第14章 颈动脉斑块的超声特征：卒中预测的新方法
书名：Multi-Modality Atherosclerosis
作者：Saba 等（2013）
本章作者：José Seabra, L.M. Pedro, J. Fernandes e Fernandes, J. Miguel Sanches
章节：第14章 颈动脉斑块的超声特征：卒中预测的新方法
第一节 章节概述
本章探讨了颈动脉粥样硬化斑块的超声特征分析与计算机辅助诊断系统，旨在区分有症状斑块与无症状斑块，并预测斑块未来发生卒中的风险。本章由两个核心研究组成：第一部分为横断面研究，建立了一套基于AdaBoost分类器的计算机辅助诊断（CAD）框架；第二部分为纵向研究，开发了增强活动指数（Enhanced Activity Index，EAI）用于量化无症状斑块的活性。
研究表明，仅依靠狭窄程度这一单一指标来预测卒中风险存在明显局限性。事实上，许多重度狭窄的斑块终身保持无症状状态，而部分低度狭窄的斑块却可能引发症状。本章提出将斑块的形态学特征、回声特性以及纹理特征相结合，构建更全面的"活动斑块"超声画像，从而实现更准确的卒中风险评估。
研究数据来源于两个独立的患者群体：横断面研究纳入99例患者共221个颈动脉分叉处斑块，其中70个为有症状斑块，151个为无症状斑块；纵向研究则使用了ACSRS（无症状颈动脉狭窄与风险研究）数据库中112例无症状患者的斑块数据，平均随访37.1周后有13例（11.6%）患者出现了神经系统症状。
第二节 关键问题与研究动机
2.1 科学问题
本章聚焦以下核心科学问题：
-
斑块稳定性评估问题：传统上依赖狭窄程度判断斑块危险性的方法存在显著不足。研究表明，狭窄程度超过70%的患者在2年内同侧卒中绝对风险仅降低17%，说明并非所有重度狭窄斑块都具有危害性。
-
症状预测的敏感性不足：有研究报道，相对低度狭窄的粥样硬化斑块同样可能产生症状。如何从超声图像中提取能够预测斑块未来活动的特征，是临床迫切需要解决的问题。
-
斑块表征的多维特征融合：超声图像中包含丰富的回声形态学信息，但如何有效提取和融合这些异质性特征用于分类，仍缺乏统一方法论。
2.2 研究动机
颈动脉内膜切除术虽然可有效预防卒中，但手术本身存在不可忽视的风险以及显著的经济负担。因此，精确识别真正需要手术治疗的"危险"斑块，同时避免对稳定斑块进行过度干预，是优化临床决策的关键。本研究旨在开发一种能够客观、定量评估斑块活动性的诊断工具，为临床治疗决策提供更可靠的依据。
2.3 研究方法论
研究采用了系统性的多模态特征提取策略，包括从B型超声（BUS）图像、包络射频（ERF）图像、去斑点图像和斑点图像中分别提取特征，并通过统计假设检验筛选最具判别力的特征子集，最终结合AdaBoost分类器实现斑块分类。
第三节 主要公式与推导
3.1 雷利混合模型（Rayleigh Mixture Model, RMM）
雷利混合模型用于表征斑块回声形态学内容。假设斑块内像素强度服从以下混合分布：
其中，\(p(y_{ij}|\sigma_k)\) 为雷利概率密度函数，\(\pi_k\) 为混合权重，\(\sigma_k\) 为雷利参数，\(K=6\) 表示混合分量数目。这些参数通过期望最大化（EM）算法估计。提取的特征向量包含6个混合权重、6个雷利参数以及有效分量数目，共计13个特征。
3.2 自回归（AR）模型
自回归模型用于描述像素与其邻域像素之间的空间依赖关系。设 \(\varepsilon_{i,j}\) 为斑点图像中位置 \((i,j)\) 处的像素值，则：
其中，\(a_{n,m}\) 为AR系数，\(u_{i,j}\) 为残差。采用一阶模型 \((p,q)=(1,1)\)，估计3个AR系数。
3.3 增强活动指数（EAI）
EAI定义为贝叶斯因子形式：
其中，\(R_k = \sum_i p(f_i|\omega_k) \sim N(\mu_i(k), \sigma_i^2(k))\)，\(k \in \{S, A\}\) 分别表示有症状组和无症状组。\(R_S\) 和 \(R_A\) 代表每个斑块产生症状或保持稳定的似然度。当 \(\text{EAI}' = 1\) 时结果不确定；\(\text{EAI}' < 1\) 表示斑块保持稳定的概率较高；\(\text{EAI}' > 1\) 则提示斑块倾向于产生症状。
3.4 EAI的Sigmoid映射
为使EAI与狭窄程度和活动指数（AI）具有可比性，采用Sigmoid函数将 \(\text{EAI}'\) 映射至 \([0, 100]\) 区间：
该映射确保100代表最大风险，0代表稳定性。
3.5 分类性能指标
敏感度（Sensitivity）： $\(\text{Sens} = \frac{TP}{TP + FN}\)$
特异度（Specificity）： $\(\text{Spec} = \frac{TN}{TN + FP}\)$
精确率（Precision/PPV）： $\(\text{Prec} = \frac{TP}{TP + FP}\)$
准确率（Accuracy）： $\(\text{Acc} = \frac{TP + TN}{TP + TN + FP + FN}\)$
第四节 关键算法与建模方法
4.1 CAD系统框架
本章构建的计算机辅助诊断系统包含以下核心模块：
图像预处理： - 图像归一化：将像素强度线性缩放，使外膜回声强度维持在185–195范围，血液回声强度维持在0–5范围 - 包络图像估计：从归一化BUS图像通过解压方法估计包络射频（ERF）图像 - 去斑点处理：采用去斑点算法将超声图像分解为无噪声分量和斑点分量
特征提取（共计114维特征向量）： - BUS形态学特征（4维）：斑块破裂证据、回声帽存在性、狭窄程度、斑块回声结构 - 直方图特征（13维）：灰度均值、中位数、灰度值低于40的像素百分比、标准差、峰度、偏度、能量、熵、10/25/50/75/90百分位数 - RMM特征（13维）：雷利混合模型的权重和参数 - 雷利特征（4维）：均值、中位数、方差、灰度值低于40的像素百分比 - 纹理特征（80维）：灰度共生矩阵（GLCM）特征64维（4种统计量×4种距离×4种角度）、AR模型特征3维、小波分解特征13维
4.2 特征选择与统计检验
采用Mann-Whitney U检验识别对分类最有贡献的特征子集。该检验为双侧秩和检验，评估特征在有症状组和无症状组之间是否存在显著差异。最终筛选出16个统计显著特征（p<0.05），包括4个BUS形态学特征、4个直方图特征、3个RMM特征、4个雷利特征以及1个GLCM特征。
4.3 AdaBoost分类器
AdaBoost（自适应提升）是一种二分类算法，通过线性组合多个弱分类器构建强分类器。每轮迭代中，选择最佳判别特征以最小化分类误差。采用留一患者交叉验证（LOPO）评估分类性能。
4.4 ROC曲线分析
ROC曲线通过绘制不同阈值下的真阳性率（TPR）与假阳性率（FPR）评估预测方法的判别能力。曲线下面积（AUC）作为模型性能的综合指标，值越高表示判别能力越强。
第五节 主要结论
5.1 横断面研究结果
使用最优特征集（F:4）训练的AdaBoost分类器取得了最佳性能：
| 指标 | 数值 |
|---|---|
| 准确率 | 88.46% |
| 敏感度 | 80.00% |
| 特异度 | 92.31% |
| 精确率 | 82.54% |
相比基于狭窄程度（准确率66.44%）和传统活动指数AI（准确率74.66%）的方法，AdaBoost分类器展现出显著优势。尤其在特异度和精确率方面提升明显，表明该方法能够有效减少假阳性病例。
5.2 纵向研究结果
EAI方法在112例无症状患者的纵向随访中表现出卓越的预测能力：
| 预测指标 | 狭窄程度 | AI | EAI |
|---|---|---|---|
| ROC AUC | 64.96% | 73.29% | 90.57% |
在最佳阈值（cut-off=52）下，EAI实现了100%的敏感度，即能够识别所有最终发生症状的斑块，同时保持最低的假阳性数（29例），显著优于狭窄程度（68例假阳性）和AI方法（49例假阳性）。
5.3 核心发现
研究表明，将形态学特征、回声特性和纹理特征相结合的多维特征分析方法，能够更全面地刻画活动斑块的超声画像。从去斑点和包络图像中提取的特征，比直接从归一化图像提取具有更高的判别价值，证实了预处理操作对特征质量的重要贡献。
第六节 挑战与开放问题
6.1 当前理论局限
尽管本研究取得了令人鼓舞的结果，但仍存在若干局限性。首先，EAI方法中正态分布假设的合理性需要更大规模的多中心数据验证。其次，斑块的"活动性"涉及复杂的病理生理过程，单一影像学指标难以完全捕捉其动态演变特征。
6.2 实验验证不足
研究样本量相对有限（横断面研究221个斑块，纵向研究112个斑块），需要更大规模的验证队列确认结果的普适性。此外，研究中采用的超声设备和参数设置可能影响特征的稳定性和可重复性。
6.3 临床转化挑战
将实验室算法转化为临床可用工具面临诸多实际障碍，包括：超声图像获取的标准化、特征提取的自动化、实时分析能力的实现，以及与现有临床工作流的整合。
6.4 未解决的核心问题
- 如何建立统一的标准化的斑块活动性评估体系？
- 不同超声设备和成像参数对特征稳定性的影响如何量化？
- 如何结合其他影像模态（如CTA、MRA）进一步提高预测准确性？
- EAI的最佳临床决策阈值如何根据个体患者因素动态调整？
第七节 个人思考与批判性分析
7.1 方法论评价
本章的研究设计体现了从影像组学到临床决策的完整转化路径，具有重要的方法论参考价值。作者巧妙地将横断面研究确定的"活动斑块画像"应用于纵向随访数据，实现了从症状识别到症状预测的跨越。
7.2 技术创新点
本研究的一个重要贡献在于提出了多源图像特征融合策略。通过从BUS、ERF、去斑点和斑点图像分别提取特征，并验证了这种多源策略相比单一图像源的优越性，为后续研究提供了重要的方法论参考。
7.3 临床意义
EAI方法实现了100%敏感度的症状预测，同时将假阳性率降至最低，具有显著的临床应用前景。这一工具如果得到前瞻性验证，有望革新无症状颈动脉狭窄患者的风险分层和治疗决策。
7.4 进一步思考
作为读者，笔者关注以下问题：第一，斑块的"活动性"是否具有时间动态性，单次测量能否代表长期风险？第二，纹理特征的高维性是否会导致过拟合风险？第三，不同操作者之间的特征提取一致性如何保证？期待未来研究能够回答这些问题。
公式汇总
| 编号 | 名称 | 形式 | 物理意义 | 类型 |
|---|---|---|---|---|
| (14.1) | 雷利混合模型 | \(p(y_{ij}) = \sum_{k=1}^{K} \pi_k p(y_{ij}\|\sigma_k)\) | 表征斑块回声强度分布的混合统计模型 | (T) |
| (14.2) | 自回归模型 | \(\varepsilon_{i,j} = \sum_{n,m} a_{n,m} \varepsilon_{i-n,j-m} + u_{i,j}\) | 描述像素空间邻域依赖关系的纹理模型 | (T) |
| (14.3) | EAI定义 | \(\text{EAI}' = R_S/R_A\) | 贝叶斯因子形式的斑块活动性度量 | (T) |
| (14.4) | 边缘似然度 | \(R_k = \sum_i p(f_i\|\omega_k) \sim N(\mu_i(k), \sigma_i^2(k))\) | 各特征对有症状/无症状组的条件概率之和 | (T) |
| (14.5) | Sigmoid映射 | \(\text{EAI} = \frac{100}{1 + \exp(-(\text{EAI}' - 1))}\) | 将EAI映射至0-100标准化风险评分 | (E) |
| (14.6) | 敏感度 | \(\text{Sens} = TP/(TP + FN)\) | 正确识别有症状斑块的比例 | (E) |
| (14.7) | 特异度 | \(\text{Spec} = TN/(TN + FP)\) | 正确识别无症状斑块的比例 | (E) |
| (14.8) | 精确率 | \(\text{Prec} = TP/(TP + FP)\) | 阳性预测值，预测有症状中实际有症状的比例 | (E) |
| (14.9) | 准确率 | \(\text{Acc} = (TP + TN)/(TP + TN + FP + FN)\) | 整体分类正确率 | (E) |
注：(T)=理论推导，(E)=经验公式
参考文献
详见原文第1197-1299行。