基于影像组学和深度学习的自发性脑出血智能预后预测研究

Radiomics and medical artificial intelligence are the research hotspots in recent years, providing new ideas for the prognosis study of spontaneous intracerebral hemorrhage. Using the CT image data of patients with spontaneous intracerebral hemorrhage in a prospective, multicenter randomized controlled trial, five kinds of image features as first order statistics, shape features, gray-level co-occurrence matrix features, grey level run length method, and gray level size zone matrix. The image features, combined with age, hemorrhage location, Glasgow Coma Scale, surgical methods, were employed to establish a correlation with the modified Rankin Scale at 6 months after ictus. Principal component analysis, covariance analysis, and clustering analysis will be applied to screen and excavate the features most closely related to patients' prognosis. Then the support vector machine, k-nearest neighbor, logistic regression, decision tree, random forest, and XGBoost algorithms will be applied using the screened features to establish prognostic prediction models of spontaneous intracerebral hemorrhage. Deep learning with the most accurate algorithm model to establish an intelligent prognosis prediction system for intracerebral hemorrhage. Reliability of the prediction system will be prospectively verified. Accurate prediction of prognosis in early stage after intracerebral hemorrhage will guide clinical treatment decision-making.

影像组学和医学人工智能是近年来的研究热点，为自发性脑出血的预后研究提供新思路。利用前瞻性、多中心随机对照试验中自发性脑出血患者CT影像数据，提取一阶统计量、形状特征、灰度共生矩阵特征、灰度行程矩阵特征和灰度区域大小矩阵特征等五类原始特征值，结合患者年龄、出血部位、入院格拉斯哥昏迷评分、手术方式等临床信息，建立影像特征值和临床特征与患者出月6个月改良Rankins评分随访结果的相关关系。利用主成因分析、相关性分析和聚类分析逐步进行降维分析处理，筛选挖掘出与病人预后关系最密切的影像和临床特征，应用支持向量机、K邻近、逻辑回归、决策树、极限梯度增强树和随机森林等六种机器学习算法，建立自发性脑出血预后预测模型，选择准确度最高的算法模型，进行深度学习，建立自发性脑出血智能预后预测系统，并前瞻性验证预测系统可靠性，从而实现在脑出血后早期准确预测预后，指导临床治疗决策。

自发性脑出血出血后30天病死率接近40%，仅15%左右脑出血病人可在发病后30天实现生活自理，带来巨大的社会经济负担。患者预后对临床决策具有重要意义，但已有预测方法普遍比较片面，准确度不高。课题研究旨在利用影像组学和机器学习算法进行大数据信息挖掘，建立准确的自发性脑出血智能预后预测模型，从而指导临床治疗决策。.研究数据来自自发性脑出血微创治疗随机对照试验（MISICH）研究，以患者出血后6个月改良Rainkins评分（mRS）＜3定义为预后良好，mRS≥3定义为预后不良（差），采用半自动分割技术，以CT图像血肿高密度范围为感兴趣区，逐层分割，提取计算每个感兴趣区的大量影像特征值，结合患者性别、年龄、出血部位、术前GCS评分、发病至手术时间和手术方式6种临床特征值。根据临床和影像特征与患者6个月预后相关情况，采用方差选择法、特征选择法和Lasso回归三种方法筛选出关键特征。然后采用支持向量机、K邻近、逻辑回归、决策树、极限梯度增强树(XGBoost)和随机森林6种机器学习算法建立脑出血预后预测模型，评价分析各算法准确度。.共收集515例脑出血患者临床、影像和预后信息，患者平均年龄55.6岁，出血后6个月预后良好155例（30.1%），预后不良360例（69.9%）。提取1035个影像和临床特征经降维分析处理后得到19个关键特征，从515个脑出血病例随机抽取80%，即412例作为训练集训练机器学习模型，剩下的20%，即103例作为验证集验证模型准确性。全部6种机器学习算法均建立了预后预测模型，且准确度都超过了80%，测试集中随机森林算法模型的敏感度、特异度和准确度分别达到92.3％、90.9％和91.3％，是准确度最高的预测模型。利用影像组学和机器学习算法可以建立较准确的自发性脑出血智能预后预测模型。