本研究由Yin Gao、Yu Lu、Xian Fan、Chengqun Qian、Rongxing Qi、Li Zhu 及 Tianle Wang 等人完成，作者单位均为东南大学附属南通第一人民医院（南通的 First People’s Hospital）。该论文发表于 Academic Radiology 期刊，文章于2026年3月11日收稿，2026年7月13日修订，2026年7月21日接收，在线发表日期为2026年。通讯作者为 Tianle Wang，电子邮箱为 wangtianle9192@163.com。

本研究属于医学影像学与脑血管病交叉领域，核心关注的是症状性颅内动脉粥样硬化性狭窄（intracranial atherosclerotic stenosis, ICAS）患者的预后预测。ICAS 是缺血性卒中的主要病因之一，即便在积极药物治疗下，患者仍面临较高的复发风险。传统的管腔狭窄程度评估难以充分反映斑块的生物学行为与未来事件风险；高分辨率血管壁成像（high-resolution vessel wall imaging, HR-VWI）虽然能够显示斑块强化、斑块内出血（intraplaque hemorrhage, IPH）和正性重构等易损特征，但这些定性指标存在观察者间差异大、重复性不足等问题。近年来，影像组学（radiomics）通过从医学图像中高通量提取定量特征，为客观量化斑块异质性提供了新的手段。然而，既往大多数影像组学研究仅关注斑块本身，忽略了斑块所处的整体病变动脉节段——即斑块、血管壁重构模式与管腔几何形态之间的动态相互作用。此外，既往研究终点多局限于卒中复发，未充分纳入神经功能恶化等其他不良临床事件。因此，本研究旨在构建并验证一个整合“斑块-血管”的 HR-VWI 影像组学模型，用于预测症状性 ICAS 患者1年内不良临床事件，并与单纯的“斑块”模型、传统定性斑块特征模型以及临床风险评分（ESRS 和 NIHSS）进行比较，以明确整合模型是否具有增量预测价值。

本研究的设计与实施流程较为复杂且严谨。研究为回顾性设计，纳入2022年1月至2023年12月期间连续收治的急性缺血性卒中患者，经过纳入与排除标准筛选后，最终确定272例症状性 ICAS 患者作为研究队列。研究采用时间划分策略：2022年收治的133例患者构成训练集与验证集，其中训练集93例、验证集40例；2023年收治的139例患者作为独立的时间验证集，用于评估模型在时间外推条件下的泛化能力。所有患者均接受了3.0T MR 成像（MAGNETOM Verio；Siemens Healthineers），成像方案包括常规序列、时间飞跃法 MRA 以及注射对比剂前后的三维 T1 加权 SPACE 序列。T1-SPACE 序列的采集参数为：TR/TE ⁸¹⁰⁄₁₀ ms，各向同性体素0.5 mm，FOV 200×200×300 mm³。增强图像在注射钆特酸（0.1 mmol/kg，速率2.0 ml/s）后8分钟采集，随后以20 ml 生理盐水冲洗。成像范围从主动脉弓延伸至颅内顶点，覆盖颈总动脉、颈内动脉、颈外动脉、椎基底动脉系统及 Willis 环主要分支。

研究的主要终点为12个月内发生的复合不良临床事件，定义为首次发生以下任一事件：复发性缺血性卒中（经 DWI 证实的新发症状性同侧缺血病灶）、复发性短暂性脑缺血发作（TIA）、神经功能恶化（NIHSS 评分较基线增加≥2分且非出血或其他非血管性原因所致）或血管性死亡。该复合终点旨在更全面地反映临床相关结局，而不仅限于卒中复发。

在影像分割环节，所有操作由一名放射科医师使用 3D-Slicer（版本5.8.1）手动完成。针对每个责任病变，分别勾画两个不同的感兴趣区（region of interest, ROI）：第一个 ROI 为斑块 ROI（ROI 1），在 T1W 和增强 T1W（CE-T1W）序列上手动勾勒责任斑块边界，用于构建“斑块”模型；第二个 ROI 为斑块-血管 ROI（ROI 2），由 ROI 1 扩展至整个病变动脉节段，将斑块、血管壁和管腔作为一个整体容积单元包含在内，并仔细排除血管外组织，用于构建“斑块-血管”模型。为评估手动分割的重复性，同一名放射科医师对随机选择的30例患者进行了重新分割，计算所有特征的组内相关系数（intraclass correlation coefficient, ICC），仅保留 ICC > 0.80 的高重复性特征用于后续建模。

图像预处理与特征提取环节中，所有 MR 图像均通过 B 样条插值重采样至统一的1×1×1 mm³体素大小；为标准化强度分布，采用固定箱宽25进行强度离散化。使用开源软件 PyRadiomics（版本3.1.0）分别从 T1W 和 CE-T1W 序列中为每个 ROI 提取1518个特征，提取流程遵循影像生物标志物标准化倡议（Image Biomarker Standardization Initiative, IBSI）指南。每个序列的特征集包括14个三维形状特征及1504个一阶统计和高阶纹理特征；后者在原始图像及15种派生图像上计算，派生图像通过小波分解、对数与平方滤波、梯度幅值和局部二值模式（local binary patterns, LBP）等变换生成。提取后，仅利用训练集数据学习归一化参数，并应用于验证集以防止信息泄漏。为缓解训练集中类别不平衡问题，在归一化后的训练特征上应用合成少数类过采样技术（synthetic minority oversampling technique, SMOTE）。

模型建立流程采用多步优化策略。研究系统探索了约24种不同的归一化、降维、特征选择和分类器组合，并通过五折嵌套交叉验证进行优化，其中内层交叉验证用于超参数调优，外层五折用于性能估计。归一化策略根据成像序列分别设定：T1W 特征采用均值或最小-最大归一化，CE-T1W 特征采用均值或 z-score 标准化。降维步骤采用 Pearson 相关系数（PCC）分析（阈值 > 0.99 以删除高度相关特征对）或主成分分析（principal component analysis, PCA）。特征选择采用 Kruskal-Wallis 检验或 Relief 算法，并在交叉验证循环内执行以保证选择稳定性。分类器根据数据特征选择：逻辑回归（logistic regression, LR）用于临床可解释性，多层感知机（multi-layer perceptron, MLP）用于建模复杂非线性模式。针对特定序列和 ROI 构建子模型，具体算法组合由最大化交叉验证 AUC 决定。随后，利用多元逻辑回归整合单序列子模型的概率评分，生成最终的“斑块”模型和“斑块-血管”模型。最后，优化的模型在完整训练集上重新训练，并在训练集、验证集和独立时间验证集上评估性能。

研究结果显示，在独立时间验证集中，“斑块-血管”模型的曲线下面积（area under the curve, AUC）达到0.800（95% CI: 0.724–0.863），高于“斑块”模型的0.721（95% CI: 0.638–0.793），但差异未达统计学显著性（p = .27）。事后效能分析显示，检测该差异的统计效能为62%，表明该特定比较可能检验效能不足。在训练集中，“斑块-血管”模型 AUC 为0.916（95% CI: 0.841–0.964），验证集中为0.907（95% CI: 0.772–0.976），显示出良好的区分能力。与之相比，定性斑块特征模型在测试集中的 AUC 仅为0.631，ESRS 为0.554，NIHSS 为0.543。“斑块-血管”模型显著优于定性斑块特征模型（p = .03）、ESRS（p < .01）和 NIHSS（p < .01）。校准曲线显示，两种影像组学模型在训练、验证和测试集中的预测概率与实际事件发生频率之间具有良好的一致性。决策曲线分析（decision curve analysis, DCA）表明，在大部分临床相关阈值概率范围内，“斑块-血管”模型提供了最高的净临床获益，优于“斑块”模型及临床评分。

本研究的结论认为，整合“斑块-血管”影像组学模型在预测症状性 ICAS 患者1年不良临床事件方面显著优于传统临床评分和常规视觉斑块评估。尽管与单纯“斑块”模型相比显示出性能改善的趋势，但由于统计效能有限，该比较尚不能得出确定性结论。因此，该模型目前仍处于探索阶段，尚不宜直接指导常规临床决策，未来需要更大规模、多中心的前瞻性验证。

本研究的亮点在于：第一，提出了整合斑块、血管壁和管腔的“斑块-血管”整体影像组学分析策略，超越了既往以斑块为中心的孤立分析模式，更全面地捕捉病变动脉节段的病理信息；第二，采用了复合临床终点，不仅包括卒中复发和 TIA，还包括神经功能恶化和血管性死亡，更贴近临床实际；第三，通过与定性斑块特征模型、ESRS 和 NIHSS 的直接比较，明确了影像组学的增量价值；第四，在方法学上通过 ICC 筛选、嵌套交叉验证、PCC 去冗余及独立时间验证集等手段强化了模型的稳健性与泛化能力评估。研究也存在一定局限，包括单中心回顾性设计、手动分割耗时、SMOTE 和广泛流程搜索可能带来的过拟合风险，以及机器学习模型的可解释性不足等。