分享:
分享到微信朋友圈
X
临床研究
急性脑卒中机械取栓术后出血转化风险的列线图模型构建
刘振 黄晓斌 彭明洋 王同兴 谢光辉 任军 殷信道

Cite this article as: Liu Z, Huang XB, Peng MY, et al. Construction of a nomogram model for hemorrhagic transformation risk after mechanical thrombectomy in patients with acute stroke[J]. Chin J Magn Reson Imaging, 2022, 13(4): 15-19.本文引用格式:刘振, 黄晓斌, 彭明洋, 等. 急性脑卒中机械取栓术后出血转化风险的列线图模型构建[J]. 磁共振成像, 2022, 13(4): 15-19. DOI:10.12015/issn.1674-8034.2022.04.003.


[摘要] 目的 基于多模态磁共振影像组学及临床危险因素构建急性脑卒中机械取栓术后出血转化的列线图模型。材料与方法 回顾性分析2017年1月至2020年12月在南京市第一医院就诊的急性缺血性脑卒中患者病例174例,将患者病例随机分为训练集(n=122)和测试集(n=52),根据治疗后24 h的磁共振图像将患者分成出血转化组和无出血转化组。采用A.K.软件提取弥散加权成像及灌注加权成像病变区影像组学特征并构建影像组学标签。通过多变量Logistic回归筛选最佳预测因子并构建列线图模型。利用受试者操作特征(receiver operating characteristic,ROC)曲线评估模型预测效能。结果 每例患者各提取1584个影像组学特征,降维后筛选出15个与卒中出血转化高度相关的特征。ROC曲线显示联合影像组学标签、房颤史、年龄及入院NIHSS评分构建的诺莫图模型预测训练集出血转化的曲线下面积(area under the curve,AUC)为0.979 (敏感度和特异度分别为0.950、0.989),预测测试集出血转化AUC为0.885 (敏感度和特异度分别为0.836、0.908),均优于单一影像组学模型(AUC=0.763)或临床特征模型(AUC=0.707)。结论 多模态磁共振联合临床特征的影像组学和机器学习可以预测急性脑卒中动脉取栓术后出血转化,且具有较高的可靠性。
[Abstract] Objective To construct a nomogram model for hemorrhage transformation after mechanical thrombectomy in acute stroke based on multimodal MRI radiomics and clinical risk factors.Materials and Methods A total of 174 patient cases with acute ischemic stroke in Nanjing First Hospital from January 2017 to December 2020 were analyzed retrospectively. The patients were randomly divided into the training set (n=122) and test set (n=52). Then the patients were divided into hemorrhage transformation group and no hemorrhage transformation group according to the MRI images after treatment. A.K. software was used to extract diffusion weighted imaging and perfusion weighted imaging lesions features and construct radiomics tags. Multivariate Logistic regression was used to select the best predictors and construct a nomogram model. The receiver operating characteristic (ROC) curve was utilized to evaluate the predictive performance of the model.Results A total of 1584 radiomics features were extracted from each patient. After dimensionality reduction, 15 features that were highly associated with hemorrhage transformation were screened out. ROC showed that the AUC of nomograph model in the training set was 0.979 (sensitivity and specificity: 0.950, 0.989), which included radiomics labels, atrial fibrillation history, age, and NIHSS score on admission. The AUC in the test set was 0.885 (sensitivity and specificity: 0.836, 0.908). Both of them were better than models built based on pure radiomics lables (AUC=0.763) or clinical features (AUC=0.707).Conclusions Radiomics and machine learning based on multimodal MRI and clinical features are reliable to predict hemorrhage transformation after mechanical thrombectomy in acute ischemic stroke.
[关键词] 卒中;机器学习;影像组学;列线图模型;弥散加权成像;灌注加权成像;出血转化
[Keywords] stroke;machine learning;radiomics;nomogram model;diffusion weighted imaging;perfusion weighted imaging;hemorrhage transformation

刘振 1, 2   黄晓斌 1   彭明洋 1   王同兴 1   谢光辉 1   任军 1   殷信道 1*  

1 南京医科大学附属南京医院(南京市第一医院)医学影像科,南京 210006

2 安徽医科大学附属滁州医院(滁州市第一人民医院) CT、MRI室,滁州 239000

殷信道,E-mail:y.163yy@163.com

作者利益冲突声明:全部作者均声明无利益冲突。


基金项目: 江苏省重点研发项目 BE2021604 江苏省自然科学基金项目 BK20201118
收稿日期:2021-12-23
接受日期:2022-03-25
中图分类号:R445.2  R743.3 
文献标识码:A
DOI: 10.12015/issn.1674-8034.2022.04.003
本文引用格式:刘振, 黄晓斌, 彭明洋, 等. 急性脑卒中机械取栓术后出血转化风险的列线图模型构建[J]. 磁共振成像, 2022, 13(4): 15-19. DOI:10.12015/issn.1674-8034.2022.04.003

       急性缺血性脑卒中(acute ischemic stroke,AIS)具有高死亡率、高病残率和高复发率的风险[1, 2]。目前机械取栓是治疗的主要措施之一,但机械取栓术后易发生出血转化并发症,若治疗不及时可造成脑组织进一步损害,增加死亡风险[3]。因此,早期及时准确地预测出血转化风险具有重要意义。目前临床预测卒中后出血转化主要依靠发病时间、心房纤颤、入院美国国立卫生院卒中量表(National Institute of Health Stroke Scale,NIHSS)评分、弥散加权成像(diffusion weighted imaging,DWI)梗死体积等危险因素[4, 5, 6]。然而,脑卒中后出血转化的影响因素较多,单独依靠一种因素且通过人工评估准确率不高,差异较大。近年来,影像组学技术已广泛应用在医学影像的诊断及预测中[7, 8, 9],它高通量地提取图像特征[10, 11, 12],可量化病变内部异质性,帮助病变的识别和分类[13]。本研究旨在探讨基于多模态MRI影像组学特征和临床危险因素构建风险列线图模型、预测机械取栓术后出血转化的应用价值。

1 资料与方法

1.1 研究对象

       本研究经过南京医科大学伦理委员会批准,批准文号:2019-664,免除受试者知情同意。回顾性分析2017年1月至 2020年12月在南京市第一医院就诊的明确急诊脑卒中患者。纳入标准:(1)明确的AIS患者且治疗前没有出血;(2)发病时间在24 h以内;(3)年龄在40~80岁之间;(4)治疗前接受多模态MRI检查;(5)治疗后有CT或者MRI复查。排除标准:(1)有颅内出血、创伤或肿瘤的患者;(2) MRI存在运动伪影导致图像无法评估;(3) DWI图像病灶太小无法勾画。共174例病例纳入研究,其中男106例,女68例。

       收集患者性别、年龄、入院时NIHSS评分等基本临床资料,以及有无糖尿病、高血压、高脂血症等既往史。为使两组样本量均衡,在样本选择时根据入院的时间顺序,收集出血转化患者病例88例和无出血转化患者病例86例。出血转化定义为机械取栓治疗后24 h的CT或MRI出现出血表现。同时按随机分层抽样法将患者分为训练集(n=122)和测试集(n=52)。

1.2 磁共振扫描参数

       采用3.0 T磁共振成像仪(Ingenia, Philips Medical Systems, Netherlands)进行扫描,采集所有患者治疗前MRI图像,包括DWI及灌注加权成像(perfusion weighted imaging,PWI)序列,扫描参数如下:DWI采用自旋回波序列,TR=2501 ms,TE=98 ms,FA=90°,视野=230 mm×230 mm,矩阵=152×122,层厚6 mm,18层,层间距1.3 mm,b=0、1000 s/mm2,扫描时间43 s;PWI采用平面回波序列,TR=2000 ms,TE=30 ms,矩阵=96×93,视野=224 mm×224 mm,FA=90°,层厚4 mm,扫描时间88 s。

1.3 影像组学特征提取及筛选

       对所收集的影像资料进一步处理,包括图像分割、特征提取及特征选择。

       图像分割:使用ITK-SNAP软件对DWI图像上的急性梗死区及Tmax图像低灌注区(Tmax>6 s)进行手动逐层勾画,确定三维感兴趣区(volume of interest,VOI),此过程由1名具有5年神经影像工作经验的放射学医师完成,并由1名具有15年神经影像工作经验的放射学医师进行审核。

       特征提取:应用A.K.软件(分析版本1.0.3;美国GE Healthcare)从所得到的VOI图像中进行特征提取,所提取的特征包括:(1)一阶统计特征:如均数、中位数、最大值、最小值、标准差等;(2)二阶统计特征(即纹理特征):包括灰度级长矩阵(gray level run-length matrix,GLRLM)、灰度相关矩阵(gray level dependence matrix,GLDM)、灰度共生矩阵(gray level co-occurrence matrix,GLCM)、邻域灰度差分矩阵(neighborhood gray-tone difference matrix,NGTDM)和灰度级带矩阵(gray level size zone matrix,GLSZM)等特征;(3)高阶统计特征:主要包括经gabor滤波器变换后所得到的图像的强度和纹理特征。每个序列提取792个特征,DWI及Tmax共计1584个特征。

       特征选择:通过去除相似及冗余数据,减少过多的特征维度,从而提高计算效率,避免过度拟合。本研究利用单因素、多因素Logistic回归及最低绝对收缩与选择算法(least absolute shrinkage and selection operator,LASSO)进行逐步特征降维及筛选,通过构造惩罚函数得到一个较为精练的模型,压缩一些回归系数,并设定一些回归系数为零,同时采用十折交叉验证对模型参数进行最优化。据此计算每位患者的影像组学标签评分(Rad_score)。

1.4 模型的构建

       基于筛选出的影像组学特征和Logistic回归分类器构建模型,获得每位患者出血转化的预测概率。联合预测概率及临床相关预测因子构建出血转化风险列线图模型。计算每位患者的预测评分。

1.5 统计学分析

       临床资料统计学分析采用SPSS 26.0软件。应用Kolmogorov-Smimov检验计量资料是否符合正态分布,正态分布的计量资料以均值±标准差(x¯±s)表示并采用独立样本t检验分析,非正态分布的计量资料以中位数(四分位数)[M (P25,P75)]表示并采用Mann-Whitney U检验;计数资料以百分数表示并采用卡方检验分析,P<0.05为差异有统计学意义。出血转化组与无出血转化组间差异有统计学意义的临床变量作为临床相关预测因子纳入列线图模型。应用Sklearn (http://scikit.learn.org/stable/)机器学习模块的受试者操作特征(receiver operating characteristic,ROC)曲线分析评估模型预测急性脑卒中出血转化风险的预测效能。获得ROC曲线下面积(area under the curve,AUC)、准确度、敏感度、特异度、阳性预测值、阴性预测值等模型评价指标。

2 结果

2.1 临床资料比较

       174例急性脑卒中患者病例纳入研究,122例训练集患者中出血转化为59例(48.36%),52例测试集患者中出血转化为29例(55.77%),两组间出血转化比例差异无统计学意义(P=0.371)。与非出血转化组相比,出血转化组年龄较大(68.84±9.67 vs. 65.44±9.77;P=0.019)、入院NIHSS评分较高[16 (11,18) vs. 4.5 (2,8);P<0.001]、房颤比例较高[21 (23.9%) vs. 9 (10.5%);P=0.032]。两组间性别、发病时间、高血压、糖尿病、吸烟史及高脂血症差异无统计学意义(P>0.05) (表1)。

表1  各数据集基本临床特征比较
Tab. 1  Comparison of basic clinical characteristics of each data set

2.2 影像组学特征筛选

       1584个影像组学特征,通过单因素、多因素Logistic回归及LASSO回归降维筛选出15个特征,包括10个DWI图像特征(2个最大值特征、1个形态学特征、3个GLCM特征、1个GLDM特征、2个GLSZM特征、1个GLRLM特征)和5个PWI图像特征(均数、四分位数、峰度、1个GLSZM特征、1个GLRLM特征)。影像组学特征的LASSO热图见图1。基于这些特征和其相应的回归系数构建Rad_score。

图1  影像组学特征的LASSO热图。
Fig. 1  LASSO heat map of radiomics.

2.3 联合预测模型构建

       ROC曲线分析显示基于Rad_score的影像组学模型预测患者出血转化风险的AUC为0.763、准确度为0.713 (表2图2A);基于临床危险因素(年龄、NIHSS评分、房颤)模型预测患者出血转化风险的AUC为0.707,准确度为0.701 (表2图2A);基于上述临床危险因素(年龄、NIHSS评分、房颤)及影像组学的联合模型预测训练集患者出血转化风险的AUC为0.979,敏感度和特异度分别为0.950、0.989,准确度为0.967;预测测试集患者出血转化风险的AUC为0.885,敏感度和特异度分别为0.836、0.908,准确度为0.846 (表2图2B)。联合上述临床危险因素(年龄、NIHSS评分、房颤)及影像组学预测概率构建卒中出血转化的列线图模型,分别对各最佳预测因子进行赋分,总分越高,出血转化风险越高(图3)。

图2  基于影像组学模型、临床特征模型(2A)及基于联合标签(2B)预测急性脑卒中机械取栓术后出血转化风险的ROC曲线。
Fig. 2  ROC curves for predicting the risk of hemorrhagic transformation after mechanical thrombectomy in acute stroke based on radiomics, clinical features (2A) and combined labeling (2B).
图3  急性脑卒中机械取栓术后出血转化风险预测列线图。房颤:0代表无房颤,1代表有房颤。分别根据每位患者入院后临床资料和影像资料进行赋分,在对应指标线段分值上做出该线段的垂直线,投射到“Points”线段上,读出该指标的得分。再根据各指标得分相加,将得出的总分记在“Total points”线段上,并做垂直线,垂直线与Risk的交点处读数则为该患者出血转化的几率,几率越大,则患者出血转化的风险越大。
Fig. 3  The nomogram of predicting risks for hemorrhagic transformation after mechanical thrombectomy in acute stroke. Atrial fibrillation: 0 means no atrial fibrillation, 1 means atrial fibrillation. According to the clinical data and imaging data of each patient after admission, a vertical line of the line segment is made on the score of the corresponding index line segment. The vertical line projects on the "Points" line segment, and the score of the index is read out. Then add up the scores of each indicator, record the total score on the "Total points" line segment and draw a vertical line. The reading at the intersection of the vertical line and Risk is the probability of the patient′s bleeding conversion. The greater the probability, the greater the chance of the patient's hemorrhage transformation.
表2  不同模型对脑卒中患者的出血转化预测的效能
Tab. 2  Efficacy of predicting hemorrhage transformation in stroke patients for different models

3 讨论

       本研究通过对AIS患者发病后DWI和Tmax图像开展影像组学分析,运用机器学习技术构建了Logistic回归模型,获得了每位患者机械取栓后出血转化的预测概率,并联合患者的临床资料,最终构建了预测患者出血转化的列线图模型。研究结果表明,基于影像组学特征和机器学习方法开发的预测模型拥有较好的预测效能,能够较为准确地预测急性脑卒中机械取栓术后出血转化。

       传统影像判断卒中后出血转化主要依靠CT和磁敏感加权成像,其中磁敏感加权成像可以在2 h内检测出病灶[14, 15, 16]。Langel等[17]通过CT灌注成像检查75例急性脑梗死患者,得出相对脑血流量预测出血转化方面稍优于相对脑血容量。孙凤涛等[18]认为CT灌注成像可早期敏感地评价急性缺血脑组织的血流动力学状况,其中相对脑血容量参数能预测出血转化风险,对临床进行个性化溶栓治疗有重要的指导意义。Souza等[19]研究发现,基于CT灌注成像的低灌注组织体积和阈值平均体素值是急性卒中出血转化的标志物,其准确度与DWI相似。然而,仅仅依靠传统影像存在一些局限性,如敏感度低、阴性预测值低、主观性强等。这种判断方法经常错误地预测了出血转化的情况,使临床医生不能更好确定患者是否需要预防出血。

       本研究采用机器学习自动化算法分析患者发病后首次DWI和Tmax图像,定量评价影像图像中的各种参数,从中提取了共1584个影像组学特征,并通过降维筛选出具有意义的15个特征,能够充分利用DWI和Tmax图像中所包含的大量信息,包括10个DWI图像特征(2个最大值特征、1个形态学特征、3个GLCM、1个GLDM、2个GLSZM、1个GLRLM)和5个PWI图像特征(均数、四分位数、峰度、1个GLSZM、1个GLRLM)。形态学特征较传统体积测量可反映病灶的空间形态改变;灰度共生矩阵特征可反映病变的同、异质性;灰度游程矩阵特征可反映图像纹理的方向性和粗糙程度等信息,这些肉眼无法看见的特征可更加准确全面地反映病灶信息。并且运用计算机技术分析DWI和Tmax图像,能够有效克服由于人类评估的主观性及可变性而带来的主观判断误差。同时,预先训练的机器学习模型可以提高预测急性脑卒中动脉取栓术后出血转化,使得临床医生能够通过模型快速确定患者是否应该进行预防出血转化的干预。

       本研究结果显示,对于AIS患者动脉取栓术后出血转化的预测,影像组学和临床特征的联合模型预测效能优于单一影像组学模型或临床特征模型,且联合模型在训练集及测试集中均具有较高的AUC和准确度。本研究预测效果优于以往的研究,如Yu等[20]利用机器学习通过PWI结合DWI预测AIS中出血转化发生,并进行各种模型的比较,最终核谱回归模型表现最佳,AUC为83.7%±2.6%,低于本研究的AUC (0.885)。可能的原因为以往的研究往往只专注于影像学特征,而未考虑临床特征的贡献。在本研究中,出血转化组和非出血转化组两组间患者房颤史、年龄及入院NIHSS评分差异也有统计学意义,提示患者的临床特征对出血转化预测具有一定的影响。以往已有较多研究表明入院NIHSS评分、房颤及年龄与患者再灌注治疗及预后密切相关[21, 22, 23]。NIHSS评分可评价患者神经功能缺损程度,评分高的患者通常梗死面积大,脑水肿严重,细胞缺血缺氧严重,再灌注治疗后更容易发生出血转化。伴发房颤的脑卒中患者大多为心源性栓塞,心源性栓塞更易发生出血转化的机制可能是心源性栓子不稳定,会自发溶解或因阻塞血管的麻痹扩张而向远端移动,使得血液在已受缺血性损伤的血管床区再灌注,引起梗死区出血。本研究结合临床危险因素和与出血转化相关的影像组学特征构建了预测急性脑卒中患者出血转化的列线图模型,降低了错误预测风险,有望为临床精准干预提供重要帮助。

       本研究仍有一些不足之处。第一,本研究的病例数较小,需增加更多样本以提高模型的准确度;第二,本研究为回顾性研究,由于出血转化与非出血转化比例不均衡,为使两组样本量均衡,在样本选择时存在偏倚;第三,本研究未进行外部验证。

       综上所述,基于临床危险因素和多模态MRI影像组学特征的机器学习模型可以预测急性脑卒中机械取栓术后出血转化,有望为临床医生制订治疗决策提供帮助。

[1]
Zhou M, Wang H, Zeng X, et al. Mortality, morbidity, and risk factors in China and its provinces, 1990-2017: a systematic analysis for the Global Burden of Disease Study 2017[J]. Lancet, 2019, 394(10204): 1145-1158. DOI: 10.1016/S0140-6736(19)30427-1.
[2]
Rajsic S, Gothe H, Borba HH, et al. Economic burden of stroke: a systematic review on post-stroke care[J]. Eur J Health Econ, 2019, 20(1): 107-134. DOI: 10.1007/s10198-018-0984-0.
[3]
Ge WQ, Chen J, Pan H, et al. Analysis of Risk Factors Increased Hemorrhagic Transformation after Acute Ischemic Stroke[J]. J Stroke Cerebrovasc Dis, 2018, 27(12): 3587-3590. DOI: 10.1016/j.jstrokecerebrovasdis.2018.08.028.
[4]
Wu Y, Chen H, Liu X, et al. A new nomogram for individualized prediction of the probability of hemorrhagic transformation after intravenous thrombolysis for ischemic stroke patients[J]. BMC Neurol, 2020, 20(1): 426. DOI: 10.1186/s12883-020-02002-w.
[5]
蔡乾昆, 林若庭, 林化松, 等. 五种风险量表对急性脑梗死患者静脉溶栓后症状性脑出血及不良转归预测的比较[J]. 中华老年心脑血管病杂志, 2017, 19(9): 906-909. DOI: 10.3969/j.issn.1009-0126.2017.09.003.
Cai QK, Lin RT, Lin HS, et al. Role of 5 risk scales in predicting symptomatic intracerebral hemorrhage and poor outcome in AIS patients after intravenous thrombolytic therapy[J]. Chin J Geriatr Heart Brain Vessel Dis, 2017, 19(9): 906-909. DOI: 10.3969/j.issn.1009-0126.2017.09.003.
[6]
Oppenheim C, Samson Y, Dormont D, et al. DWI prediction of symptomatic hemorrhagic transformation in acute MCA infarct[J]. J Neuroradiol, 2002, 29(1): 6-13. DOI: 10.1109/CBMS.2001.941748.
[7]
Deo RC. Machine Learning in Medicine[J]. Circulation. 2015, 132(20): 1920-1930. DOI: 10.1161/CIRCULATIONAHA.115.001593.
[8]
Sirsat MS, Fermé E, Câmara J. Machine Learning for Brain Stroke: A Review[J]. J Stroke Cerebrovasc Dis, 2020, 29(10): 105162. DOI: 10.1016/j.jstrokecerebrovasdis.2020.105162.
[9]
Heo J, Yoon JG, Park H, et al. Machine Learning-Based Model for Prediction of Outcomes in Acute Stroke[J]. Stroke, 2019, 50(5): 1263-1265. DOI: 10.1161/STROKEAHA.118.024293.
[10]
Kumar V, Gu Y, Basu S, et al. Radiomics: the process and the challenges[J]. Magn Reson Imaging, 2012, 30(9): 1234-1248. DOI: 10.1016/j.mri.2012.06.010.
[11]
李倩, 叶兆祥. 影像组学在肿瘤研究中的应用[J]. 中华肿瘤杂志, 2018, 40(11): 801-804. DOI: 10.3760/cma.j.issn.0253-3766.2018.11.001.
Li Q, Ye ZX. Radiomics: the process and applications in tumor research[J]. Zhonghua Zhong Liu Za Zhi, 2018, 40(11): 801-804. Chinese Journal of Oncology, DOI: 10.3760/cma.j.issn.0253-3766.2018.11.001.
[12]
Kamal H, Lopez V, Sheth SA. Machine Learning in Acute Ischemic Stroke Neuroimaging[J]. Front Neurol, 2018, 9: 945. DOI: 10.3389/fneur.2018.00945.
[13]
谢凯, 孙鸿飞, 林涛, 等. 影像组学中特征提取研究进展[J]. 中国医学影像技术, 2017, 33(12): 1792-1796. DOI: 10.13929/j.1003-3289.201707022.
Xie K, Sun HF, Lin T, et al. Research progresses in feature extraction of radiomics[J]. Chin J Med Imaging Technol, 2017, 33(12): 1792-1796. DOI: 10.13929/j.1003-3289.201707022.
[14]
Suh CH, Jung SC, Cho SJ, et al. MRI for prediction of hemorrhagic transformation in acute ischemic stroke: a systematic review and meta-analysis[J]. Acta Radiol, 2020, 61(7): 964-972. DOI: 10.1177/0284185119887593.
[15]
Cai J, Zhou Y, Zhao Y, et al. Comparison of various reconstructions derived from dual-energy CT immediately after endovascular treatment of acute ischemic stroke in predicting hemorrhage[J]. Eur Radiol, 2021, 31(7): 4419-4427. DOI: 10.1007/s00330-020-07574-2.
[16]
Lovelock C, Anslow P, Molyneux A, et al. Substantial observer variability in the differentiation between primary intracerebral hemorrhage and hemorrhagic transformation of infarction on CT brain imaging[J]. Stroke, 2009, 40(12): 3763. DOI: 10.1161/STROKEAHA.109.553933.
[17]
Langel C, Surlan K. Infarct-core CT perfusion parameters in predicting post-thrombolysis hemorrhagic transformation of acute ischemic stroke[J]. Radiology and Oncology, 2019, 53(1): 25-30. DOI: 10.2478/raon-2018-0048.
[18]
孙凤涛, 张厚宁, 禹璐, 等. CT灌注成像参数在预测急性脑梗死溶栓后出血转化中的价值[J]. 中华老年心脑血管病杂志, 2021, 23(1): 4. DOI: 10.3969/j.issn.1009-0126.2021.01.016.
Sun FT, Zhang HN, Yu L, et al. Value of CT perfusion in predicting hemorrhagic transformation in acute ischemic cerebral infarction patients after thrombolysis. Chin J Geriatr Heart Brain Vessel Dis, 2021, 23(1): 4. DOI: 10.3969/j.issn.1009-0126.2021.01.016.
[19]
Souza LC, Payabvash S, Wang Y, et al. Admission CT perfusion is an independent predictor of hemorrhagic transformation in acute stroke with similar accuracy to DWI[J]. Cerebrovasc Dis, 2012, 33(1): 8-15. DOI: 10.1159/000331914.
[20]
Yu Y, Guo D, Lou M, et al. Prediction of Hemorrhagic Transformation Severity in Acute Stroke From Source Perfusion MRI[J]. IEEE Trans Biomed Eng, 2018, 65(9): 2058-2065. DOI: 10.1109/TBME.2017.2783241.
[21]
Agarwal S, Scher E, Lord A, et al. Redefined Measure of Early Neurological Improvement Shows Treatment Benefit of Alteplase Over Placebo[J]. Stroke, 2020, 51(4): 1226-1230. DOI: 10.1161/STROKEAHA.119.027476.
[22]
Wen L, Zhang S, Wan K, et al. Risk factors of haemorrhagic transformation for acute ischaemic stroke in Chinese patients receiving intravenous thrombolysis: A meta-analysis[J]. Medicine (Baltimore), 2020, 99(7): e18995. DOI: 10.1097/MD.0000000000018995.
[23]
Rose DZ, Meriwether JN, Fradley MG, et al. Protocol for AREST: Apixaban for Early Prevention of Recurrent Embolic Stroke and Hemorrhagic Transformation-A Randomized Controlled Trial of Early Anticoagulation After Acute Ischemic Stroke in Atrial Fibrillation[J]. Front Neurol, 2019, 10: 975. DOI: 10.3389/fneur.2019.00975.

上一篇 弥散张量成像和18F-AV1451 PET tau蛋白脑显像对MCI诊断及鉴别诊断的初步研究
下一篇 18F-FDG PET/MR成像对脑内肿瘤样脱髓鞘病的诊断价值
  
诚聘英才 | 广告合作 | 免责声明 | 版权声明
联系电话:010-67113815
京ICP备19028836号-2