Eur Radiol 温州医科大学第五附属医院等团队：开发与解释基于双能量CT的深度学习放射组学模型，用于预测颈动脉支架后新出现的脑缺血病灶

01文献学习今天分享的文献是由温州医科大学第五附属医院等团队于2026年2月《European Radiology》中科院2区IF4.7上发表的研究“Development and interpretation of a dual-energy CT-based deep learning radiomics model for predicting new cerebral ischemic lesions after carotid artery stenting: a multicenter study”即基于双能CT的深度学习影像组学模型的开发与解读用于预测颈动脉支架植入术后新发脑缺血性病变的多中心研究该研究旨在开发并验证一种基于双能CTDECT的深度学习影像组学模型用于预测颈动脉支架植入术后患者发生新发同侧缺血性病变的风险。研究纳入了336例来自三家医院的患者结合临床放射学特征、手工提取的影像组学特征和深度学习特征构建了SVM分类模型。模型在外部测试集中表现出良好的预测性能AUC0.856并通过SHAP分析增强了模型的可解释性。创新点①首次将双能量CT多参数图像与深度学习放射组学结合构建预测CAS后新发脑缺血病灶的模型。②引入Vision TransformerViT提取3D深度学习特征优于传统CNN提升对斑块异质性的捕捉能力。③结合SHAP可解释性分析与多中心验证实现模型预测的全局与局部解释增强临床可信度。临床价值①早期识别高风险患者为CAS术后制定个性化预防策略提供依据降低卒中风险。②基于DECT的快速、无创评估替代HR-MRI适用于大规模筛查和常规临床流程。③构建可交互的在线决策支持工具便于临床医生实时评估患者风险提升精准医疗可及性。图 1研究总体流程图A患者入组流程图BCAS术后NIILs预测联合模型的构建与可视化策略输入层多参数双能CTDECT图像包括多能图像PEI、虚拟单能图像VMI、碘浓度IC、有效原子序数Zeff4类参数图。特征提取环节①手工放射组学HCR经3D斑块分割→PyRadiomics提取特征②深度学习DL经3D ROI斑块块提取→Vision TransformerViT提取特征同时纳入临床特征。特征筛选与模型构建经t检验、Pearson相关分析、LASSO回归筛选特征→融合HCRDL临床特征用支持向量机SVM构建联合模型。模型评估通过ROC曲线、亚组分析、决策曲线分析DCA、校准曲线验证性能。模型解释与临床转化通过SHAP分析蜂群图、热图解析特征贡献→开发基于Streamlit的在线工具https://post-cas-niils.streamlit.app/实现临床落地。输出层患者CAS术后新发同侧缺血性病变NIILs的风险分类NIILs()/NIILs(-)。02研究背景和目的研究背景颈动脉支架植入术CAS是治疗颈动脉狭窄的重要介入手段相较于颈动脉内膜切除术CEA其微创优势明显且在长期卒中预防方面效果相当。然而临床研究表明CAS术后新发同侧缺血性脑损伤NIILs的发生率显著高于CEA。这些新发缺血性病灶即使无症状也可能增加患者远期卒中复发、认知功能下降甚至血管性痴呆的风险。因此早期识别高危患者对于制定个体化预防策略至关重要。目前高分辨率磁共振HR-MRI虽能有效评估斑块易损性但其检查时间长、成本高、操作复杂限制了其临床推广。相比之下颈动脉CT血管成像CTA具有快速、普及率高、空间分辨率高等优势但传统CT由于亨氏单位重叠难以清晰区分斑块的纤维、脂质和出血成分。双能CTDECT作为新兴影像技术通过多参数成像如虚拟单能图像、碘浓度图、有效原子序数图能更精准地反映斑块组织构成。结合人工智能方法如放射组学和深度学习DL可从多模态影像中提取高维特征构建预测模型。然而目前尚无研究基于DECT影像构建深度学习放射组学模型来预测CAS术后NIILs的发生风险且模型的可解释性也亟待提升。研究目的本研究旨在开发并验证一种基于双能CTDECT影像的深度学习放射组学DLR模型用于预测颈动脉支架植入术CAS后新发同侧缺血性脑损伤NIILs的风险。研究通过多中心回顾性数据收集纳入336例患者分别构建训练集、内部验证集和外部测试集。研究者从DECT的四种参数图像多能谱图像、虚拟单能图像、碘浓度图和有效原子序数图中提取了手工放射组学特征HCR和深度学习特征DL并结合临床放射学独立危险因素症状性事件和斑块溃疡构建联合预测模型。研究采用支持向量机SVM算法进行建模并通过SHAP分析增强模型的可解释性从全局和局部层面揭示各特征对预测结果的贡献。最终研究还开发了基于网络的决策支持工具便于临床医生直观使用模型进行个体化风险评估。该研究的核心目标是提供一个高效、可解释、易推广的预测工具帮助临床早期识别高危患者优化治疗策略从而改善患者预后。03数据和方法研究数据样本量336例三中心分组训练集135例、内部验证集58例、外部测试集143例NIILs发生率38.5%、37.9%、39.9%影像数据DECTPEI、VMI、IC、Zeff四参数图像临床特征包括症状性事件、斑块溃疡等技术方法图像预处理归一化、重采样为1×1×1mm³斑块分割手动勾画ROIICC筛选一致性高的特征特征提取手工影像组学HCRPyRadiomics提取3756个特征深度学习特征DLViT模型提取8192个特征特征筛选t检验、Pearson相关分析、LASSO回归模型构建SVM算法结合临床特征构建“组合模型”模型评估AUC、准确率、灵敏度、特异度、DCA、校准曲线可解释性SHAP分析 Streamlit构建网页工具04实验结果独立风险因素症状性事件、斑块溃疡组合模型表现外部测试集AUC0.856准确率0.818灵敏度0.825特异度0.814优于临床模型AUC0.649、HCR模型0.668、DL模型0.762SHAP分析VMI_DeepFeature1817等特征对预测贡献最大工具部署公开可访问的网页预测工具图 2患者水平的临床和放射学数据分布热图图 3外部测试队列中各模型的预测性能评估图 4基于SHAP分析的联合模型预测结果解释图 5前3大HCR特征的可视化及梯度加权类激活映射Grad-CAM热图05研究结论该研究成功开发并验证了一个基于双能CTDECT的深度学习放射组学联合模型用于预测颈动脉支架植入术CAS后新发同侧缺血性脑病灶NIIs。研究回顾性纳入三个中心的336例患者从DECT的多参数图像包括虚拟单能量图、碘浓度图等中提取了手工设计的放射组学特征和基于Vision Transformer架构的深度学习特征。通过多步特征筛选和支持向量机算法最终构建的联合模型整合了2个临床-影像独立危险因素症状性事件和斑块溃疡、9个手工特征和15个深度学习特征。该模型在训练集、内部验证集和外部测试集中均表现出良好的预测性能AUC分别达到0.908、0.842和0.856显著优于单独的临床模型或放射组学模型。通过SHAP分析对模型进行解释不仅量化了各特征对预测结果的贡献还揭示了关键的影像学生物标志物如纹理特征中的粗糙度等与NIIs风险的相关性。最终研究团队将模型部署为在线决策支持工具增强了临床实用性和可解释性。该联合模型为早期识别CAS术后NIIs高危人群提供了准确且可解释的工具有助于制定个性化的预防策略改善患者预后。参考文献Lin G, Chen W, Hu W, Wu J, Xu L, Chen Y, Zhao T, Sun J, Xu M, Lu C, Xia S, Chen M, Ji J, Chen W. Development and interpretation of a dual-energy CT-based deep learning radiomics model for predicting new cerebral ischemic lesions after carotid artery stenting: a multicenter study. Eur Radiol. 2026 Feb 4. doi: 10.1007/s00330-026-12351-8.