMBIN等在2012年首次提出，指从医学图像中快速提取高通量特征，并进一步采用多样化的统计分析和数据挖掘方法，将数字医学图像转换为可挖掘的高维数据。影像组学与传统影像学相比，能够对医学图像中感兴趣区域的形状、密度和纹理属性进行全面、定量的评估，同时可以捕捉组织和病变特征，也可以单独或与人口统计学、组织学、基因组学或蛋白质组学数据相结合。
过去影像组学的研究重点是肿瘤学，近几年，逐渐应用在预测脑出血血肿扩张方面。影像组学的起点是选择成像技术，如CT、MRI、PET等（本文无特殊说明特指CT影像组学）。基本流程包括数据选择与处理、特征筛选、特征降维、建立模型。感兴趣区域（region/volume of interest，ROI/VOI）的分割是影像组学进行特征提取的前提。国内外的绝大多数研究采取沿血肿轮廓手动划定的方法，同时控制组内相关系数（intra-class correlation，ICC）以确保ROI的准确性。
IRONSIDE等为了能更好地捕捉血肿特征，使用深度学习方法推导和验证脑出血（ICH）体积分析的全自动分割算法。与人工分割和半自动分割相比，在验证集中不仅表现出相关性系数为0.890 和0.910，且速度［平均（12.0 ± 2.7） s/次］明显快于手动分割算法［平均（201.5 ± 92.2） s/次］和半自动平均分割方法［（288.58 ± 160.3） s/次］。影像组学特征可以大致分为基于大小和形状的特征、图像强度直方图的特征、图像体素之间（空间）关系的特征、从滤波图像中提取的特征和分形特征。
根据CHEN等的研究，NCCT 衍生的 2D 影像组学特征在预测 HE 方面表现出与 3D影像组学特征相似的性能，这种相似性表明血肿扩张似乎不受初始血肿体积的影响。病灶分割的 2D 模式简化了 ICH 中的影像组学分析过程，符合ICH的紧急情况，因此很可能在未来成为HE相关的特征工程的首选。同时影像组学能否成功应用在很大程度上取决于特征的再现性。
CHEN等考虑到伦理问题后进行了体外CT扫描实验，提取筛选验证ICH血肿扩张的六个影像学特征组的可重复性，经过全面的测试-重新测试以及评估，最终得出结论：体外血肿的630个特征中仅有148个是可重复的；由于急性期血肿变化在体内和体外条件又是不同的，故在临床实践中可重复血肿的影像组学特征可能会少之又少；由于前3 h血肿变化更为明显，因此前3 h可重复影像组学特征的百分比显著低于后3 h；此外，扫描仪器的噪声和随机误差（即扫描过程中的位置变化或VOI分割的变化）也是特征不可再现性的原因。机器学习（machine learning，Ml）是影像组学去除大量冗杂信息即进行特征筛选的常用方法。
深度学习（deep learning， DL）是当前人工智能领域机器学习最热门的方法，包含多重感知层的神经网络。与其他分析方法相比，深度学习的主要优势之一是特征化，即将原始信号转化为可以建模的预测器，是完全自动化的。深度学习侧重于为正确输入的信号设计正确的网络。但由于其生成的模型和特征缺乏可解释性，也被视为“黑匣子”。
2. NCCT 影像组学在自发性脑出血预测早期血肿扩张方面的应用
机器学习算法模型是临床科研工作中的热门研究领域。在预测自发性脑出血血肿扩张方面，筛选出最优算法建立预测模型将是该研究的重点。
在验证集中，XGboost模型 AUC为0.686。相较于预测ICH早期血肿扩张，XGboost模型似乎在预测脑出血预后方面有着更优的性能。基础数据的选择对高性能模型的构建十分必要。XIE等构建并比较了3种预测血肿扩张的模型（影像学模型、影像组学模型和组合模型），证实了组合模型的优越性（训练队列AUC=0.968，验证队列AUC=0.889）。这项研究提供了一种快速、客观的方法来识别有血肿扩大风险的患者。为了进一步提高模型辨别能力，扩大影像组学优势，也可纳入临床特征、影像学征象、影像组学特征等参数。
SONG等从最初的
以上研究结果均与韩曙光等的研究结果相一致，通过添加临床数据（血糖）和影像组学特征（cluster prominence、sum entropy）构建模型，其建立联合模型的 AUC 值达0.872，表现均优于陈凯等的构建模型。值得一提的是，BAKAR等利用影像学和临床指标及新开发的量表构建预测血肿扩张风险和死亡风险模型，结果表明：GCS评分、初始血肿体积值、黑洞征、脑室出血、BAT评分、HEMRICH量表评分是预测HE风险的最佳指标，而GCS评分、脑室出血、BAT评分、HE、HEMRICH量表评分是预测死亡风险的最佳指标。
随着人工智能的发展，影像组学与深度学习的结合呈现出更大的优势。深度学习被认为是最有效的机器学习算法，已被广泛应用于医学成像研究。深度学习的分割方法具有从大数据中进行自学和泛化的能力，引起了人们越来越多的关注，其中最著名的是卷积神经网络（convolutional neural networks，CNN）。深度卷积神经网络的优势在于，它可以自动学习重要的低级特征（如线和边），并从低级特征中迭代提取更复杂、更高级的特征（如形状）。
ZHONG等针对我国SICH患者率先开发出一个基于NCCT图像的两输出CNN模型以预测ICH患者的早期HE。将其与传统的NCCT标记物的性能和基于BAT评分的逻辑回归模型性能相比较，结果显示CNN模型有着最优的预测效果，为预测早期HE提供了更准确的方法。与现有的血肿预测方法相比，深度学习提供了一种省时、易于实施、主观独立的方法来预测脑出血患者血肿扩大的风险。它在对输入图像进行滤波时保留了空间关系，可以有效地提取脑出血图像中的影像特征。该模型在训练过程中对图像进行缩放和变换，大大提高了输出模型的稳定性。由此可见，深度学习有潜力作为预测HE的最佳选择方案。
考虑到人工智能作为高端技术需要高性能计算机强大的硬件及软件支持，该方法在小型医疗机构的应用可能受到限制。诺模图能够将预测模型简化为针对个体患者概况事件发生概率的单一数值，例如死亡或复发。列线图是其表达信息的形式，在临床中可以利用图中各项参数为临床决策提供信息。CHEN等创新性的提出一种利用影像组学特征、卫星征与诺模图相结合的方式，构建预测脑内HE的模型。基于诺模图模型为预测ICH血肿扩张提供了一种快速、易于使用和可靠的工具，该模型可以基于NCCT图像有效评估脑出血的动态变化，可作为脑出血患者个体化预测和治疗决策的客观便捷工具，具有巨大的临床应用潜力。
综上所述，影像组学与将医学图像视为仅用于视觉解释影像的传统做法形成了鲜明对比。基于NCCT的影像组学可以更好地提取图像中的影像特征，获得准确的内部相关性。在整个分析过程中，消除主观因素的干扰，使得结果更加准确和可重复，尤其是机器学习算法和深度学习的应用更大幅度提升了模型的预测效能，快速筛选出血肿扩大的高危人群，为制定个性化的临床治疗提供依据。尽管还存在着技术不足，但是相信在不久的将来，影像组学能够在预测SICH 患者血肿扩大方面发挥更关键的作用。
来源：张泽鑫,谢召勇.基于NCCT影像组学预测自发性脑出血血肿扩大的研究进展[J].医学影像学杂志,2025,35(03):122-125.DOI:10.20258/j.cnki.1006-9011.2025.03.028.
(本网站所有内容，凡注明来源为“医脉通”，版权均归医脉通所有，未经授权，任何媒体、网站或个人不得转载，否则将追究法律责任，授权转载时须注明“来源：医脉通”。本网注明来源为其他媒体的内容为转载，转载仅作观点分享，版权归原作者所有，如有侵犯版权，请及时联系我们。)
