下肢外周动脉疾病与计算机断层扫描血管造影定量肌肉特征的关联
该回顾性研究以DSA为参考标准,纳入56例PAD患者的56条小腿,分析CTA肌肉定量特征与PAD严重程度的关系。轻度PAD组小腿肌肉CT值更高、离散度更小;基于肌肉特征联合CTA评分的逻辑回归模型预测PAD严重程度的AUC达0.89。
要点
- 轻度PAD组小腿肌肉平均CT值44.6 HU,高于重度组的39.5 HU(p<0.001)。
- 基于肌肉特征联合CTA评分的LRM-II预测PAD严重程度AUC为0.89。
- 仅用小腿中下段图像即可预测PAD严重程度,LRM-II的AUC为0.90。
核心结论
- 下肢肌肉特征与PAD严重程度相关,可用于PAD预测。
- 下肢肌肉定量影像特征与小腿动脉狭窄/闭塞程度相关,可作为当前血管狭窄影像评估方法的有益补充,用于预测PAD严重程度。
研究设计与样本
- 回顾性研究,经北京协和医院机构审查委员会批准并豁免知情同意,纳入2016年7月至2020年9月56例PAD患者(56条小腿)。
- 以DSA改良血管外科学会 runoff 评分(0–19分)为参考标准,将患者分为轻度PAD组(DSA评分≤7,36例)和重度PAD组(DSA评分>7,20例)。
- 从CTA图像半自动分割小腿肌肉(髌骨下缘至距骨上缘,CT阈值-10至100 HU),提取95个特征(20个直方图特征和75个纹理特征)。
关键影像表现/征象
- 轻度PAD组小腿肌肉平均CT值44.6 HU,高于重度组的39.5 HU(p<0.001)。
- 轻度PAD组肌肉CT值离散度更小,变异系数35.6,低于重度组的41.0(p<0.001)。
- 轻度PAD组肌肉体积1084 cm³,大于重度组的876 cm³(p=0.01);平均面积32 cm²,大于重度组的25 cm²(p=0.04)。
诊断标准与关键数值
- 以DSA runoff评分≤7定义为轻度PAD、>7定义为重度PAD。
- CTA评分预测PAD严重程度的AUC为0.81,敏感度75%,特异度75%,准确率75%。
- LRM-I(仅肌肉特征)预测PAD严重程度的AUC为0.84,敏感度80%,特异度81%,准确率80%。
- LRM-II(肌肉特征+CTA评分)预测PAD严重程度的AUC为0.89,敏感度80%,特异度83%,准确率82%。
- 亚数据集4(小腿中下段图像)预测性能最高,LRM-I的AUC为0.83,LRM-II的AUC为0.90。
临床应用与阅片要点
- 小腿肌肉CT值较高且离散度较小可能提示PAD较轻,CT值较低且离散度较大可能提示PAD较重。
- 肌肉定量特征可作为CTA血管狭窄评估的补充信息,尤其适用于影像征象与临床症状不一致的患者。
- 仅需小腿中下段图像即可实现PAD严重程度预测,可减少分割全小腿肌肉的负担。
局限性
- 原文未报告局限性。
全文中译14 节 · 点击展开
引言
下肢外周动脉疾病(PAD)是一种下肢动脉的动脉粥样硬化性疾病[1–3],其表现涵盖从无症状狭窄到威胁肢体的缺血[4–6]。全球有超过2亿人患有PAD,且其患病率持续上升[4, 7]。与心血管疾病(2.6%)和脑血管疾病(-20.9%)相比,PAD死亡率在过去20年中增加了91.9%[8]。PAD还具有高致残率,给社会和家庭带来巨大经济负担[9]。因此,准确评估PAD严重程度并及时实施干预和治疗以防止患者发展为晚期症状最终导致残疾尤为重要[10]。
目前,数字减影血管造影(DSA)仍是确定血管狭窄程度的金标准[5]。然而,其目前常规开展减少,正被创伤更小的影像技术所替代,如计算机断层扫描血管造影(CTA)[11–14]。凭借图像质量高、成像时间短和操作者依赖性低的优势,双下肢CTA广泛应用于需要血运重建患者的术前检查和工作规划。然而,CTA在评估血管狭窄方面存在局限性。首先,CTA评估是一个主观定性分析过程,肉眼可能难以区分小腿血管的重度狭窄与完全闭塞。其次,CTA几乎无法显示微血管,因此放射科医师有时难以评估侧支循环,导致部分有症状患者出现动脉形态学结果阴性。
考虑到上述CTA用于血管评估的问题,我们尝试寻找其他可作为PAD严重程度参考的指标。PAD的临床症状主要由肌肉缺血引起[15]。缺血(包括微血管闭塞)诱导组织低灌注、炎症和线粒体功能障碍,导致肌肉萎缩[16]。因此,肢体缺血与骨骼肌面积减少、肌肉脂肪浸润增加和肌肉密度降低相关[17, 18];这些变化可通过影像特征(如CT值)进行评估。越来越多的证据表明,肌肉影像特征可反映组织灌注,辅助评估小腿缺血,并且是PAD患者心血管事件的独立预测因素[19–21]。因此,我们考虑了规避血管狭窄评估并分析下肢CT特征以评估肌肉缺血/灌注并对PAD严重程度进行定量辅助分析的可行性。本研究的意义在于为临床实践提供额外的参考信息,以帮助优化PAD的诊断和治疗路径,特别是对于影像征象与临床症状不一致的患者。
在本研究中,我们旨在以DSA作为金标准,探讨定量小腿肌肉特征与PAD严重程度之间的关系,并基于所选肌肉特征建立用于PAD严重程度预测的逻辑回归模型(LRM)。计算CTA评分和LRM的受试者工作特征曲线下面积(AUC)以比较性能。
方法
患者选择
北京协和医院机构审查委员会批准了这项回顾性研究,并豁免了知情同意的要求。我们最初纳入了2016年7月至2020年9月期间在我院就诊的362例外周动脉疾病(PAD)患者。在审查电子病历后,排除了306例不符合标准的患者(图1)。最终,56例患者(56条下肢)被纳入研究。收集纳入患者的临床数据、CTA图像和DSA检查结果进行进一步分析。患者选择标准、CT方案和DSA方案的详细信息见补充材料。
图像评估
分别基于DSA和CTA,使用改良血管外科学会流出道评分评估PAD的严重程度和范围[5, 6]。流出道评分范围为0至19分,评分越高表明疾病越严重,通过评估小腿动脉节段的通畅性和狭窄/闭塞程度计算得出[22–24]。根据DSA结果,纳入患者分为两组:轻度PAD(DSA评分≤7)和重度PAD(DSA评分>7)[25, 26]。CTA评分用于与小腿肌肉特征进行比较,以评估PAD严重程度。流出道评分的详细信息见补充材料。
DSA和CTA均由两名血管影像放射科医师(10年经验;3年经验)进行分析,两名阅读者之间评分的一致性采用组内相关系数(ICC)评估。结果不明确时经共同讨论以共识达成结论。放射科医师首先评估CTA流出道评分,然后评估DSA流出道评分。两次阅读之间的洗脱期超过3个月,每次阅读 session 在1周内完成。
图像分割
使用基于阈值技术的半自动方法从CTA扫描中分割小腿肌肉(图2)。分割区域从髌骨下缘至距骨上缘,CT衰减阈值在-10亨斯菲尔德单位(HU)至100 HU之间[20, 27]。在初步分离肌肉与其他组织(脂肪、骨骼和动脉)后,手动校正分割结果以去除仅靠自动处理无法正确分割的干扰结构(骨髓和静脉)。上述过程通过MATLAB(版本R2020b,MathWorks,马萨诸塞州)编程实现。
特征提取
基于下肢肌肉的分割结果,从整个感兴趣区域提取了20个直方图特征和75个纹理特征。直方图特征,如能量、熵、变异系数(CV)和四分位距(IQR),描述图像区域内强度的分布[28]。纹理特征量化体素与其周围环境之间在距离和强度上的关系[29]。总共使用Python(版本3.7,Python软件基金会,特拉华州)编程从CTA切片的感兴趣区域提取了95个特征。这些特征的详细描述见补充材料。
此外,还从下肢肌肉中自动提取了2个传统形状特征和14个影像组学形状特征用于进一步分析。
单因素分析
本研究分析了临床特征、直方图特征和纹理特征。使用Z-score标准化对原始数据进行标准化,以确保直方图特征和纹理特征之间的可比性。在单因素分析中,连续变量使用Student's t检验或Mann-Whitney U检验进行分析。分类变量使用卡方检验或Fisher精确检验进行比较。p值小于0.05被认为表示差异有统计学意义。统计分析使用SPSS(版本26.0,IBM,阿蒙克)进行。单因素分析的详细信息见补充材料。
逻辑回归分析
考虑到特征之间潜在的多重共线性,使用基于十折交叉验证的最小绝对收缩和选择算子(LASSO)回归来筛选更相关的特征[30]。最终选定的特征用于构建逻辑回归模型(LRM)。记录逻辑回归方程中的系数以及变量的比值比(OR)和95%置信区间(CI)。使用AUC及95%CI、截断值、分类准确率、灵敏度和特异度评估LRM的性能。
在本研究中,我们建立了两个LRM(LRM-I和LRM-II)进行比较。LRM-I的输入变量为LASSO回归筛选的肌肉特征。LRM-II的变量不仅包括筛选的特征,还包括CTA评分。两个LRM均与CTA评分的预测性能进行比较。上述所有过程均使用SPSS完成。逻辑回归分析的具体过程见补充材料。
子数据集分析
在完成多因素分析并建立LRM后,我们进一步进行了子数据集分析,以验证是否仅通过部分小腿图像即可实现PAD严重程度的预测。我们将先前定义的小腿分割区域分为五个等分节段。每个节段的CT图像构成一个独立数据集,从膝关节到踝关节构建了子数据集1–5(图2a)。将从每个子数据集中提取的肌肉特征(20个直方图特征和75个纹理特征)输入LRM-I和LRM-II,并评估五个子集的PAD预测性能。
结果
患者特征
本研究与我们之前发表的研究[20, 31]的比较可见表S1。两位放射科医师对图像评估结果的可重复性在DSA评分(ICC,0.978;95% CI,0.961–0.988;p < 0.001)和CTA评分(ICC,0.992;95% CI,0.990–0.994;p < 0.001)方面均极好。
本研究共纳入56例患者(38例男性;中位年龄69岁(IQR,64–78岁)),共56条下肢。根据DSA流出评分将患者分为两组。低DSA评分组(≤ 7)包括36例患者(26例男性;中位年龄68岁(IQR,63–78岁);平均DSA评分3.3 ± 2.6;平均CTA评分6.1 ± 4.0),高DSA评分组(> 7)包括20例患者(12例男性;中位年龄70岁[IQR,64–79岁];平均DSA评分12.3 ± 3.0;平均CTA评分11.8 ± 5.1)。
入组患者的临床特征见表1。患者身高为1.7 m(IQR,1.6–1.7 m),体重为68 ± 12 kg,BMI为25.2 kg/m2(IQR,22.2–27.4 kg/m2)。在研究队列中,15例患者(27%,15/56)患有冠心病,41例(73%,41/56)患有高血压,31例(55%,31/56)患有糖尿病,7例(13%,7/56)患有高脂血症,31例(55%,31/56)有吸烟史,18例(32%,18/56)有饮酒史。如表1所示,两组之间的临床特征无统计学差异。
单变量分析结果
表2展示了从小腿肌肉提取的20个直方图特征的单因素分析结果。七个从不同方面测量CT值强度的特征在两组之间(DSA评分 ≤ 7 vs. DSA评分 > 7)显示出显著差异:第10百分位数(24.2 vs. 19.0,p < 0.001)、第90百分位数(64 vs. 61,p = 0.006)、能量(6.8 × 108 vs. 5.2 × 108,p = 0.04)、均值(44.6 vs. 39.5,p < 0.001)、中位数(45 vs. 39,p < 0.001)、众数(47 vs. 40,p = 0.001)和均方根(47.2 vs. 43.1,p < 0.001)。所有这些特征在轻度PAD组中均显示较高的值。
此外,两组之间在以下七个反映CT值离散程度或偏差的特征上存在显著差异(DSA评分 ≤ 7 vs. DSA评分 > 7):变异系数(CV)(35.6 vs. 41.0,p < 0.001)、四分位距(IQR)(20 vs. 21,p = 0.009)、平均绝对偏差(12.4 vs. 12.9,p = 0.04)、稳健平均绝对偏差(8.5 vs. 8.9,p = 0.01)、偏度(0.0 vs. 0.3,p = 0.002)、标准差(16.0 vs. 16.7,p = 0.03)和方差(256 vs. 280,p = 0.03)。这些特征在重度PAD组中显示出更高的离散程度。对于其他六个直方图特征,两组之间未观察到差异。统计结果的详细信息见表2。
图3展示了75个纹理特征的分析结果。图3a呈现了这些特征的p值。红色、黄色和蓝色区域的数值分别代表p < 0.01、0.01 < p < 0.05和p > 0.05。图3b为图3a对应的特征名称。如图3所示,两组之间在31个纹理特征上存在显著差异。形状特征的结果可见表S2和补充材料。与重度PAD组相比,轻度PAD组具有更大的肌肉体积和平均面积(体积(cm3),1084 vs. 876,p = 0.01;面积(cm2),32 vs. 25,p = 0.04)。
逻辑回归分析结果
考虑到肌肉特征之间的共线性,我们进一步使用LASSO回归筛选出45个p < 0.05的特征(14个直方图特征和31个纹理特征)。如图4所示,最终确定了5个具有代表性的图像特征。图4a–c描述了特征选择的过程,图4d显示了最终所选特征的名称和权重系数。
表3呈现了两个逻辑回归模型(LRM-I和LRM-II)的多变量分析结果。如表3所示,直方图_第10百分位数(OR,0.28;95% CI,0.13–0.61;p = 0.001)和gldm_依赖非均匀性归一化(OR,0.51;95% CI,0.27–0.98;p = 0.04)在LRM-I中保留显著差异。CTA流出道评分(OR,3.27;95% CI,1.42–7.53;p = 0.006)、直方图_第10百分位数(OR,0.33;95% CI,0.14–0.77;p = 0.01)和gldm_依赖非均匀性归一化(OR,0.51;95% CI,0.25–1.03;p = 0.06)最终被选入LRM-II。
根据表3中变量的系数和常数,我们建立了两个模型的逻辑回归方程:LRM-I,;LRM-II,。在两个方程中,Logit(·)表示logit变换,P表示逻辑回归模型的输出概率,Feature1表示直方图_第10百分位数的值,Feature2表示gldm_依赖非均匀性归一化的值。
表4显示了CTA流出道评分和基于小腿肌肉特征构建的逻辑回归模型的性能。两个逻辑回归模型均具有显著性(Omnibus检验,p < 0.001),且拟合优度较高(Hosmer–Lemeshow检验,p > 0.05)。与CTA评分(AUC,0.81;敏感度,75%;特异度,75%;准确率,75%)相比,LRM-I取得了更好的预测性能(AUC,0.84;敏感度,80%;特异度,81%;准确率,80%)。LRM-II取得了最佳结果(AUC,0.89;敏感度,80%;特异度,83%;准确率,82%)。
图5显示了DSA流出道评分较低(≤ 7)或较高(> 7)的小腿肌肉CT值的两个示例。比较两组热图,轻度PAD患者的小腿肌肉显示为红色区域,CT值较高。而重度PAD患者显示为蓝色区域,CT值较低。
子数据集分析结果
为验证是否仅使用部分下肢图像即可预测PAD的严重程度,我们从子数据集1至5中提取肌肉特征并输入LRM-I和LRM-II的逻辑回归方程,以评估各子集的预测性能。结果(表5)显示,LRM-I在子数据集1至5上的AUC分别为0.79、0.79、0.82、0.83和0.78。LRM-II在各子集上的AUC分别为0.86、0.86、0.88、0.90和0.86。两个LRM在五个子集上的AUC值趋势一致,最大AUC均出现在子数据集4(LRM-I,0.83;LRM-II,0.90)。其他评价指标的详细信息见表5。
讨论
本研究收集了PAD患者的CTA图像和临床数据,将其分为轻度PAD组(DSA流出道评分≤7)和重度PAD组(DSA流出道评分>7)。对下肢肌肉进行分割并提取CT特征后,我们分析了肌肉特征与PAD严重程度之间的关系。结果表明,两组间下肢肌肉的直方图特征存在显著差异,轻度组的CT值更高(均值,44.6 HU vs. 39.5 HU,p < 0.001)且离散度更小(CV,35.6 vs. 41.0,p < 0.001)。由于血液的CT值通常高于软组织,因此轻度PAD组患者下肢血流和肌肉灌注较好,从而获得更高的特征值,这是合理的。
此外,我们基于肌肉特征建立了两个LRM,分别不包含(LRM-I)和包含(LRM-II)CTA流出道评分。与CTA评分的独立预测性能相比,仅包含肌肉特征的LRM-I获得了更准确的结果(CTA vs. LRM-I,0.81 vs. 0.84)。这表明小腿肌肉的CTA特征可以辅助评估PAD严重程度,并有望作为CTA的有用补充。同时,LRM-II——同时包含影像特征和CTA评分的模型——显示了最高的AUC值(0.89),这表明模型中纳入更丰富的特征与预测性能的提高相关。
由于下肢相对较长,即使层厚为5 mm,每位患者从髌骨到距骨的小腿仍覆盖60–70层CTA图像。此外,由于当前自动肌肉分割技术在泛化性方面的局限性,要求医生分割整个下肢的肌肉有些不现实。因此,我们在从原始数据集划分出的五个子数据集上测试了先前开发的LRM,以验证仅凭部分小腿图像是否能预测PAD严重程度。结果表明,即使是一段小腿图像仍具有预测PAD严重程度的能力。最高性能出现在子数据集四(下肢中段和下段图像),沿膝至踝方向。这一发现是合理的,因为上部血管狭窄引起的肌肉缺血临床症状通常远端更为明显。
除CTA外,目前PAD临床场景中使用的影像技术还包括双功能超声成像(DUS)和磁共振血管成像(MRA)[2, 5]。DUS可以识别病变的解剖位置并确定局限性狭窄的严重程度。然而,DUS依赖操作者,有时无法用于超重患者。MRA也可用于评估PAD解剖结构和狭窄的存在,但在金属支架治疗的动脉中可能不准确。此外,还有许多评估PAD严重程度的新方法,如基于深度学习的分类模型[32]、非增强QISS-MRA [33, 34]、近红外光谱[35]以及一些动态成像技术[31, 36]。
对于肌肉灌注,先前已有几项研究利用MR动脉自旋标记证实了其与肌肉缺血的关系[19, 37, 38]。结果显示,随着肢体缺血严重程度的增加,血流量逐渐下降,而模型动脉阻力则逐步升高。此外,CT上小腿肌肉密度较低被证明与下肢事件风险增加相关(发生率比1.41),并且是外周动脉疾病(PAD)患者主要心血管事件的强独立预测因子[21]。我们此前已发表的工作也验证了动态CTA上小腿强化与PAD严重程度之间的关联[20]。与既往研究相比,本研究进一步基于标准CTA特征构建了PAD严重程度的预测模型,并在下肢图像子集上检验了其适应性,从而进一步验证了小腿肌肉特征作为PAD评估指标的可行性、准确性和便捷性。
在临床实践中,有时会观察到影像学表现与临床症状之间的不一致。例如,轻度跛行却伴有严重血管狭窄,或缺血性静息痛但下肢动脉异常为阴性。这些患者是否应接受及时干预以及治疗后能取得何种疗效,通常令临床医生困惑。我们的研究表明,定量肌肉特征与PAD严重程度相关,并有潜力作为PAD预测的指标。这些特征为临床医生提供了额外的灌注信息,而灌注通常反映下肢的真实血液供应。然而,微血管的形态难以通过CTA等常规影像检查进行评估。
我们的研究存在若干局限性。(a) 这是一项回顾性研究,仅纳入56例患者,因为大多数患者因数据缺失而被排除。因此,本研究缺乏重测数据集,研究结果需要通过基于更大样本的前瞻性研究加以验证。(b) 受现有分割技术的限制,我们采用半自动方法进行下肢肌肉分割以确保准确的特征提取。尽管我们验证了整个图像的一个节段具有预测能力,但该方法限制了其泛化性。(c) 本研究中分析的下肢肌肉特征的CT衰减值来源于单期CTA图像,这可能容易受到伪影和分期不准确的影响。未来,我们将进一步探讨下肢肌肉特征联合其他成像技术(如灌注成像、双能量成像和光子计数成像)在预测PAD严重程度中的价值。(d) 侧支血管在PAD患者的血管评估中起重要作用。然而,由于改良SVS流出道评分缺乏侧支血管评估,且CTA对侧支循环的显示有限,难以赋予侧支血管适当合理的权重(相对于其他下肢血管)并将其纳入当前评分系统。(e) 尽管我们采用半自动分割流程,结合阈值算法和手动校正,尽可能从CT图像中去除脂肪,但由于患者和成像设备的差异,我们无法完全排除脂肪组织(尤其是肌内脂肪)的影响。
总之,下肢肌肉的CTA特征与PAD严重程度相关,可用于PAD预测,并从肌肉缺血评估的角度弥补血管狭窄评估的局限性。未来,我们将进一步探讨基于平扫CT图像影像组学特征预测PAD严重程度的可行性。
补充信息
补充材料1。
引用
- Hu G, Chen Y, Mu C, et al. Association of lower extremity peripheral arterial disease with quantitative muscle features from computed tomography angiography. Insights Imaging. 2024. PMID: 38536535. doi:10.1186/s13244-024-01663-2
- 全文:PMC10973322(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC10973322/
供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。