Bildgebungsbasierte Vorhersage der histologischen Zusammensetzung von Thromben beim akuten ischämischen Schlaganfall anhand der initialen CT-Bildgebung

Abstract

Hintergrund: Die Zusammensetzung von Thromben beim ischämischen Schlaganfall ist ein wichtiger Faktor für den Rekanalisationserfolg und das Risiko von Komplikationen bei der mechanischen Thrombektomie (Boeckh-Behrens et al., 2016b, Grau et al., 2001, Teo et al., 2021, Mokin et al., 2015, Sporns et al., 2017a). Insbesondere das Verhältnis von Fibrin zu Erythrozyten spielt eine zentrale Rolle bei der Bestimmung der thrombotischen Eigenschaften, indem es die mechanischen Merkmale des Thrombus, seine Reaktion auf interventionelle Techniken sowie den Gesamterfolg der endovaskulären Behandlung beeinflusst (Mokin et al., 2015, Sporns et al., 2017a). In diesem Zusammenhang wurde die Hypothese aufgestellt, dass quantitative Bildmerkmale aus dem nativen CT (NCCT) bei der Aufnahme und der CT-Angiographie (CTA) für eine auf maschinellem Lernen basierende Vorhersage der Thrombuszusammensetzung genutzt werden können.

Methodik: Die Analyse umfasste 112 Patient:innen, die aufgrund eines Verschlusses im Bereich des Carotis-T oder der Arteria cerebri media einer mechanischen Thrombektomie unterzogen wurden. Nach der Extraktion wurden die Thromben histopathologisch untersucht, um den relativen Anteil von Fibrin und Erythrozyten zu bestimmen. Die nativ cCT-Scans wurden räumlich mit den CTA-Bildern registriert, in denen die Thromben halbautomatisch segmentiert wurden. Um umfassende Bildmerkmale zu erfassen, wurden zwei verschiedene Regionen von Interesse (ROIs) definiert: Während kleinere ROIs primär die Thrombusstruktur und die angrenzenden Gefäßwände einschlossen, dienten größere ROIs der Untersuchung von Veränderungen im umgebenden Gewebe. Insgesamt wurden 4.844 quantitative Bildmerkmale extrahiert und mithilfe von Random-Forest-Algorithmen in einer verschachtelten fünffachen Kreuzvalidierung analysiert. Ziel war die präzise Vorhersage der histopathologischen Zusammensetzung der Thromben basierend auf den initialen Bildgebungsdaten.

Ergebnisse: Das Modell erreicht eine Fläche unter der Receiver-Operating-Characteristic-Kurve (ROC-Kurve) des Testsatzes betrug 0,83 (95% CI 0,80 bis 0,87) für die Unterscheidung von erythrozytenreichen Thromben und 0,84 (95% CI 0,80 bis 0,87) für die Unterscheidung von fibrinreichen Thromben. Beim optimalen Schwellenwert gemäß Youden-Index betrugen Sensitivität und Spezifität für die Identifikation erythrozytenreicher Thromben 77 % bzw. 74 %. Für fibrinreiche Thromben lag die Spezifität bei 73 % und die Sensitivität bei 81 %.

Zusammenfassung: Die prädiktive Analyse der Thrombuszusammensetzung basierend auf maschinellem Lernen und initialen Bildgebungsdaten könnte die Planung der Behandlung verbessern. Zukünftig könnte dieser Ansatz die gezielte Auswahl von thrombusspezifischen Vorrichtungen und Retrieval-Techniken ermöglichen, um personalisierte Thrombektomie-Strategien zu entwickeln.

Background: Thrombus composition is a key determinant of recanalization success and the risk of complications during mechanical thrombectomy (Boeckh-Behrens et al., 2016b, Grau et al., 2001, Mokin et al., 2015, Teo et al., 2021, Sporns et al., 2017a). The ratio of fibrin to red blood cells (RBCs) plays a crucial role in shaping thrombus characteristics, influencing its mechanical properties and response to interventional procedures (Mokin et al., 2015, Sporns et al., 2017a). These factors directly impact treatment outcomes and guide therapeutic decision-making (Mokin et al., 2015, Sporns et al., 2017a). Based on this, we hypothesized that quantitative imaging features extracted from non-contrast computed tomography (cCT) at admission and CT angiography (CTA) could be utilized in a machine learning approach to predict thrombus composition. Methods: The analysis included 112 patients diagnosed with an occlusion at the carotid-T or middle cerebral artery, all of whom underwent mechanical thrombectomy. After retrieval, thrombi were subjected to histopathological analysis to quantify the proportions of fibrin and erythrocytes. Non-contrast cCT scans were spatially registered to CTA images, in which thrombi were semi-automatically segmented. Non-contrast cCT scans were spatially registered to CTA images, in which thrombi were semi-automatically segmented. Two regions of interest (ROIs) were defined for each thrombus: large-diameter ROIs reflected perivascular tissue responses while small-diameter ROIs captured thrombus characteristics and vessel walls. A total of 4,844 quantitative imaging features were extracted and evaluated using random forest algorithms within a nested fivefold cross-validation. The primary objective was to predict the histopathological thrombus composition based on initial imaging data.

Results: The model demonstrated strong predictive performance, achieving an area under the receiver operating characteristic (ROC-AUC) curve of 0.83 (95% CI 0.80–0.87) for identifying erythrocyte-rich thrombi and 0.84 (95% CI 0.80–0.87) for classifying fibrin-rich thrombi. At the optimal threshold defined by the Youden Index, the sensitivity and specificity for detecting RBC-rich thrombi were 77% and 74%, respectively. For fibrin-rich thrombi, the model achieved a sensitivity of 81% and a specificity of 73%.

Conclusion: Predicting thrombus composition based on machine learning analysis of initial imaging at admission could enhance treatment planning. In the future, this approach may support the selection of thrombus-specific devices and retrieval techniques, paving the way for more personalized and effective thrombectomy strategies.