来源：期刊VIP网 时间：
作者：于慧华;姜亮;彭明洋;耿文;殷信道;周春艳;
单位：南京医科大学附属南京医院(南京市第一医院)医学影像科;
摘要：目的 基于多参数MRI构建急性脑卒中血管内治疗后出血转化风险的可解释模型。材料与方法 回顾性分析在我院就诊的急性脑卒中患者病例274例。根据治疗后24 h的CT或者MRI评估患者出血转化情况。应用PyRadiomics软件提取1143个弥散加权成像特征和1143个灌注加权成像特征，并构建影像组学评分（radiomics score, Radscore）。通过SHapley Additive exPlanations选择模型开发的最佳特征。应用6种不同的机器学习分类器[梯度提升分类器、随机森林（random forest, RF）、极限梯度提升（eXtreme gradient boosting, XGB）、自适应提升、高斯朴素贝叶斯和逻辑回归]构建出血转化风险可解释预测模型。通过受试者工作特征（receiver operating characteristic, ROC）曲线和决策曲线分析（decision curve analysis, DCA）评估机器学习模型的预测效能。结果 经特征筛选降维后共筛选出15个与急性脑卒中出血转化高度相关的特征。5个差异有统计学意义的临床变量[包含年龄、发病至MRI检查时间、入院美国国立卫生研究院卒中量表（National Institute of Health Stroke Scale, NIHSS）评分、糖尿病史、房颤史]及Radscore被纳入机器学习模型中，其中RF模型的预测效能最好，其AUC达0.928。当临界值为0.844时，其准确度为85.5%、敏感度为83.0%、特异度为88.2%。DCA显示RF模型在预测急性脑卒中出血转化风险方面具有较好的净收益。结论 多参数MRI影像组学联合临床特征的RF可解释模型可更为准确地预测急性脑卒中血管内治疗后出血转化风险，为临床早期干预治疗提供指导。
关键词：卒中;;出血转化;;磁共振成像;;影像组学;;机器学习
基金资助：国家自然科学基金项目（编号：82202128）~~
