J Adv Res 南京医科大学附属南京第一医院金陵医院等团队：基于空间放射组学的可解释多模态机器学习模型提升轻度卒中预后预测

01文献学习本次分享的文献是由南京医科大学附属南京第一医院殷信道、南京大学医学院附属金陵医院王书奎、张志强等团队近日2025年12月28日在《Journal of Advanced Research》中科院1区topIF13上发表的研究“Spatial radiomics-based interpretable multimodal machine learning model enhances outcomes prediction for minor stroke: A multicenter cohort study”即基于空间放射组学的可解释多模态机器学习模型改善小卒中预后预测一项多中心队列研究该研究提出并验证了一种基于空间放射组学的可解释多模态机器学习模型用于预测轻度卒中患者的不良预后。该模型整合了病变的空间特征包括位置、结构和功能断开与传统的放射组学特征在多个中心的大规模数据中表现出优越的预测性能。创新点①首创空间放射组学模型融合病灶结构性与功能性空间特征突破传统影像仅分析病灶内部的局限。②引入多中心大规模队列验证结合多种机器学习算法与SHAP可解释性分析提升模型泛化能力与临床可信度。③揭示连接中断比位置更具预测价值发现双侧皮质脊髓束、左侧脊髓小脑束等脑网络断开是预后的关键因素。临床价值①提升轻型卒中预后预测准确率AUC达0.95辅助临床早期识别高风险患者实现精准干预。②增强决策可解释性通过SHAP可视化关键影像特征帮助医生理解预测依据提升临床接受度。③推动影像组学向“空间组学”拓展为脑疾病预后评估提供新方法论支持多中心协作与个性化医疗。研究技术流程总览图影像预处理→特征提取→模型构建→性能评估5个模块模块1病灶分割与空间标准化输入数据多中心患者的扩散加权成像DWI影像核心步骤用深度学习工具自动分割DWI影像中的卒中病灶通过空间配准技术将分割后的病灶影像归一化到MNI标准脑空间目的消除多中心扫描仪差异、统一影像空间坐标为后续特征提取提供标准化数据基础。模块2病灶的空间参数计算基于标准化后的病灶影像计算3类核心空间参数SDCStructural Disconnection结构断开量化病灶对全脑结构连接网络的破坏程度FDCFunctional Disconnection功能断开量化病灶对全脑功能连接网络的破坏程度LOCLocation位置定位病灶在MNI空间中的拓扑分布可视化下方展示了SDC、FDC、LOC的脑区分布热图直观呈现不同空间参数的特征模式。模块3组学特征提取提取2类核心特征传统放射组学特征从DWI病灶区域提取1143个特征形状、纹理、一阶统计等空间组学特征整合SDC、FDC、LOC等空间参数最终整合将空间组学特征与传统放射组学特征合并得到空间放射组学特征集Spatial radiomics-omics。模块4模型构建特征输入以“空间放射组学特征集”为核心输入模型类型基础模型采用6种机器学习分类器XGB、LR、RF、ADB、GBC、KNN堆叠模型Stacking以基础模型的预测概率为元特征用XGB作为元模型队列划分将样本分为训练集、内部验证集、独立外部验证集用于模型训练与泛化性验证预测目标区分“不良预后mRS≥2”与“有利预后mRS≤2”。模块5模型性能评估评估方法区分度评估ROC曲线分析看AUC值临床价值评估DCA分析决策曲线看临床净获益模型改善度评估IDI/NRI分析对比传统模型的提升幅度可解释性评估SHAP分析解析特征对预测结果的影响02研究背景及目的研究背景轻微卒中是指神经功能缺损较轻NIHSS评分≤5分的急性缺血性卒中事件占全球急性缺血性卒中住院患者的约1/2至1/3是一种临床上常见的卒中类型。尽管名为“轻微”但其临床意义不容忽视约30%的患者会面临卒中复发、认知障碍和严重残疾的风险且因症状较轻患者常被迅速出院易错过最佳院内治疗时机。因此在急性期准确预测轻微卒中的预后对于指导临床治疗、患者管理和医患沟通具有重要的现实意义。目前多种临床变量和生物标志物已被用于轻微卒中的预后评估其中影像学技术因其能够提供丰富的参数和多样化的分析策略展现出不可替代的价值。特别是影像组学Radiomics作为一种从医学图像中提取高通量特征的方法已在卒中预后预测中显示出优异性能。然而传统的影像组学方法主要基于兴趣区域ROI分析侧重于提取病灶内部的统计学参数往往低估甚至忽略了病灶在全脑背景下的空间特性而空间特性如病灶位置、结构连接与功能连接状态蕴含着关键的临床病理信息对于理解卒中机制和预测功能结局至关重要。因此亟需一种能够系统整合病灶空间信息的新型预测模型以提升轻微卒中预后预测的准确性与临床实用性。研究目的本研究的核心目的是开发并验证一种新型的、基于空间影像组学的可解释多模态机器学习模型以显著提升对轻微卒中患者不良功能结局的预测能力。具体而言研究旨在通过定量提取梗死病灶在不同拓扑层次上的空间特征包括病灶的精确解剖位置LOC、结构性连接中断SDC和功能性连接中断FDC并将这些空间特征与传统影像组学特征深度融合构建一种“空间影像组学Spatial Radiomics”模型。为此研究纳入了来自7个中心共4164例轻微卒中患者的多中心队列数据采用基于体素的病灶分析和规范连接组分析技术全面量化病灶的空间属性。在此基础上应用多种机器学习分类器如XGBoost、随机森林等及堆叠集成学习框架构建并优化预测模型。研究还引入SHAPShapley Additive exPlanations方法对最优模型进行解释与可视化以阐明关键预测因子及其作用机制。最终研究期望通过与传统影像组学模型的对比验证所提空间影像组学模型在预测性能上的优越性如更高的AUC、NRI和IDI并揭示病灶连接中断而非单纯位置是影响轻微卒中预后的关键空间因素从而为临床提供一个更精准、可解释的决策支持工具同时也为空间组学Spatial-omics这一新兴生物医学研究领域增添一种新的方法论。03数据和方法研究数据数据来源7家中国医院2020年1月-2024年12月前瞻性收集的“脑病灶表型映射MPBL”卒中研究数据注册于ChiCTRChiCTR2400092230和ClinicalTrials.govNCT04775147。样本量初始筛选4164例经排除标准24小时内NIHSS升高≥2分、无DWI影像、病灶体积1cc等后最终纳入2815例分为训练队列2088例来自1-2中心验证队列1295例来自3-7中心独立外部验证验证队列2432例来自1-2中心真实世界前瞻性验证关键指标暴露因素DWI影像提取的空间特征LOC位置SDC结构断开FDC功能断开、传统放射组学特征、临床特征。结局指标3个月改良Rankin量表mRS评分mRS≥2分为不良预后。图 1患者入组流程图技术方法1影像预处理与特征提取标准化采用ComBat方法消除多中心扫描仪差异病灶分割上海联影医疗开发的深度学习工具自动分割DWI病灶经2名高级神经放射科医生盲法验证Dice系数0.96空间配准基于SPM12软件将影像归一化至MNI标准坐标特征提取空间特征LOC病灶在MNI空间的位置、SDC基于842例健康人连接组的结构断开映射、FDC基于1428例健康人功能影像的功能断开映射传统放射组学特征通过PyRadiomics提取1143个特征形状、一阶统计、纹理、小波等空间放射组学特征整合临床特征传统放射组学特征空间特征LOCSDCFDC。2模型构建与验证机器学习算法6种基础分类器XGB、LR、RF、ADB、GBC、KNN堆叠多模态模型基础模型预测概率作为元模型输入元模型为XGB数据平衡采用SMOTE技术处理训练集中不良预后样本偏少353例→706例的问题特征选择LASSO算法筛选潜在预后相关特征模型评估AUC、准确率、敏感性、特异性、PPV、NPV、NRI净重新分类指数、IDI综合判别改善指数、决策曲线分析DCA可解释性分析SHAPShapley Additive exPlanations方法可视化特征重要性及与预后的关联。图 2病灶空间特征概率图基于体素的病灶空间特征可视化图包含位置LOC、结构断开SDC、功能断开FDC三类参数的组间对比。04实验结果1患者基线特征训练队列中16.91%353/2088为不良预后死亡率1.20%验证队列1不良预后率7.46%22/295验证队列2为21.1%91/432常见合并症高血压71.7%-76.6%、糖尿病27.5%-67.4%、高血脂4.7%-9.0%。2模型性能空间放射组学模型表现最优XGB模型训练队列AUC0.9595%CI0.94-0.96、准确率0.88验证队列1 AUC0.88、准确率0.74验证队列2 AUC0.87、准确率0.75堆叠模型训练队列AUC0.95验证队列1 AUC0.89验证队列2 AUC0.89优于传统模型与传统放射组学相比XGB模型NRI0.180、IDI0.145均P0.01堆叠模型NRI0.290、IDI0.230均P0.01。3关键预测因子经SHAP分析和概率图验证关键预测特征为“病灶断开”而非位置结构断开SDC双侧皮质脊髓束、左侧脊髓小脑束功能断开FDC默认模式区内侧前额叶皮质、楔前叶、双侧角回、运动感知皮质、Broca后区。图 3小卒中不良预后的前十大重要特征及权重图 4 XGB和堆叠模型在各队列中的性能图 5基于SHAP分析的XGB模型可解释性可视化05研究结论本研究提出了一种基于空间影像组学的可解释多模态机器学习模型显著提升了小卒中患者不良功能预后的预测准确性。研究纳入多中心4,164例小卒中患者通过体素分析与连接组学方法从病灶位置LOC、结构断开SDC与功能断开FDC三个拓扑层面系统提取空间特征并与传统影像组学特征融合构建“空间影像组学”模型。采用包括XGBoost和堆叠集成学习在内的多种机器学习算法进行训练与验证。结果显示空间影像组学模型在训练集与两个外部验证集中均表现出优异性能AUC分别达0.95、0.88、0.87显著优于传统影像组学模型。研究进一步通过SHAP可解释性分析揭示影响预后的关键因素并非病灶位置而是病灶导致的神经连接中断尤其是双侧皮质脊髓束、左侧脊髓小脑束及默认模式网络等连接属性的损害。该模型不仅为小卒中的个体化预后评估提供了精准工具也为空间组学研究体系引入了新方法具有重要的临床转化潜力。参考文献Jiang L, Zhou Y, Xu Q, Huang H, Li C, Shi F, Cao Z, Mantini D, Lu G, Zhu W, Fang X, Ye J, Pan C, Jiang Z, Guo C, Yin X, Wang S, Zhang Z; Multi-Center Cooperative Clinical Study Group for “Lesion-Phenotype Brain Mapping in Acute Stroke”. Spatial radiomics-based interpretable multimodal machine learning model enhances outcomes prediction for minor stroke: A multicenter cohort study. J Adv Res. 2025 Dec 28:S2090-1232(25)01038-0. doi: 10.1016/j.jare.2025.12.047.