Page 188 - 磁共振成像2024年7期电子刊

磁共振成像 2024年7月第15卷第7期 Chin J Magn Reson Imaging, Jul, 2024, Vol. 15, No. 7 综 述｜｜Reviews

[38]
方面较少涉及。 有研究 也发现斑块的影像组学特征在预测卒中复
[32]
有研究 显示症状性患者的大脑中动脉斑块的 发中具有很高的敏感性，并将影像组学特征、斑块常
直方图特征中的信号强度值高于非症状性患者；另 规特征拟合逻辑回归模型构建列线图，这有助于卒
[33]
外有研究 在后循环斑块上也得到了相似结论，责任 中高风险复发患者个性化早期干预。
[34]
斑块的信号值更高。SHI 等 的研究表明直方图中 影像组学联合DL也在预测脑血管事件中存在巨
[24]
的信号强度离散值是区分责任斑块和非责任斑块的 大潜力，CHEN等 在HR-VWI图像上搭建YOLOv3网
重要特征，其准确率、敏感度、特异度分别为 80%、 络训练模型识别责任斑块并进行 AIS风险评估，准确
79%、80%。这说明斑块的影像组学特征比传统影像 率达 94.81%，除此之外，该网络训练模型还可自动分
特征更能体现斑块的内部异质性，但目前研究主要 割斑块成分，与组织学进行比对发现，钙化及坏死核
集中于斑块一阶特征的比较，对于高阶纹理特征目 心精准分割的敏感性较高，这为今后实现 AI 分割斑
前研究较少，未来需要更多的研究来探究斑块影像 块、识别斑块成分并对卒中风险分层奠定了基础。
组学特征与表征背后机制，为脑血管疾病提供更多 头颈动脉粥样硬化疾病研究中使用影像组学联合
信息。 DL 方法，其中的 DL 当前主要针对的是感兴趣区自
[39]
临床上对于斑块评估的两个研究重点：一是症 动勾画，有研究 使用迁移学习训练深度模型，进而
状性患者中评估责任斑块，二是在无症状人群中评 将数据放入已训练好的模型进行重新训练，自动学
估易损斑块。有研究者基于 HR-VWI 图像将影像组 习进行特征提取，基于 CT 联合影像组学与 DL 特征
学联合随机森林 ML算法应用于易损斑块的判别，并 构建的支持向量机 ML 模型在区分高级别和低级别
发现该方法对于症状性斑块的判别能力明显优于传 膀胱癌方面显示出良好的诊断能力，说明两者特征
统方法（AUC：0.833 vs. 0.936） 。张归玲等 则选 的融合能够更好地适应医学任务以及数据特点，提
[35]
[33]
择 HR-VWI 不同序列联合斑块的多阶影像组学特征 示此种方法运用于预测脑血管事件发生风险可能较
和传统特征构建多个分类器来识别症状性大脑中动 单一的影像组学特征更为精准 ，未来可进行深入
脉中的责任斑块，发现极端梯度提升法构建的 ML模 探究。
型表现优异，基于该算法的影像组学模型在识别责 AIS 发病原因复杂，涉及许多因素如斑块因素、
任斑块的效能要远高于单纯的传统斑块特征（影像 血流动力学改变、免疫炎性介质、基因等 [40-43] ，仅从斑
组 学 特 征 模 型 AUC：0.989；传 统 特 征 模 型 AUC： 块自身特征来预测其发生风险等，一定程度上具有
0.804），融合影像组学以及常规斑块特征的模型效能 偏倚。有研究使用蛋白质组学方法来研究动脉粥样
（AUC：0986）更是优于单种特征模型。以上研究为 硬化斑块的分子特征与组织学、影像学和心血管疾
临床上多发动脉粥样硬化改变的脑卒中患者自动精 病的关联，联合多种 ML方法基于蛋白组学数据除了
准识别责任斑块、及早判断易损斑块提供了新思路。 评估斑块性质，同时预测心血管疾病死亡率，超出单
同时 HR-VWI 不同序列所提取的一阶特征、纹理特 一的影像学及组织学的预测效果 [44-45] 。
征不同，也提示不同序列病灶的物理、生物学信息存 在头颈动脉粥样硬化斑块性质评估和预测 AIS
在不同，或某个序列对病灶可能更敏感。当前的影 风险评估方面，影像组学与其他组学技术结合较少，
像组学联合 ML 构建模型，仅针对单一的 ML 算法， 难以解释复杂的生物学现象。多组学能够从多个层
并未进行多种算法间比对，具有一定的局限性。 面揭示动脉粥样硬化斑块的发生发展机制，从而更
2.3 预测脑血管事件 准确地评估斑块成分和最终 AIS的风险 [46-47] 。未来可
探究动脉粥样硬化疾病与 AIS 两者间的关系的 通过头颈动脉 HR-VWI 图像上收集常规特征及影像
研究主要集中在 AIS 发生风险、AIS 复发风险及导致 组学特征，检测相应的斑块基因、蛋白质组学特征，
AIS 机制这三方面，大致的研究思路是在 HR-VWI各 进而探究人类动脉粥样硬化炎症的成像生物标志
序列图像上基于影像组学方法对斑块进行定量分 物，发现心血管疾病潜在药物靶点 [48-49] ，构建更为精
析，提取斑块组学特征及联合常规特征构建 ML 模 准的预测、诊断模型。
型，对最终脑血管事件进行预测或评估。
[36]
李红霞等 基于自适应增强算法提取 HR-VWI 3 总结与展望
颅内斑块影像组学特征建立混合型卒中机制的预测 头颈动脉粥样硬化疾病是 AIS的重要病因，目前
模型以探究斑块与卒中机制间的关系，结果显示影 在 HR-VWI 上对于斑块的评估限于斑块本身形态学
像组学模型（AUC：0.828）在预测梗死机制方面显著 以及邻近管腔、管壁的变化，DL、ML 与影像组学的
高于传统的斑块特征构建的模型（AUC：0.568）。王 相互结合应用为斑块性质的快速识别提供新方法，
玥等 提取症状性斑块影像组学特征并联合生存资 同时也为脑血管事件风险分层分析打下基础。不可
[37]
料构建模型预测 AIS复发风险，最终显示高阶特征中 否认，AI 技术在头颈动脉粥样硬化疾病方面有较好
的灰度共生矩阵对于复发风险的预测价值最大。另 的发展，但同时也面临诸多问题。首先基于 AI 技术

https://www.chinesemri.com ·181 ·