本研究的目的是通过非强化CT（non-contrast computed tomography，NCCT）图像获得的影像组学区分不同原因的自发性脑出血（Spontaneous intracerebral hemorrhage，ICH）。研究得出结论通过应用影像组学为基础的机器学习模型，可区分三种非创伤性ICH。该模型有助于影像科医生制定进一步诊断以最终实现明确诊断。研究结果发表在2024年10月的《Neuroradiology》杂志上。（原文PMID：39367990）
研究背景
非创伤性脑出血（ICH）是一类详见的卒中亚型，其特点为不良预后、逐年增高的死亡率和长期残疾生活状态等。而ICH最常见的原因为慢性高血压和血管的淀粉样变，其次是血管异常和新生物、肿瘤卒中等。
在明确诊断和寻找潜在病因方面，神经影像是十分重要的。根据现行的诊疗标准，首先应实施的检查为MRI或非增强CT（non-contrast computed tomography，NCCT）。而针对急性出血，在综合检查速度、检查开展的普遍性及检查敏感性、特异性等因素后，CT通常是一线首选检查。但是NCCT在区分ICH的原因上目前尚存在缺陷；而一旦对ICH分型出现错误，势必造成诊断的延迟，甚至对患者预后产生负面影响。
影像组学为近期快速开展的研究方法，该方法通过图像技术分析可以展示更多人眼无法看见的细节。其根本方法是通过数学算法量化图像属性。虽然大多数关于影像组学的研究结果是基于肿瘤方面的应用，但影像组学在其他疾病领域的应用也越来越得到认可。已经有相关研究报道了影像组学、机器学习等方法在NCCT图像上的应用和ICH方面的分析。来源于不同组别的血肿区域特征都被应用于影像组学分析，例如第一次检查、形状、质地等。这些研究都认为AdaBoost分类是最有效的分类方法之一。虽然目前针对ICH的影像组学研究在各方面都有进展，但目前研究只能处理两种ICH病因。而事实是临床工作中，非创伤性ICH通常有不止2种原因，本研究基于影像组学特征的组内分层设计，可包含更多的ICH病因。
自动区分这三种类型病因的图像特征还是很有挑战的，尤其是样本量有限条件下。因此，本研究的目的就是区分ICH的3种原因：肿瘤性质的、血管异常以及原发性。影像组学特征、人口学特征以及临床特征都被用于构建组内分层模型。该模型的评价方法为其准确性、敏感性、特异性及ROC曲线下面积（AUC）。
研究方法
图1，研究流程图
图2，组内分层模型的构建
研究结果
表1，研究人群的基线数据
表2，3种潜在机器学习分类进行多层次区分预测的表现
表3，3种潜在机器学习分类进行组内分层预测的表现
表4，涵盖年龄、ICH位置的影像组学在组内分层模型的效果
图3，原发性、肿瘤性及血管性ICH的AUC面积
图4，组内分层模型的混淆矩阵示意图
结论和讨论
ICH的危害不言而喻，其极高的死亡率和致残率已经使其成为严重危害人类健康的疾病之一。但是目前对于脑出血的最佳治疗方案尚不知晓，包括如何控制血压、维持灌注，以及是否需要手术，怎样才能使患者获益最大，都需要我们进一步去研究和探索。
而作为与不良预后直接相关的重要因素，血肿体积的控制、预防扩大这些干预都是业内非常关注的焦点。而作为ICH的常见自然史，目前尚缺乏有效手段预防血肿的扩大。因此，识别早期的危险因素、寻找满意的预测因子，都是目前研究关注的重点；在疾病进展机制不了解的前提下，针对这些危险因素、预测因子的对症处理，可能是预防血肿扩大的潜在对症处理手段。
本研究通过应用当下热门的影像组学手段，区分了非创伤性ICH的病因。机器学习、人工智能对图像的分析、读取、总结，都是人类肉眼无法达到的，而本研究也证实了这一点，并将质地参数认为是区分ICH出血原因最重要的参数系列。该结果是本研究最亮点内容，也为后续AI的研究提供了思路和基础。
