第14章：超声颈动脉斑块轮廓：脑卒中预测的新方法（Ultrasound Profile of Carotid Plaque: A New Approach Towards Stroke Prediction）

1. 引言（Introduction）

颈动脉粥样硬化是因脑卒中而导致死亡与残疾的重要原因。在存在颈动脉斑块的患者中，仅有少数会表现出预警事件，而大多数的脑部事件却与既往的无症状斑块相关[1, 2]。多项研究已报告狭窄程度作为脑卒中指示因子的重要性，无论是在有症状组还是无症状组；患者疾病严重程度以及是否选择手术的依据为既往是否出现过临床症状（如脑卒中、短暂性脑缺血发作 TIA、一过性黑矇 AF）以及斑块所示的狭窄程度。进一步的研究显示，与狭窄程度大于 70% 相关的颈动脉内膜剥脱术可在术后 2 年将同侧脑卒中的绝对风险降低 17%，3 年降低 11.6%。这些观察提示并非所有重度狭窄斑块都具有危害；实际上多数无症状的重度狭窄斑块保持无症状；反之，相对低狭窄度的斑块也可能产生症状。此外，内膜剥脱术本身对患者存在不可忽略的风险，并对患者、医院及整体医疗系统带来显著的财务负担。因此，有必要对有症状斑块进行优化的特征化与识别，以便客观地筛选应接受手术治疗的患者。

早期的研究[5, 6] 基于医师对斑块外观的主观评估来解释病变严重程度；而今，先进的图像处理方法可从颈动脉斑块的 B 型超声（B-mode ultrasound, BUS）图像中提取大量特征。进一步地，专门的特征选择技术可识别出一个显著的子集，将其用作分类系统的输入，从而显著简化分类任务——分类将更快、占用更少内存，并通常仍能达到较高的分类性能。人工智能方法的发展结合优化后的计算性能，已促成计算机辅助诊断（CAD）系统的研发[7]，以期在诊断过程中协助医师评估病理所见。理想的识别易损病变的方法应尝试纳入不仅来自斑块内像素强度信息的形态学与纹理特征，还应纳入关于斑块结构与外观的诊断信息（如狭窄、表面破损的证据以及强回声纤维帽的存在），这些信息由经验丰富的临床医师解读与给出。综合上述信息有望更全面地刻画活动性斑块的轮廓，从而潜在地识别未来将产生症状的病变。

背景（1.1 Background）。文献中可见多种依赖颈动脉斑块回声形态学定性与定量评估的不同技术，但尚无单一技术成为方法学首选。组织病理学研究表明，除狭窄之外的其他因素——包括斑块结构与回声形态学（斑块灰度强度信息）——亦与神经症状相关[8–10]。强回声（echogenic）物质对超声信号反射强烈，含有纤维组织与钙化沉积；低回声（echolucent）物质反射能力较弱，包含血液与脂质。前述提及的低回声斑块较之强回声斑块更易导致神经系统事件的发展。El-Barghouty 等[8] 在 94 个斑块的研究中，基于灰度中位数（GSM）报告了低回声性（GSM ≤ 32）与脑部 CT 梗死发生率之间的关联。Iannuzzi 等[11] 在 242 例脑卒中与 336 例 TIA 患者中的研究表明，与脑血管事件最一致相关的特征为低回声性、斑块较厚以及存在纵向运动。Wilhjelm 等[12] 在 52 例手术患者中比较了斑块外观的主观视觉分级、一阶与二阶统计特征以及切除斑块的病理组织学分析，三类信息之间存在一定相关性，表现最佳的特征为直方图对比度。

此后的多项研究分别或组合使用了基于一阶与二阶统计的纹理信息[13]、Fourier 功率谱[13]、分形性质[14]以及 Laws 纹理能量[7]。Christodoulou 等综合使用统计、模型基与 Fourier 方法并组合多种分类器，在由 230 幅斑块图像构成的数据集上识别症状性病变时获得了 73.1% 的平均诊断准确率。Pedro 等[15] 在 215 个颈动脉斑块中开展的综合性研究结合了定量信息（如狭窄程度与直方图特征）与 BUS 图像上目视检查斑块所产生的定性信息，以发展一项超声评分。该评分被命名为 Activity Index（AI），在识别具有高症状发展可能性的斑块方面表现出前景，尽管存在显著的假阳性数量。Mougiakakou 等[7] 的工作系统地研究了所有可用的一阶统计量以及 Laws 纹理能量特征，其采用基于反向传播结合遗传算法训练的神经网络构成的 CAD 系统，在 108 个斑块的人群中识别脑卒中高风险的粥瘤病变产生了良好结果。Kyriacou 等[16] 在 137 个无症状与 137 个症状性斑块的人群中提出了一项多级二值与灰度形态学分析方法，与关于何为不稳定、症状性斑块的临床研究存在紧密联系——多级方法将 BUS 图像分解为低、中、高图像部分，分别对应低回声、等回声与高回声成分（AbuRahma[17] 原始提议）。超声图像中斑点的重要性及其用于组织特征化的统计建模已有文献记录[18]；本章研究一种近期提出的去斑算法[19]，该算法可将超声图像分解为无噪成分与斑点成分以用于特征提取与组织特征化，以期从这些图像源获得的回声形态学与纹理参数能更好地分析症状性斑块并将其与无症状病变区分。

本章组织（1.2 Chapter Organization）。本章由两个主要部分组成，对应两项不同的研究。Sect. 2 描述一项用于刻画症状性斑块的横断面研究，包括数据（Sect. 2.1）与方法（Sect. 2.2）的详细描述；研究结果与主要观察见 Sect. 2.3。第二项研究见 Sect. 3，旨在开发并测试一项用于在一组无症状受试者中量化斑块活动性的诊断指标；纵向研究中所用数据见 Sect. 3.1，斑块活动性指标的设计见 Sect. 3.2，实验结果见 Sect. 3.3。最后 Sect. 4 给出本章结论。

2. 横断面研究（Cross-Sectional Study）

数据管理（2.1 Data Management）。本研究纳入 221 个颈动脉分叉处斑块，来自 99 名患者（男性 75 例，女性 24 例），平均年龄 68 岁（41–88）。该数据集专门用于训练与测试分类框架在区分症状性与无症状性病变方面的性能。患者在葡萄牙里斯本的 Instituto Cardiovascular 与 Hospital de Santa Maria 通过神经科会诊接受观察。典型检查包括使用 ATL-HDI 3000 设备（Philips Medical Systems, Bothell, WA, USA）配合 L12-5 扫描探头（5–12 MHz 宽带线阵换能器）对单侧或双侧颈动脉进行彩色血流双功扫描。当既往 6 个月内出现同侧颈动脉供血区的一过性黑矇、局灶性短暂性、可逆性或已确立的神经症状时，该斑块被视为症状性。据此数据集中 70 个斑块为症状性，其余 151 个未表现出症状。研究基于固定时间窗采集的斑块超声图像（横断面研究）。

方法：CAD 系统（2.2 Methods: CAD System）。横断面研究的概念思路依托一个计算机辅助诊断框架（Fig. 14.2），旨在区分症状性与无症状性病变，从而提供关于易损斑块的精确描述。CAD 系统由 MATLAB（Version R2007b, The Mathworks, Natick, MA, USA）开发的友好图形界面支持，向医师提供多种功能：图像归一化、斑块轮廓定义、添加患者相关信息（年龄、病史、用药、危险因素）以及关于斑块主观结构特征的信息（狭窄程度、表面破损证据、纤维帽存在与否以及低回声区域）。医师可便捷地通过该应用程序给出临床输入。此外 CAD 系统纳入一连串图像处理任务，包括图像归一化以及包络图像估计与去斑；包络 RF（ERF）图像的检索与去斑操作用于创建用于斑块特征化的新信息源。最终，所设计的 CAD 系统给出用于指示斑块发展为症状之风险（以两种方式表述：Pedro 等[15] 早期提出的 Activity Index，以及本章详述的 Enhanced Activity Index EAI）的指标计算。CAD 系统的主要步骤见下文。

2.2.1 图像处理（Image Processing）。图像归一化是保证在不同条件下获取的图像产生可比较且可重现的特征与分类结果的重要步骤。归一化按先前报告[9] 的方法实现：将图像中像素强度线性缩放，使外膜与血液强度分别落在 185–195 与 0–5 区间内。该过程为交互式的，用户必须在图像中选择两个区域——一个对应外膜（最强回声部分），另一个对应血液（最弱回声部分）。归一化图像用于分割图像中现存的斑块：每个斑块通过沿其结构绘制轮廓进行勾画，所得轮廓由两步过程生成——(a) 根据两个手动定义点之间所允许的最大距离（10 像素）进行轮廓插值，(b) 使用基函数（sinc 函数）进行轮廓平滑。图像的去斑与斑点成分被用于计算回声形态学与纹理特征。超声图像的无斑点（无噪）成分据认为包含反映斑块形态（与周围组织）的重要回声内容；另一方面，斑点成分由于其乘性本质使其能够与底层解剖分离，因而有利于更好地研究图像中像素之间的空间关系（纹理）。第一步，通过所提出的解压缩方法从归一化 BUS 图像获得包络图像估计；随后，ERF 图像被用于通过 Rayleigh 混合模型（RMM）计算斑点自由与斑点成分。RMM PDF 由 (14.1) 式基于估计得到的权重与 Rayleigh 参数获得。

2.2.2 特征提取（Feature Extraction）。用于训练斑块分类器的特征包括医师给出的主观输入以及从归一化 BUS、ERF、去斑与斑点图像中自动提取的信息。据此，用于斑块特征化的特征包括：BUS 形态学特征（由医师在 BUS 检查时给出，4 元素向量含斑块破损证据、纤维帽存在、狭窄程度、回声结构外观——均质者定义为同质，含显著低回声区域者定义为异质）；直方图特征（从斑块内归一化像素强度直方图提取，共 13 个，含均值、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（RMM 混合的 6 个权重、6 个 Rayleigh 参数以及有效成分数——共 13 元素）；Rayleigh 特征（来自去斑图像上斑块像素的 Rayleigh 分布理论估计量的均值、中位数、方差及 Rayleigh 值低于 40 的像素百分比）；纹理特征（来自斑点图像内灰度空间分布研究，由 GLCM、AR 模型与小波模型估计）。GLCM 采用距离 d ∈ {1, 2, 3, 4} 像素与角度 ∈ {0°, 45°, 90°, 135°}，共构造 16 个 GLCM，每个 GLCM 派生对比度、相关性、能量、同质性 4 个统计量，故 GLCM 特征向量为 64 元素；AR 模型对斑点图像采用 1 阶 (p, q) = (1, 1)，估计 3 个 AR 系数；多级 2D 小波分解沿 l = 4 级进行，对每级计算近似能量 EA 与水平 EH、垂直 EV、对角 ED 细节能量百分比，故小波特征向量为 4 + 4 + 4 + 1 = 13 元素。因此每个斑块由 4（临床）+ 13（直方图）+ 13（RMM）+ 4（Rayleigh）+ 80（纹理）= 114 个特征组成的特征向量 x 描述。

2.2.3 分类（Classification）。上述描述每个斑块的特征用于训练 AdaBoost（Adaptive Boosting）分类器[22]。选择该分类器的动机来自其在 IVUS 图像斑块成分分类上取得的结果[23]。AdaBoost 是一种二分类器，通过线性组合一组弱分类器来设计强分类器。在提升算法的每一轮中，通过选择特征向量 x 中一项特征的最佳判别值来最小化训练数据集的分类误差。分类器性能通过 LOPO（Leave-One-Patient-Out）交叉验证技术评估，其中每次训练集由除一名外的全部患者数据构成，留出者作为测试。性能以灵敏度 Sens = TP/(TP+FN)、特异度 Spec = TN/(TN+FP)、精度或阳性预测值 Prec = TP/(TP+FP) 与准确率 Acc = (TP+TN)/(TP+TN+FP+FN) 给出，其中 TP 为真阳性，TN 为真阴性，FP 为假阳性，FN 为假阴性。用于诊断目的的优良分类器应具有较高的灵敏度（能检测到大多数症状性病变）与较高的 PPV（少数无症状病变被识别为症状性）。

2.2.4 特征分析（Feature Analysis）。超声图像处理后收集到相当数量的特征。显然并非所有特征都对准确刻画斑块状态（有/无症状）有重要作用。因此，此处尝试识别对这一问题最相关的超声参数。假设检验是基于来自总体样本（特征）的统计证据对一个或多个总体进行推断的常用方法。本章欲调查某一特征的统计性质是否在症状性组与无症状性组之间显著不同。不同的假设检验——包括 χ²、t、Kolmogorov–Smirnov、Mann–Whitney U——对所采样的随机变量（特征值）的分布作出不同的假设。本工作选择 Mann–Whitney U 检验[24] 是因其提供了最有前景的结果：该方法执行零假设（即两组样本来自具有相等中位数的相同连续分布的独立样本）的双侧秩和检验，对立假设为两组的分布中位数不等；p 值为假定零假设为真时拒绝零假设的概率。临床上显著的特征其 p 值通常低于 0.05 或 0.01。本工作以 p < 0.05 作为相关性的判据。检验得到的 16 元素特征集（Table 14.1）包含 4 项临床特征、4 项直方图特征、6 项 RMM 特征、1 项斑点小波分解能量特征与 1 项斑点 GLCM 同质性特征——其中既包含主观特征也包含基于图像的特征，且来自归一化图像、包络 RF 图像与斑点场多种来源的特征被认为具有统计学相关性。这一初步观察证实了超声预处理操作集的使用价值，因其使得估计出有用的斑块分类参数成为可能。

实验结果（2.3 Experimental Results）。本节呈现三类结果。首先，调查并识别对斑块分类问题具有统计学相关性的合适特征集。其次，使用不同的超声特征集训练 AdaBoost，以评估哪种特征来源对区分有/无症状斑块更有效。第三，给出现有先进分类器（狭窄程度与 AI）与所提方法间的综合比较研究。在实现 AdaBoost 之前，至关重要的是调查用以描述并识别颈动脉斑块症状性的最佳特征集，由此对用于斑块分类的不同信息来源得出结论。Mann–Whitney（M–W）U 假设检验用于识别具有统计学显著性的超声参数。Table 14.1 列出了所谓最佳特征集的参数、对应来源与 p 值。

AdaBoost 在五种不同参数集下训练，分别仅考虑形态学信息（F:1）、用于估计 AI 的参数（F:2）、总特征集（F:3）、由最相关特征组成的特征集（F:4，列于 Table 14.1）以及一个最后的特征集（F:5）——即除最佳特征集外所有参数均仅从一种图像源（归一化图像）计算，从而舍弃去斑与斑点图像中的信息。训练后，每个分类器的诊断价值在验证数据库上按 LOPO 技术测试。Fig. 14.4 显示分类性能，Table 14.2 给出详细描述。

由 Table 14.2 可见若干观察：首先，形态学特征是症状性的重要标志，因其显著的正确率与特异度值——但需注意该结果仅由医师量化与解读的主观参数获得，无法量化这一先验知识对形态学参数估计的影响程度。其次，将形态学参数与直方图参数（即 GSM 与 P40）组合，构成 AI 方法所用的特征集；F:2 的结果与 F:1 类似，仅 F:1 的灵敏度更高（代价是精度降低、获得更多 FP）。其三，为考察所提特征集的可用性，使用全部超声参数训练 AdaBoost；自然地 F:3 给出较低的分类性能，主要原因是一些不期望的特征对分类器造成干扰，使其倾向于这些特征而导致性能欠佳。最后，使用对这一问题具统计学相关性的特征集合训练分类器。使用 F:4，所有性能指标均显著优于参考分类器（F:2），灵敏度达 80%（提升 5%），准确率达 88.5%（提升 3%）。因此明确识别了一组涵盖形态学、回声性与纹理的特征，证明其适合从无症状斑块中识别症状性斑块。

Table 14.3 与 Fig. 14.5 给出了对不同分类方法的整体性能比较：将金标准方法（以临床上有意义的 80% 为截止的狭窄程度）与基于 AI 评分的近期方法以及 AdaBoost 在最佳特征集下的分类器一并比较。结果显示 AdaBoost 在最佳特征集下的分类器优于文献中常被引用的其他两类方法；特别是特异度与精度对 AdaBoost 显著高于其他分类器，表明所检测到的 FP 数量相对较小，进而正确斑块分类的准确率也较高。直接比较所提方法与相关工作[13, 16] 也很有意义——尽管因使用不同超声数据而无法严格比较，但 AdaBoost 方法的准确率（≈88%）与这些研究的（≈74%）之间的差距足以论证所提方法确实优于其他相关斑块分类方法。

3. 纵向/自然史研究（Longitudinal/Natural History Study）

数据管理（3.1 Data Management）。本节所使用的数据来自 ACSRS（Asymptomatic Carotid Stenosis and Risk Study）[25]，是一项关于颈内动脉相对于球部狭窄程度大于 50% 的无症状患者的多中心自然史研究。狭窄程度通过多种既定的超声双功标准分级。斑块按狭窄程度的分布平均为 ≈75%（50–99），其中狭窄程度 > 70% 的斑块数为 80。患者随访症状出现的平均时间间隔为 37.1 周。研究结束时，112 例患者中有 13 例（11.6%）出现了症状（3 例 AF、6 例 TIA、4 例脑卒中）。

方法：增强活动性指数（3.2 Methods: Enhanced Activity Index）。开发了一项定量诊断指标 EAI，其实现结合横断面研究中获得的知识。具体步骤为：(1) 通过 M–W U 统计检验，使用对斑块分类相关的特征作为活动性斑块的超声"轮廓"；(2) 对每个超声特征 fi 与组别（症状性 S 与无症状性 A），取参考值，考虑均值（μi(S), μi(A)）与方差（σi²(S), σi²(A)）；(3) EAI 定义为 Bayes 因子，由 (14.3) 式给出，其中 Rk (k ∈ {S, A}) 为各组（S 或 A）的边际似然，由 (14.4) 式给出——对应于每个特征属于各组的条件概率之和（条件概率按正态分布计算，Fig. 14.6）；RS 与 RA 分别代表斑块产生症状或保持稳定的似然。因此当 EAI = 1 时结果无定论；当 EAI < 1 时斑块将以显著概率保持无害（且 EAI 越小概率越高）；反之 EAI > 1 的斑块倾向于产生症状（EAI 越大越"危险"）。(4) EAI 通过 sigmoid 映射函数被重缩放到 0–100 区间，由 (14.5) 式给出（Fig. 14.7 给出函数形态）。这一映射技术使得所提 EAI 方法的预测能力可与 AI[15] 和狭窄程度[2] 比较。

实验结果（3.3 Experimental Results）。纵向研究（Fig. 14.1）调查 EAI 识别脑血管事件高风险斑块的诊断能力。为使该研究可行，所提方法应与其他斑块风险预测策略（如狭窄程度与 AI）比较。这种比较使用 ROC 曲线分析[26]。一般地，当考察两种人群（患病与未患）的某项检验结果时，两组之间几乎从不出现完全分离；对每个可能的截止点或判据值，总存在一些患病样本被正确分类为阳性（TPF = 真阳性率），但一些患病样本被分类为阴性（FNF = 假阴性率）；反之未患病者被正确分类为阴性（TNF = 真阴性率）但部分被分类为阳性（FPF = 假阳性率）。ROC 曲线以不同截止点下的 TPF（灵敏度）为纵轴、FPF（100−特异度）为横轴绘制，因此曲线上每点代表对应决策阈值的灵敏度/特异度对。具有完美判别力的检验（两组分布无重叠）的 ROC 通过左上角（100% TPF 与 0% FPF）。ROC AUC 经常被用作模型比较的摘要统计量；ROC AUC 越高表示预测方法越准确，可解释为从正负样本中各随机抽取一例时分类器对正例给出更高评分的概率。在工程中亦常用 ROC 曲线与无判别力线之间的面积作为"判别度"度量。ROC 曲线与无判别力线垂直（在 90° 处）的交点亦可作为启发式方法调查给出检验（或预测方法）最佳判别能力的截止点。

Fig. 14.8 给出三种预测方法的 ROC 曲线。ROC AUC 分别为 0.6496（64.96%）、0.7329（73.29%）、0.9057（90.57%），对应狭窄程度、AI 与 EAI。无判别力线的 ROC AUC 自然为 0.5000（50.00%）。这些结果明确显示 EAI 是受测方法中最准确的；同时 AI 方法优于狭窄程度，因为前者除狭窄程度外还包含其他参数。将 ROC AUC 与无判别力线相减，得出狭窄程度、AI 与 EAI 分别带来 14.96%、23.29%、40.57% 的判别度——这一观察给出了一项关于所获有效诊断信息量的提示，因为无判别力线对应随机猜测。结果强化了 EAI 在受调查方法中判别能力最强这一观点。按上述启发式方法，三种预测方法给出最佳 TP/FP 折中的截止值分别为 80、65、68（分别对应狭窄程度、AI 与 EAI，Fig. 14.8）。方法的选择对预测方法的性能至关重要。所提启发式方法（垂直于无判别力线且穿过 0.5 FPR 与 0.5 TPR 的对角线）对 TP（TPR）与 TN（1−FPR）赋予同等重要性；但在实践中 TPR 与 TNR 的相对重要性可论证：决策策略在赋予 TPR 更大权重时截断线应向右上偏移，反之应赋予 TNR 更大重要性时向左下偏移。

Fig. 14.9 从另一视角展示了 EAI 与其他方法的诊断能力，特别允许按各方法的不同截止比较 FP 与 FN 样本——FP 与 FN 对应柱条越短，截止或预测方法越好（取决于研究具体方法还是在同一截止下比较三者）。将 Fig. 14.9 与 ROC 曲线等价看待可说当 FN 与 FP 柱条越短（即 TPR 增大、FPR 减小），预测方法分别向左上移动。可以清楚地看到，无论选择何种截止，EAI 方法均较其他方法给出更低的 FP；同时以狭窄程度为依据的预测方法产生的 FP 最多（这是因为该方法是最简单的判别检验）。比较 Fig. 14.9b 与 c 可知，EAI 的 FP 数通常显著低于 AI。最优截止的选取具有高度主观性。读者应记住具有良好诊断力的方法应能识别尽可能多的 TP 样本，同时提供少量 FN 与 FP。选取截止应基于一项合理判据：(a) 是否更重要地识别并治疗所有将产生神经并发症的受试者，即便需对大量患者进行手术？(b) 是否应关注尽可能减少不必要的手术？(c) 是否应决定结合低 FP 与 FN 率？若选后者，狭窄程度的最佳截止为 70%，AI 的最佳截止为 56 与 50。值得注意的是，采用所提截止的 EAI 能够识别所有 TP，亦即能够预测所有产生症状的斑块。

Fig. 14.9 的结果详细列于 Table 14.4，给出了每种方法与截止下不同的性能指标。例如，EAI 在截止 52 时给出 100% 灵敏度与 30.95% 的阳性预测值——这是需重点强调的结果：EAI 在该特定截止下可识别所有将产生症状的斑块同时检测到最少数量的假阳性。在预测分析中，常将混淆矩阵（即 2 行 2 列报告 TN、FP、FN、TP 数量的表格）作为重要工具。Table 14.5 总结了根据上述截止（在对 Table 14.4 进行综合评估后选定）下每种方法的真正预测值。EAI 方法能够识别在随访（纵向）研究结束时已产生症状的 13 名患者，而狭窄程度与 AI 方法分别漏检了 1 名与 2 名在之后产生神经并发症的患者。就假阳性数而言，EAI 给出 29 例 FP，而 AI 与狭窄程度分别为 49 与 68。这意味着若以 EAI 为剥脱术的决策依据，仅 29 名患者被不必要地手术——该数字显著小于其他方法，表明 EAI 是最具成本效益的方法。综上，EAI 方法在受调查方法中展现出最佳的诊断能力，因其在无症状患者群体中提供了对潜在高风险患者子集的最准确筛选。

4. 结论（Conclusions）

颈动脉斑块是最常见的因栓塞或血流减少而导致神经症状的来源。本章始终强调精确定义"活动性"斑块——即具有较高可能性转变为有症状的无症状病变——的超声"轮廓"的需求。这一工作的重要性在于：当前仅基于患者临床病史与狭窄程度的治疗规划并非最优且不具成本效益。首先，通过使用 LOPO 交叉验证技术训练与测试 Adaptive Boosting 分类器执行了一项横断面研究。该分类器由来自不同图像源的形态学、回声性与纹理超声参数构成，参数在经过先前章节描述的一组处理操作后提取。应用一项合适的统计假设检验识别了在统计上对区分有/无症状斑块有意义的特征子集。基于所谓最佳特征集的 AdaBoost 分类器优于其他先进方法，在识别症状性斑块时达到了 88% 的准确率与 80% 的灵敏度。分类器性能的对比研究亦清楚地表明了本论文中所提超声预处理方法以及混合模型与纹理特征对斑块分类的价值。其次，在建立症状性或活动性斑块的合适超声轮廓后，提出了一项 EAI 以量化斑块活动程度或破裂可能性。该指标在纵向研究中通过一组无症状斑块进行评估，并与其他方法（狭窄程度与 AI）比较，展示了最佳的诊断能力。具体而言，EAI 正确识别了所有产生症状的斑块并给出最少的假阳性数。该结果提示 EAI 可对脑卒中预测与治疗规划产生显著影响。

本章个人批注

本章是 Saba 等编纂的 Multi-Modality Atherosclerosis Imaging and Diagnosis 一书中偏方法学的一章，作者 Seabra 等是图像处理与超声特征化方向的团队。本章与第 13 章（IVUS 的 Gamma 混合模型）共享一套术语体系——Rayleigh 混合模型（RMM）早在文献[20] 中被提出用于斑块特征化，本章进一步将其扩展到 B 型超声的颈动脉斑块场景。横断面研究本质上是机器学习流水线：图像归一化 → ERF/斑点/去斑三种图像源 → 多类特征（临床、直方图、Rayleigh/RMM、纹理共 114 维）→ Mann-Whitney U 检验做特征筛选 → AdaBoost 做分类 → LOPO 交叉验证评估。纵向研究则把横断面学到的"最佳特征集"包装为 Bayes 因子的 EAI，对一组 112 例无症状患者做前瞻验证。值得注意的方法学要点：(1) 训练集/测试集划分采用 LOPO 而非随机 k 折，能更好处理同一患者多幅图像的相关性；(2) M–W U 检验选择是因为其不要求正态假设，对小样本偏态数据稳健；(3) AdaBoost 选择的弱分类器为决策树桩（每个特征一个最优阈值），与多重比较校正问题相关——这也是为何全特征集 F:3 反而劣于筛选后的 F:4；(4) EAI 中条件概率采用正态假设 (14.4)，是一种朴素的"按特征独立累加似然"的朴素 Bayes 思路；(5) sigmoid 重缩放使 EAI 可与 AI（评分 0–100 量纲）平行比较，这种"工程化"步骤对临床可解释性至关重要。读后我产生的疑问：(a) 14 维最佳特征集内 6 项 RMM + 1 项小波 + 1 项 GLCM 同质性的组合是怎么相互作用？RMM 与同质性的相关性是否会引发冗余？(b) RMM 用 EM 估计混合权重与 Rayleigh 参数，K=6 是如何选定的？是否对 K 做模型选择（如 BIC）？(c) EAI 的条件概率采用正态假设（Fig. 14.6），但 Rayleigh 混合下的特征分布并非高斯，朴素 Bayes 独立性假设也可能违反；(d) 112 例无症状队列中 13 例（11.6%）出现症状，事件率较低，ROC AUC 90.57% 在这种不平衡数据上的稳健性如何？(e) EAI 在截止 52 时 100% 灵敏度意味着零漏检，但 PPV 仅 30.95%，相当于每识别一例真阳性就要误报约 2.2 例 FP——对手术决策而言是否可接受，取决于临床权衡。这些疑问我将在 questions.md 中跟进。

与上下章的衔接（一段话）

在 Saba 等编著的 Multi-Modality Atherosclerosis Imaging and Diagnosis 一书中，本章处于"超声颈动脉斑块定量分析"主题的收尾位置。前两章（第 17 章 IMT/CALEX 与第 16 章组织学/生化组分对照）从不同侧面对超声颈动脉斑块特征化作出贡献，但本章是少数把"特征化 → 分类 → 风险预测"作为完整流水线呈现的方法学章节。作者团队此前在 IVUS 图像上发展了 Gamma 混合模型（第 13 章），本章则把 Rayleigh 混合模型扩展到 B 型超声的颈动脉斑块特征化，并把统计描述与机器学习分类器（AdaBoost）和临床决策支持（EAI）相结合。从书的整体结构看，本章之后紧接着第 15 章"超声颈动脉狭窄定量"——后者更聚焦狭窄度本身的量化测量，而本章则强调"狭窄之外的回声形态学/纹理特征对症状预测的贡献"，两者形成互补：第 15 章解决"狭窄多少"的问题，本章则解决"斑块是否将变得不稳定"的问题。因此本章在超声颈动脉部分扮演了从"基于狭窄的传统风险评估"过渡到"基于图像特征的多模态风险预测"的角色，也为后续章节关于 MRI、CT 多模态斑块特征化奠定了方法学参考。