《AJNR American Journal of Neuroradiology》杂志 2024 年9月 12.日在线发表美国明州Mayo Clinic的Mohamed Sobhi Jabal , Marwa A Mohammed , Cody L Nesvick ,等撰写的《立体定向放射外科治疗后脑AVM闭塞的DSA定量分析及预测模型。DSA Quantitative Analysis and Predictive Modeling of Obliteration in Cerebral AVM following Stereotactic Radiosurgery》（doi: 10.3174/ajnr.A8351. ）。
背景和目的:
特别是对于小的和那些位于大脑功能区的畸形血管巢，立体定向放射外科是脑动静脉畸形的关键治疗方式。由于不断发展的治疗模式和复杂的AVM表现，预测闭塞仍然具有挑战性。随着数字减影血管造影(DSA)成为结果评估的金标准，放射影像学方法提供了更客观和详细的分析潜力。我们的目标是利用DSA定量特征开发机器学习建模，用于SRS治疗后闭塞的预测。
立体定向放射外科手术(SRS)在治疗AVM(最常见的脑血管畸形)中是必不可少的，特别是在小的AVM和处于重要皮层区的动静脉畸形中（ it is particularly valuable in small AVMs and the ones juxtaposed to eloquent cortical regions.）。随着治疗过程的延长和SRS应用范围的扩大，包括复杂的AVM，最近的闭塞率发生了变化，这使得他们的预测越来越具有挑战性。除了剂量学对SRS后AVM的预后有重要影响外，间歇治疗的持续时间也与确保适形治疗密切相关。生物效应剂量(BED)测量显示与组织存活显著相关，包括辐射剂量和照射时间(BOT)。
目前，通常使用DSA来确定脑AVM的明确诊断，DSA因其高时空分辨率和准确反映畸形血管巢血管结构的细节而被认为是评估脑AVM在SRS计划和闭塞随访中的参考标准。
基于放射影像组学的应用，使用图像处理和放射表型畸形血管巢特征的量化，越来越多地用于精密医学领域的诊断和预后工具开发，在生物标志物分析和临床决策辅助方面具有潜力，克服了主观视觉评估固有的一些限制。这些技术能够提取人眼难以察觉的分子和病理生理过程数据，比主观视觉评估具有优势。该方法利用信号强度和像素相互关系的空间分布计算形状和纹理信息，通过数学公式确定，从而减少主观解读器的可变性，并为可解释的机器学习(ML)应用提供良好的基础。提供SRS治疗后患者预后的个性化预测具有宝贵的潜力，是未来神经系统疾病管理不可或缺的一部分。许多经典的评分系统已经开发出来，以帮助临床医生更好地预测患者在放射外科治疗脑动静脉畸形后的结果。
在本研究中，我们旨在开发一种ML预测方法，对提取的DSA放射影像组学特征进行建模，用于放射外科治疗后脑AVM闭塞预测，并与经典评分系统中发现的临床和放射外科预测指标进行比较。
材料和方法:
对脑动静脉畸形患者的前瞻性登记进行筛选，包括数字立体定向放射外科前DSA患者。检索前后和侧位视图并手动分割。从病灶的ROI中计算定量特征。在特征选择之后，开发机器学习模型，使用处理后的放射影像组学特征与临床和放射外科特征进行比较，预测2年未成功的完全闭塞。当我们通过受试者工作特征曲线下面积(AUROC)、准确率、精确度-召回率曲线下面积F1、召回率和精度进行评估时，测试集上表现最好的模型预测使用Shapley加性解释方法进行解释[When we evaluated through area under the receiver operating characteristic curve (AUROC), accuracy, area under the precision-recall curve F1, recall, and precision, the best performing model predictions on the test set were interpreted using the Shapley additive explanations approach. ]。
结果:
检索并分析了100例入选患者的DSA图像。表现最好的临床放射外科模型是梯度增强分类器，AUROC为68%，召回率为67%。当我们使用放射影像学变量作为输入时，AdaBoost分类器具有最佳的评估指标，AUROC为79%，召回率为75%。最重要的临床放射外科特征，按模型贡献排序，是畸形血管巢体积，患者年龄，治疗剂量率，出现癫痫发作和既往切除术史。最重要的放射影像组学特征排名如下:灰度大小区矩阵、灰度不均匀性、峰度、球度、偏度和灰度依赖矩阵的不均匀性（The most important ranked radiomics features were the following: gray-level size zone matrix, gray-level nonuniformity, kurtosis, sphericity, skewness, and gray-level dependence matrix dependence nonuniformity.）。
讨论：
该研究结果强调了定量形态学成像特征与ML相结合在预测SRS治疗后2年脑AVM完全闭塞方面的价值。使用放射影像组学特征构建的模型与使用经典临床-放射外科变量以及相关临床和放射外科变量构建的模型相比，具有更好的综合性能和更高的灵敏度。模型解释确定了关键变量，如畸形血管巢体积、患者年龄、TDR和既往切除术是最重要的因素，验证了它们的重要性。
在构建的放射影像组学模型中，GLSZM灰度不均匀性是驱动预测的最重要的放射影像组学特征，其值越大，不利AVM闭塞的概率越大。GLSZM灰度不均匀性反映了灰度强度值的连通性和可变性，灰度值越低表示灰度均匀。这一特征强调了高度致密的畸形血管巢在2年后随访中有更完全闭塞有利的机会。峰度，量化ROI强度分布，高值意味着分布集中，位于尾部而不是中心，推断极端强度值的普遍性，这也可能是弥漫性AVM的特征。这一发现与先前对这一主题的研究一致。
在Gao等人最近的一项研究中，开发了44个放射影像组学模型来预测伽玛刀放射外科治疗未破裂动静脉畸形的结果。然而，与我们使用横向DSA视图捕获放射影像组学特征的研究不同，Gao等人依赖于横断面MR成像。在我们的研究中使用DSA，由于其优越的空间分辨率而被认为是标准标准，可以更精确地分析AVM病灶结构，并且可能比基于MR的成像提供更准确的预测见解。这种区别是至关重要的，因为DSA提供了MRI通常无法捕获的动态血管信息，可能根据更详细的血管数据制定更好的治疗计划。
GLDM描述了在一定距离内连接的几个像素如何依赖于中心像素的强度。依赖性不均匀性通过ROI通知不平等依赖性，表明异质性依赖性，与不利的AVM闭塞结果相关。
偏度对应于强度值分布在均值周围的不对称性，球度量化了ROI相对于圆的圆度。值得注意的是，所有最大相关性最小冗余选择放射影像组学特征都来自侧位DSA视图。
结果与我们的临床放射外科模型结果密切一致，Oermann等开发了一种ML方法，仅使用来自大型队列的临床放射外科特征，2年后的闭塞预测性能为0.70。Meng等建立了基于放射影像组学的ML模型，利用100例患者的MR T2图像预测部分栓塞后SRS治疗后脑AVM的预后。尽管k近邻模型AUROC为0.66，但其特异性为0.44，低于其领先的剂量学模型(AUROC为0.66，特异性为0.56)。他们认为，该队列先前的栓塞可能导致病变均匀性，削弱了放射影像组学模型的预后强度。该模型包含4个放射影像组学特征:小轴长、总能量和2种灰度不均匀性。两项研究使用AVM放射影像组学进行诊断，但没有预测结果:Jiao等使用分割的3D TOF-MRA图像，Shi等训练神经网络模型，从DSA序列中对AVM进行时空诊断，进行AVM分级二分类。
采用DSA作为高空间分辨率的标准，研究设计选择了SRS治疗 AVM闭塞的预后模型，并排除了先前AVM栓塞的患者，从而突出了预测性放射影像组学标记。我们相信这些模型可以为增强AVM闭塞性预测提供重要的一步，并且通过进一步的验证和改进，它们可以支持临床决策过程。目前的研究表明，ML和放射影像组学在以精确的定量方式自动化评估AVM特征方面具有潜力，最终目标是验证放射影像组学特征以预测SRS治疗结果。它还强调了未来以个性化数据为中心的脑血管医疗的预后工具的前景。未来的研究应进一步探索放射组学与患者表现特征(如癫痫发作)的关系。
结论:
放射影像组学与机器学习相结合是预测立体定向放射外科后脑AVM闭塞状态的一种很有前途的方法。由于DSA具有较高的空间分辨率，因此可以提高立体定向放射外科治疗的AVM的预后。模型解释对于建立透明模型和建立临床有效的放射影像组学特征至关重要。
ML方法和可量化的基于图像的标记物的结合是一种有价值的方法来模拟用SRS治疗脑AVM的结果，并且可以补充经典的预后工具。在这项研究中，建立了一个基于放射影像组学的ML模型来预测放射外科治疗后的AVM闭塞。根据该领域的先验知识并增加其评估的准确性，预测结果可能假设基于与AVM弥漫性和血管结构相关的DSA特征，这需要在未来的研究中进行验证。模型解释已成为医疗保健ML管道的重要步骤，以确保预后放射影像学生物标志物的临床合理性和有效性。
