基于CTA拓扑学特征的大脑中动脉狭窄支架植入预后预测研究.pdfVIP

摘要

血管粥样硬化导致的血管狭窄为引起急性缺血性卒中的主要原因之一。目前，

大脑中动脉（MiddleCerebralArtery，MCA）支架植入是最有效的治疗手段，但面

临术后长期再狭窄率高、再复发等困难。降低患者术后再狭窄率是进一步改善患

者术后预后的关键途径之一，因此预测术后再狭窄率和临床结局在该类患者的临

床救治决策中具有重要地位。然而，以往的预后预测模型往往都忽视了MCA支架

植入这一特定患者群体。并且传统的临床医学预测模型都是基于量表评分加临床

资料等构建的，不仅易受到医生经验影响，还缺乏MCA血管几何形态以及粥样硬

化斑块这一直接影响患者预后的特征信息，可能会降低模型的预测价值。因此，

通过计算机断层扫描血管成像（ComputedTomographyAngiography，CTA）来良好

的表征和量化MCA血管的几何形态和粥样硬化斑块特征，对患者进行机器学习建

模预测，并进行相关的干预，对降低再狭窄率、取得良好临床结局至关重要。

鉴于此，本论文针对缺乏大脑中动脉支架植入术后患者的预后预测模型这一

待解决的科学问题，通过半自动算法来获取支架植入手术患者CTA上MCA血管

几何形态（血管体积、管腔体积、血管平均直径）与粥样硬化斑块体积（总斑块

体积、纤维成分体积、纤维脂肪成分体积、坏死核体积、致密钙体积）等量化参

数的基础上，基于拓扑数据分析（TopologicalDataAnalysis，TDA）与机器学习方

法，从三个角度建立大脑中动脉支架植入患者治疗个性预后预测模型，验证拓扑

特征对预测模型的附加价值，探索影响患者预后的临床新指标。

首先根据TDA的持续同调理论计算患者的拓扑特征：Betti数、条形码图、持

久性图，捕捉到了最重要的拓扑特征：loop，说明在预后过程中定量参数会有周期

性表达，揭示了患者预后动态发展的规律。并基于提取的拓扑特征建立两类机器

学习预后预测模型，受试者工作特性曲线（ReceiverOperatingCharacteristics，ROC）

显示使用定量参数＋拓扑特征的一类模型比另一类单定量参数模型更高的准确性

（逻辑回归最高，准确率分别为89.7%和87.3%，曲线下面积（AreaUnderCurve，

AUC）分别为0.89和0.79，召回率分别为0.95和0.85，精度分别为0.92和0.93），

验证了拓扑特征对于模型预测性能的提升。并发现影响患者预后的新特征：血管

几何形态、斑块体积、H1TDA等，作为本文提出的对患者预后有预测价值的特征，

通过控制这些特征来降低患者再狭窄概率。

其次基于TDA的Mapper网络建立了改良的可视化患者相似性网络，识别出

传统方法无法识别的3个患者亚组，不同组间术后再狭窄率显著降低，术后良好

结局率显著增加。发现相比于传统预测指标，在常规预测指标中加入TDA组间信

息后产生了明显的AUC值增加，预测再狭窄时，AUC值从0.72（95%置信区间

（ConfidenceInterval，CI）：0.64~0.78）增加到0.78（95%CI：0.69~0.90）；预

测术后良好结局时，AUC值从0.81（95%CI：0.78~0.84）增加到0.83（95%CI：

0.80~0.89），结合净重新分类指数（NetReclassificationIndex，NRI）结果（NRI=0.495，

P=0.001；NRI=0.497，P=0.004）表明加入TDA组间信息的模型显著改善对患者预

后的预测效能。术后的精确分组将有助于今后为不同亚型的大脑中动脉狭窄支架

植入患者“量身定做”治疗方法。

最后尝试基于量化参数、术前信息和机器学习算法建立术后预测体系，并与

传统量表评分预测模型进行效能比较。在多种机器学习算法中XGBoost算法取得

了最佳预测效能，用于构建最终模型，在训练集（AUC：0.75[95%CI：0.70~0.75]）

和测试集（AUC：0.73[95%CI：0.65~0.81]）都显著优于传统评分模型，拟合优度

检验显示模型的校准度较佳（P值为0.213和0.063），决策曲线分析显示最终模

型在整个阈值概率范围内都具有最高的净效益，表明患者净受益率优于以往的评