Ключевые результаты
Исследователи разработали и валидировали интерпретируемую модель машинного обучения (МО), интегрирующую радиомические характеристики каротидной бляшки и периваскулярной жировой ткани (ПВЖТ) на основе КТ-ангиографии для прогнозирования ипсилатерального рецидива инсульта у пациентов с каротидным атеросклерозом.
Комбинированная модель, использующая метод опорных векторов (SVM), продемонстрировала наивысший показатель AUC 0,87 (95% ДИ: 0,74–0,97) в тестовом наборе, что значительно превосходило как модель на основе только радиомики (AUC 0,80; 0,63–0,94), так и клиническую модель (AUC 0,77; 0,58–0,91; все p < 0,05).
Методология
В это ретроспективное исследование были включены 162 пациента (средний возраст 69,28 ± 8,30 лет; 83,95% мужчин) с односторонним каротидным атеросклерозом, которым проводилась КТ-ангиография головы и шеи в период с мая 2016 по март 2024 года. Пациенты наблюдались для выявления рецидивирующего ишемического инсульта с помощью контрольной МРТ.
Радиомические признаки каротидной бляшки и ПВЖТ автоматически извлекались с использованием модели сегментации на основе глубокого обучения. Затем эти признаки использовались для построения модели МО для прогнозирования риска инсульта. Параллельно была разработана традиционная клиническая модель на основе степени каротидного стеноза и клинических факторов.
Дополнительно была создана комбинированная модель, включающая как радиомические, так и клинические факторы. Оптимальная прогностическая модель выбиралась среди пяти алгоритмов МО на основе площади под кривой ROC (AUC). Эффективность модели валидировалась с помощью повторной 10-кратной кросс-валидации и тестировалась в независимой тестовой когорте.
Для интерпретации модели использовались Shapley Additive Explanations (SHAP).
Клиническое значение
Из всех включенных в исследование пациентов у 63 (38,9%) наблюдался ипсилатеральный рецидив инсульта в течение периода наблюдения (медиана 1 год).
Анализ SHAP показал, что текстурные особенности бляшки вносят существенный вклад в риск рецидива, в то время как признаки, полученные из ПВЖТ, предоставляют дополнительную информацию о воспалительном процессе.
Разработанная модель представляет собой потенциально ценный инструмент для клинической практики, позволяющий более точно оценивать риск повторного инсульта у пациентов с каротидным атеросклерозом. Это может способствовать более целенаправленным профилактическим мероприятиям и улучшению результатов лечения пациентов с высоким риском рецидива.
Выводы
Модель машинного обучения, включающая как радиомические характеристики каротидной бляшки, так и периваскулярной жировой ткани, демонстрирует повышенную эффективность в прогнозировании риска ипсилатерального рецидива инсульта по сравнению с только клиническими факторами.
Использование радиомических признаков позволяет получить дополнительную информацию о структуре бляшки и воспалительных изменениях, что улучшает стратификацию риска у пациентов с каротидным атеросклерозом.
Данное исследование подчеркивает потенциал интеграции передовых методов анализа изображений и машинного обучения в клиническую практику для улучшения прогнозирования и профилактики инсульта.