本研究由蒋京轩（jingxuan jiang）、王思佳（sijia wang）、肖凡（fan xiao）、顾红梅（hongmei gu）等为主要作者，通讯作者为杜文娴（wenxian du）与李跃华（yuehua li），主要完成单位包括上海交通大学医学院附属第六人民医院放射诊断与介入放射学研究所、南通大学附属医院放射科、上海交通大学医学院附属仁济医院放射科及扬州大学医学院等。论文发表于 Wiley-VCH 旗下的开放获取期刊 *Advanced Science*，于 2025 年 5 月 28 日在线发表，DOI 为 10.1002/advs.202417295。
本研究的学术背景聚焦于急性缺血性卒中（acute ischemic stroke）的血管内机械取栓（machine thrombectomy, mt）治疗。卒中是全球成人致死和致残的主要原因，其中缺血性卒中占绝大多数。机械取栓可恢复血流、挽救脑组织，但其疗效受多种临床因素影响，约 20% 的病例无法实现完全再通。血栓成分具有高度异质性，富红细胞（red blood cell, rbc）血栓与富纤维蛋白/血小板（fibrin and platelet, fp）血栓对溶栓药物和机械破坏的敏感性不同，前者较易被取出，后者则对血运重建反应较差，常需更先进的取栓装置。因此，无创、准确地量化血栓异质性（thrombus heterogeneity, th）具有重要预后价值，并可为个体化治疗策略提供依据。常规 ct 的影像组学（radiomics）虽已用于卒中诊断和分诊，但对血栓内在特性的反映有限；双能 ct（dual-energy ct, dect）基于能量依赖性衰减特性可区分物质，为血栓异质性评估提供了新的窗口。本研究旨在开发基于 dect 的血栓异质性定量指标，检验其预测卒中来源（心源性 vs. 非心源性）和机械取栓后 90 天临床结局（以改良 rankin 量表评分评估）的性能，并将血栓亚区与组织病理成分相关联，以实现血栓成分的可视化。
研究共纳入 255 例接受 ct 检查的患者和 221 例接受 dect 检查的患者，来自四个中心。ct 研究中，来自中心 a 的 184 例按 7:3 随机分为训练集（128 例）和测试集（56 例），中心 b 的 38 例与中心 c 的 33 例构成外部验证集。dect 研究中，来自中心 b 的 151 例随机分为训练集（105 例）和测试集（46 例），中心 a 的 52 例和中心 d 的 18 例构成外部验证集。其中 101 例 dect 患者同时接受了 ct 灌注（ctp）成像，被纳入比较队列。纳入标准包括：前循环大血管闭塞所致急性缺血性卒中、入院 ct/dect 可见血栓、检查后立即行机械取栓、可取出血栓进行组织学分析。排除标准包括既往机械取栓史、血栓过小或碎裂无法可靠分析、图像或病理质量差以及临床或影像数据不完整。
在血栓亚区划分方面，研究者从每个血栓感兴趣区提取影像组学特征，并利用 k-means 聚类将体素划分为不同“栖息地”（habitat）亚区。为确定最佳聚类数，采用 calinski-harabasz 评分、轮廓系数和 davies-bouldin 指数对 2 至 5 个聚类配置进行评估，最终确定最佳聚类数为 2。ct 研究中形成 habitat_a 与 habitat_b；dect 研究中形成 habitat_c 与 habitat_d。dect 分析基于五种参数图，包括混合图像、碘浓度图、40 kev 和 190 kev 虚拟单能图像以及虚拟平扫图像。所有图像经强度归一化至 0–600 亨氏单位（hounsfield units, hu）并重采样至 1×1×1 mm 体素，以部分消除跨中心、跨设备的数据异质性。血栓三维感兴趣区由两名具有 5 年神经放射学经验的放射科医师使用 itk-snap 软件手动勾画，并由一名 15 年经验的资深放射科医师监督。
影像组学特征提取方面，使用 pyradiomics（版本 3.1）从整个血栓及每个亚区提取了 107 个特征，包括 18 个直方图特征、14 个形状特征和 75 个纹理特征。所有特征经 z-score 标准化。特征降维方法包括 t 检验、pearson 相关分析和最小绝对收缩与选择算子（least absolute shrinkage and selection operator, lasso）回归，并使用十折交叉验证选择最具代表性的特征。模型构建阶段比较了随机森林、逻辑回归、支持向量机、k 近邻、extra trees、light gradient boosting machine、多层感知机和 extreme gradient boosting 等八种机器学习算法。最终选择逻辑回归构建最终模型。栖息地模型通过对每个栖息地提取的特征进行早期融合构建，联合模型则通过逻辑回归整合影像组学特征与栖息地特征。
在外部验证集中，基于 ct 预测卒中来源时，影像组学模型的 auc 为 0.789，habitat_a 为 0.680，habitat_b 为 0.881，栖息地联合模型为 0.848，联合模型为 0.806。habitat_b、栖息地联合模型和联合模型的性能显著高于 habitat_a（p = 0.009、0.019 和 0.005）。基于 dect 预测卒中来源时，影像组学模型的 auc 为 0.740，habitat_c 达到 0.923，habitat_d 为 0.663，栖息地联合模型为 0.764，联合模型为 0.907。habitat_c 和联合模型的性能显著优于 habitat_d（均 p < 0.001）、栖息地联合模型（均 p < 0.01）和影像组学模型（p = 0.025 和 0.004）。在预测临床结局方面，基于 ct 的模型中 habitat_b 的 auc 为 0.597，而 habitat_a 为 0.820；基于 dect 的模型中，栖息地联合模型 auc 达到 0.869，联合模型为 0.868，显著优于影像组学模型（p = 0.025）和 habitat_d（p = 0.005 和 0.009）。总体而言，dect 模型的最高 auc 和准确性（0.923 和 0.900；0.869 和 0.843）均高于 ct 模型（0.881 和 0.887；0.820 和 0.775）。
在比较队列中，dect-habitat_c 预测卒中来源的 auc 为 0.900，显著高于 ct-habitat_a（p < 0.001）和 ct 联合模型（p = 0.011），但与 ct-habitat_b 无显著差异（p = 0.217）。预测临床结局时，dect-habitat_c 的 auc 为 0.915，dect 栖息地联合模型为 0.928，dect 联合模型为 0.930。dect-habitat_c 与 dect-habitat_d（p = 0.002）及多种 ct 方法之间存在显著差异。
组织病理学分析显示，与心源性血栓比较，非心源性血栓的 fp 面积（23.15 ± 6.08 mm² vs. 21.00 ± 5.71 mm²，p < 0.001）和 fp 比例（61.20 ± 14.78% vs. 55.18 ± 15.64%，p < 0.001）显著更高，而 rbc 面积（14.91 ± 6.50 mm² vs. 17.57 ± 7.19 mm²，p < 0.001）和 rbc 比例（38.80 ± 14.78% vs. 44.84 ± 15.64%，p < 0.001）显著更低。pearson 相关分析表明，dect 亚区与血栓主要成分的相关性（|rmax| = 0.666，p < 0.001）高于 ct 亚区（|rmax| = 0.487，p < 0.001）。其中，dect-habitat_c 体积与组织病理成分面积的相关性最强（rrbcs = -0.526；rfp = 0.666）。在比较队列中，dect 亚区与组织成分的相关性进一步提高（|rmax| = 0.740，p < 0.001），而 ct 为 |rmax| = 0.619（p < 0.001）。
本研究的主要结论是：基于 dect 的血栓异质性相关模型在预测卒中来源和临床结局方面达到了最佳性能，其最高 auc 分别为 0.923 和 0.869；血栓亚区分析有助于可视化血栓成分。这一发现具有明确的科学价值和应用价值——dect 可作为机械取栓术前无创评估血栓成分和异质性的影像学生物标志物，帮助临床医生识别富纤维蛋白/血小板血栓，从而选择更合适的取栓装置或更积极的抗凝策略；通过血栓成分的可视化，未来还可辅助规划导丝通过路径，减少因血栓碎裂导致的远端栓塞。
本研究的亮点在于：其一，首次系统性地将 dect 多参数成像与血栓亚区聚类相结合，构建血栓异质性定量模型；其二，通过组织病理学验证了 dect 衍生亚区与血栓真实成分之间的显著相关性，尤其是 dect-habitat_c 与纤维蛋白/血小板成分的强正相关；其三，证实了 dect 在预测卒中来源和机械取栓临床结局方面优于传统 ct；其四，提出了血栓成分可视化的潜在实现路径，为个体化机械取栓导航提供了新思路。不过，本研究也存在一定局限性：外部验证范围有限，ct 与 dect 无法在同一患者同时获取，dect 参数图组合的选择尚待进一步探索，血栓病理切片与影像的空间精确匹配仍存在挑战。