基于DWI影像组学-临床模型预测急性脑卒中机械取栓治疗后无效再通的分析

目的基于治疗前临床和扩散加权成像(diffusion weighted imaging,DWI)影像组学特征构建机器学习模型,以期在机械取栓治疗前预测急性脑卒中无效再通的风险。方法选取接受机械取栓治疗并达到完全再通(mTICI:2b~3级)的急性脑卒中患者147例。根据3个月mRS评分将患者分为有效再通组(mRS评分:0~2分)和无效再通组(mRS评分:3~6分)。从DWI图像中提取1130个影像组学特征并应用最小绝对收缩与选择算子算法筛选特征。应用支持向量机(support vector machine,SVM)构建并比较临床模型、影像组学模型和临床-影像组学模型效能,并选择最优模型构建急性脑卒中无效再通列线图预测模型。结果临床-影像组学模型在训练集中预测急性脑卒中无效再通的AUC为0.925,敏感度和特异度分别为100%、75.0%,明显高于临床模型(AUC:0.680;Z=-3.050,P=0.002)和影像组学模型(AUC:0.760;Z=-2.187,P=0.029)。在测试集中的临床-影像组学模型预测急性脑卒中无效再通的AUC为0.908,敏感度和特异度分别为80.90%、96.40%,明显高于临床模型(AUC:0.647;Z=-4.172,P<0.001)和影像组学模型(AUC:0.763;Z=-2.426,P=0.015)。临床-影像组学列线图模型的一致性指数为0.884(95%CI:0.807~0.931,P<0.01)。结论基于临床变量和DWI影像组学的临床-影像组学机器学习模型可准确预测急性脑卒中机械取栓治疗后无效再通风险。