基于深度学习影像组学构建新生儿胆红素脑病预测模型及中介效应分析OA

目的 基于深度学习影像组学(deep learning-radiomics,DL Radiomics)开发并验证重度高胆红素血症患儿发生胆红素脑病(bilirubin encephalopathy,BE)的预测模型,并与传统临床模型进行效能比较,利用中介分析探索生化标记物-影像组学特征-胆红素脑病之间的内在关联。材料与方法 回顾性收集了安徽省妇女儿童医学中心东院区和西院区2022年1月至2025年9月期间住院的173例重度高胆红素血症患儿的一般临床资料及MRI数据,并按照7∶3比例划分数据集。通过DenseNet-121和PyRadiomics分别提取T1WI的DL和影像组学特征,通过互信息筛选特征后构建DL Radiomics模型(Radscore)。通过LASSO和logistic回归筛选临床特征,并构建Nomogram模型。分别在训练集、测试集和内部验证集(留一法、10折交叉验证和Bootstrapping)中对DL Radiomics、临床和Nomogram模型的性能进行比较。分析生化标记物、Radscore与BE之间的中介效应。结果 173例重度高胆红素血症患儿中65例(37.57%)发生了BE。经过筛选,共有2个DL特征、3个Radiomics特征构成Radscore,建立DL Radiomics模型;临床模型中,体质量、胎龄、分娩方式、胎膜早破、同族免疫性溶血、总胆红素、血红蛋白和血小板是独立危险因素(OR=0.993~27.935)。DL Radiomics模型在训练集、测试集和内部验证集的曲线下面积(area under the curve,AUC)为0.762~0.796;临床模型的AUC为0.767~0.843;Nomogram模型的AUC为0.873~0.916;不包含生化指标Nomogram模型的AUC为0.857~0.892。中介分析表明,血红蛋白和总胆红素、Radscore与BE间存在中介效应,其中Radscore的中介效应分别占比为20.70%和43.10%(P=0.006,P=0.092)。结论 DL Radiomics模型联合不包含生化指标的临床因素对于新生儿BE具有良好的预测性能,并且Radscore与外周血红蛋白和总胆红素存在关联。