基于冠状动脉CTA的心周脂肪组织影像组学特征预测快速斑块进展
该多中心回顾性研究纳入两中心1233例患者,从冠状动脉CTA提取心周脂肪组织影像组学特征并构建5种模型预测快速斑块进展。心周脂肪影像组学模型在训练集、内部验证集和外部验证集的AUC分别为0.85、0.84和0.81,显著高于临床模型和斑块特征模型(p<0.05)。影像组学联合临床或斑块特征模型未进一步显著提高诊断效能(p>0.05)。
要点
- 心周脂肪组织影像组学模型预测快速斑块进展的AUC在训练集0.85、内部验证集0.84、外部验证集0.81。
- 纤维斑块体积、直径狭窄程度和脂肪衰减指数是快速斑块进展的独立相关因素。
- 影像组学模型与临床或斑块特征模型联合未显著提升预测效能(p>0.05)。
核心结论
- 心周脂肪组织影像组学特征分析较临床特征和斑块特征显著提高对快速斑块进展的预测能力。
- 心周脂肪组织影像组学分析可能有助于随时间监测快速斑块进展。
研究设计与样本
- 多中心回顾性研究,纳入两中心共1233例接受两次冠状动脉CTA检查的患者。
- 中心1患者按7:3随机分为训练集和内部验证集,中心2患者作为外部验证集。
- 所有扫描使用第二代双源CT(Somaton Definition Flash CT,Siemens Healthcare),管电压120 kVp,重建层厚0.75 mm,回顾性心电触发采集。
- 以两次CTA间斑块负荷年变化率>1.0%定义快速斑块进展,参考标准为半自动软件(QAngioCT Research Edition v3.2.0.13)的定量斑块分析。
- 采用随机森林构建5种模型:临床模型、斑块特征模型、心周脂肪影像组学模型、临床+影像组学模型、斑块特征+影像组学模型。
关键影像表现/征象
- 心周脂肪定义为径向距离等于对应冠状动脉血管平均直径、CT值−190至−30 HU的体素,脂肪衰减指数测量范围为−190至30 HU。
- 高危斑块定义为具有正性重构、点状钙化、低密度斑块和餐巾环征中≥2项特征的病变。
- 斑块成分按CT值分类:坏死核心−30至30 HU、纤维脂肪斑块31–130 HU、纤维斑块131–350 HU、钙化斑块>350 HU。
- 快速斑块进展组在训练集中直径狭窄程度、脂肪衰减指数、总斑块体积、纤维斑块体积、纤维脂肪斑块体积、坏死核心体积和钙化斑块体积均显著高于非进展组(均p<0.05)。
诊断标准与关键数值
- 心周脂肪影像组学模型预测快速斑块进展的AUC:训练集0.85、内部验证集0.84、外部验证集0.81。
- 心周脂肪影像组学模型与临床模型和斑块特征模型AUC差异有统计学意义(p<0.05)。
- 影像组学分别联合临床特征或斑块特征后AUC仅轻微升高,差异无统计学意义(p>0.05)。
- 多因素分析显示纤维斑块体积、直径狭窄程度和脂肪衰减指数为快速斑块进展的独立相关因素。
- 从1904个心周脂肪影像组学特征中经LASSO筛选出7个特征(2个形状特征、3个一阶特征、2个纹理特征)构建影像组学模型。
临床应用与阅片要点
- 作者认为心周脂肪组织影像组学模型在预测快速斑块进展方面表现出良好性能,具有潜在临床价值。
- 决策曲线分析显示影像组学模型、临床+影像组学模型和斑块特征+影像组学模型在训练集、内部验证集和外部验证集中的净获益优于临床模型和斑块特征模型。
局限性
- 本研究为回顾性研究且样本量相对较小,可能影响可重复性。
- 部分患者在两次CTA间接受他汀类或其他降脂治疗,且具体用药周期和剂量各不相同,可能对研究结果有一定影响。
- 研究排除了随访CTA前接受血运重建的患者,导致参与者存在选择偏倚。
全文中译15 节 · 点击展开
引言
冠状动脉疾病的后果是全球死亡的主要原因[1]。动脉粥样硬化斑块形成和斑块快速进展(RPP)是冠状动脉疾病的主要潜在驱动因素[2–4]。研究表明,冠状动脉斑块在急性冠状动脉事件发生前的数月内往往快速增大,这种斑块进展现象是斑块破裂的前提条件[5]。
管壁炎症是动脉粥样硬化斑块不稳定的主要促成因素,可促进冠状动脉斑块的进展和破裂[6–8]。冠状动脉管壁与周围冠状动脉周围脂肪组织(PCAT)之间存在持续的双向相互作用已被证实。冠状动脉周围脂肪的脂肪衰减指数(FAI)通过估算冠状动脉计算机断层扫描血管造影(CCTA)上冠状动脉周围脂肪的平均密度值,已被用作反映冠状动脉炎症的间接标志物[7, 9–11]。然而,脂肪密度主要依赖于体素强度值,而影像组学分析可能提供对体素特征更详细的分析[12]。
影像组学分析从医学图像中提取大量定量特征(如形状、衰减、强度分布和空间信息),可用于定量评估病变的异质性,从而提高诊断准确性[13–15]。近年来,PCAT的影像组学分析已被证明可改善急性冠状动脉综合征的预测[16, 17]。然而,PCAT的影像组学分析能否提高RPP预测的准确性在很大程度上尚不清楚。
因此,本研究的目的在于探讨PCAT影像组学分析在RPP预测中的价值。
材料与方法
本回顾性研究经伦理委员会批准(伦理审查批件号:KT2021213),并豁免了书面知情同意的要求。
研究人群
本回顾性研究纳入了来自两个中心、接受过两次CCTA检查的患者。中心1自2016年1月至2022年8月的所有纳入患者按7:3的比例随机分为训练队列和内部验证队列。中心2自2018年1月至2022年12月的患者被分配至外部验证队列。纳入标准为:(1)已知或疑似冠状动脉疾病的患者;(2)使用同一CT设备进行两次CCTA扫描的患者;(3)两次CCTA检查间隔超过6个月。患者排除标准为:(1)图像质量不足以进行斑块分析;(2)CCTA上未见可见病变;(3)在两次CCTA之间接受过冠状动脉旁路移植术或冠状动脉支架植入术的患者;(4)基线和随访CCTA检查之间使用了不同的kVp设置。患者筛选流程图见图1。
CCTA采集
两个中心的所有扫描均使用第二代双源CT设备(Somaton Definition Flash CT,Siemens Healthcare)进行。目标心率为60–80次/分,心率>80次/分的患者在检查前1小时口服β受体阻滞剂。每位患者在扫描开始前3–5分钟内舌下含服硝酸甘油。采用回顾性心电触发方式进行冠状动脉图像采集。使用双通道高压注射器以4–5 mL/s的速率将50–100 mL非离子碘对比剂注入肘前静脉,随后以50 mL生理盐水冲管。CCTA采集在升主动脉峰值时间后延迟4秒启动。两个中心的采集和重建参数包括:管电压120 kVp,管电流根据患者BMI自动调节,60 × 0.6 mm准直,重建层厚0.75 mm。
CCTA分析
基于17节段模型对直径≥ 2 mm的血管进行冠状动脉节段分析[18]。使用半自动化软件(QAngioCT Research Edition v3.2.0.13;Medis Medical Imaging Systems)在最高级别狭窄处对基线和随访冠状动脉斑块进行分析。该软件自动识别管腔和血管轮廓,并根据需要进行手动调整。使用基准标志(如距分支血管开口或血管口的距离)对基线和随访冠状动脉节段进行配准。
分析定性斑块特征,包括正性重构、点状钙化、低衰减斑块和餐巾环征[19, 20]。高风险斑块定义为具有上述≥ 2个特征的病变。
定量斑块特征包括直径狭窄率和总斑块体积。斑块特征分为坏死核心(−30–30 Hounsfield单位(HU))、纤维脂肪斑块(31–130 HU)、纤维斑块(131–350 HU)和钙化斑块(> 350 HU)[21, 22]。斑块负荷(PB)定义为斑块体积除以血管体积[23]。在等于相应冠状动脉血管平均直径的径向距离内,显示CT衰减值为−190至−30 HU的体素被识别为PCAT,软件生成脂肪测量值FAI(−190–30 HU)[24, 25]。根据PB的年变化((随访PB − 基线PB)/CCTA间隔 * 100% > 1.0%)定义为RPP [26–29]。所有图像由两名具有5年工作经验的放射科医师分别评估。每个参数测量三次,取平均值作为最终结果。
影像组学分析;图像分割和影像组学特征分析
对于分割和影像组学特征分析,所有图像均传输至Research Portal V1.1(联影智能医疗科技有限公司)。对斑块病变邻近的冠状动脉周围脂肪,逐层手动勾画感兴趣区(ROI)。每个病变共提取1904个影像组学参数,包括一阶特征、形状特征、灰度共生矩阵(GLCM)、灰度游程矩阵(GLRLM)、灰度尺寸区域矩阵(GLSZM)、灰度依赖矩阵(GLDM)和邻域灰度差矩阵(NGTDM)。在特征提取过程中,我们选择组内相关系数值>0.75的特征进行后续分析,并剔除Spearman相关系数高于0.9的特征对。最后,采用最小绝对收缩和选择算子(LASSO)方法进行特征筛选分析。
模型构建与验证
我们开发了五个模型来预测RPP。模型1:临床模型。模型2:斑块特征模型。模型3:PCAT影像组学模型。模型4:临床+影像组学模型。模型5:斑块特征+影像组学模型。采用随机森林构建模型。为评估模型性能,进行了决策曲线分析(DCA)、校准曲线分析和受试者工作特征(ROC)分析。影像组学的工作流程见图2。
统计分析
所有统计分析均使用SPSS软件(版本26.0,IBM)和R软件(版本4.1.2)进行。连续变量以均数±标准差(SD)或中位数(四分位间距)表示。为评估两组间连续变量的差异,采用学生t检验和Mann-Whitney U检验。分类变量以频数和百分比表示,采用卡方检验比较两组。采用单因素和多因素logistic分析确定影响RPP的因素。不同模型的有效性通过ROC分析的曲线下面积(AUC)评估。不同模型的AUC采用Delong检验进行比较。双侧p值<0.05表示差异有统计学意义。
结果
基线临床特征
表1总结了三个队列的临床特征。RPP组与非RPP组临床特征的比较见表2。在训练队列和内部验证队列中,RPP组与非RPP组的临床特征无显著差异。在外部验证队列中,RPP组的吸烟患病率高于非RPP组。
常规冠状动脉斑块特征
三个队列的常规冠状动脉斑块特征见表3。RPP组与非RPP组在定性斑块特征上无显著差异。在训练队列中,RPP患者所有测量的斑块相关定量参数水平均显著高于非RPP患者,包括直径狭窄、FAI、总斑块体积、纤维斑块体积、纤维脂肪斑块体积、坏死核心体积和钙化斑块体积(均p < 0.05)。在内部验证队列中,RPP组与非RPP组之间钙化斑块体积无统计学差异。在外部验证队列中,除直径狭窄、纤维斑块体积和钙化斑块体积外,其他定量参数在RPP组均高于非RPP组。单因素分析中识别的与RPP相关的因素见表4。多因素分析表明,纤维斑块体积、直径狭窄和FAI与RPP独立相关。
放射组学特征选择
在PCAT中提取的特征中,七个放射组学特征被确定为与RPP相关性最有价值,主要包括original_shape_Elongation、original_shape_Maximum3DDiameter、boxsigmaimage_firstorder_Maximum、wavelet_firstorder_wavelet-LLL-Skewness、laplaciansharpening_glrlm_ShortRunLowGrayLevelEmphasis、discretegaussian_firstorder_Maximum、mean_glszm_GrayLevelNonUniformity。图3显示了特征评分。
RPP预测模型的预测性能
区分度
对于训练、内部和外部验证数据集,构建了五种模型的ROC曲线以评估其识别RPP的效能,如图4所示。五种预测模型的性能使用AUC、灵敏度、特异度和诊断准确率等指标进行量化,详见表5。我们发现,在训练、内部验证队列和外部验证队列中,放射组学模型的表现优于临床模型和斑块特征模型。根据DeLong检验,在训练、内部和外部验证数据集中,放射组学模型的AUC与临床模型和斑块特征模型存在显著差异(p < 0.05)。在训练数据集中,模型4的AUC略高于模型3。同样,在训练和内部验证数据集中,模型5的AUC略高于模型3。然而,根据DeLong检验,这些差异无统计学意义。
校准
五种预测模型的校准曲线表明,在训练集、内部验证集和外部验证集中,预测结果与真实结果高度一致(图5)。
临床应用
采用DCA通过比较五种预测模型在训练集、内部验证集和外部验证集中不同阈值概率下的净获益来确定其临床适用性,结果显示模型3、模型4和模型5的净获益优于模型1和模型2(图6)。
讨论
本研究检验了一种用于预测RPP的PCAT影像组学模型。主要结果显示,与临床模型和斑块特征模型相比,PCAT影像组学模型在预测RPP方面表现更佳。此外,将斑块特征与影像组学模型联合并未在统计学上进一步提高诊断效能。
与Han等人[30]的研究结果一致,我们的研究表明,基于CCTA的斑块定量指标在伴与不伴RPP的组间差异具有统计学意义。将单因素分析中显著的定量参数纳入多因素分析后,纤维斑块体积、直径狭窄程度和FAI成为RPP的独立预测因子。纤维斑块体积的增加反映了动脉粥样硬化的累积负荷,促进冠状动脉斑块进展。直径狭窄可改变血流模式,导致某些区域剪切应力降低。在低剪切应力环境中,内皮细胞表达更多炎症因子和黏附分子,促进白细胞及其他炎症细胞黏附于血管壁。这加剧了炎症反应并促进斑块进展[31]。与我们的研究一致,既往研究表明,以PCAT为代表的血管炎症增加与RPP独立相关[32]。这些发现提示FAI是一种更敏感的生物标志物,能够动态反映冠状动脉炎症,凸显了其在早期预测斑块进展方面的潜在临床价值。此外,在我们的研究中,未观察到高危斑块特征的显著差异,这与既往研究证实高危斑块特征可作为RPP生物标志物的结果不同[27, 33]。这一差异可能归因于本研究中具有高危斑块特征的患者比例较小。
然而,传统斑块特征所提供的关于冠状动脉斑块微环境的信息有限,这给RPP的精准全面评估带来了挑战。影像组学提供了大量高通量数据,能够识别反映体素空间关系的纹理特征,并捕捉病变组织内的微结构变化。
既往影像组学研究的结果与我们的研究一致。Oikonomou等人[12]识别了PCAT中反映脂肪组织改变的影像组学特征,这些特征可能提示冠状动脉炎症、纤维化和血管新生。此外,Si等人[16]表明,使用基于CCTA的PCAT影像组学特征可识别急性心肌梗死患者。已有研究表明,PCAT影像组学在识别急性心肌梗死患者方面优于FAI。与我们的研究一致,Feng等人[34]揭示斑块的影像组学特征对斑块进展的预测价值比传统参数更准确。
在我们的研究中,最终使用LASSO从CCTA衍生的1904个PCAT影像组学特征中筛选出7个最佳预测因子,包括三个一阶特征、两个形状特征和两个纹理特征。两个一阶特征boxsigmaimage_firstorder_Maximum和discretegaussian_firstorder_Maximum反映病变区域的最高信号强度。该特征在RPP组中取值较高,提示PCAT中存在像素强度较高的区域,这可能表明该区域生物学活性更强,反映局部炎症增加,从而可促进斑块进展。Wavelet_firstorder_wavelet-LLL-Skewness表示偏度,反映像素强度分布的不对称性。炎症活动或脂肪组织性质的变化可能导致像素强度分布的改变。炎症区域由于含水量增加、细胞密度增加等在图像上表现为更高的像素强度值。该特征在RPP组中呈负偏度,表明更多像素强度集中在较高值,可能反映PCAT内的异质性和局部炎症活动。original_shape_Elongation特征描述形状的“伸长”程度,其大小提供关于PCAT形态和潜在稳定性的重要信息。该特征与RPP呈负相关,RPP组取值低于非RPP组。original_shape_Elongation值较小表明RPP组PCAT形状相对更不规则,可能反映斑块进展过程中PCAT发生的结构变化,如脂肪分布不均或局部脂肪体积改变。这种形状的不规则性可能源于炎症、脂肪组织重构或与血管壁相互作用的改变。形状不规则的PCAT可能对邻近冠状动脉施加不均匀的外部压力,影响管壁应力分布,从而影响斑块进展。original_shape_Maximum3DDiameter特征测量三维空间内ROI中两个最远点之间的距离,考虑长度、宽度和高度维度,提供病变区域整体大小的信息。该特征值较大表明病变最大跨度较大。在我们的研究中,该值增大量化了PCAT体积的扩张,其可能来源于脂肪组织直接增殖或炎症诱导的脂肪组织水肿和增大,并暗示PCAT活性增加,包括炎症细胞(如巨噬细胞)聚集,其释放炎症因子通过旁分泌作用直接影响邻近冠状动脉,促进斑块形成和进展。因此,original_shape_Maximum3DDiameter值增大不仅反映PCAT的空间扩张,也是与冠状动脉疾病进展相关的局部炎症状态和生物学活性改变的间接指标。laplaciansharpening_glrlm_ShortRunLowGrayLevelEmphasis特征中的GLRLM是一种量化纹理的方法,通过检查图像中灰度值的连续性来分析纹理特征,并通过描述图像中灰度级在某一方向上出现的长度提供关于图像纹理的广泛信息。ShortRunLowGrayLevelEmphasis主要反映纹理细节和灰度分布,强调图像中短距离和低灰度级像素。ShortRunLowGrayLevelEmphasis值高表明图像中存在大量低灰度值且长度较短的连续像素序列,相反,ShortRunLowGrayLevelEmphasis值低意味着图像中较暗纹理较少或这些纹理以较长序列出现。在冠状动脉炎症中,相关炎症细胞的浸润和水肿程度改变组织的密度和异质性,进而引起纹理变化,ShortRunLowGrayLevelEmphasis值反映这种结构和纹理变化,从而预测斑块进展。mean_glszm_GrayLevelNonUniformity特征测量图像中相同灰度值连续像素组大小分布的不均匀性,有助于识别病变状态。冠状动脉斑块进展导致局部炎症反应增加,进而影响周围脂肪组织的性质,这种局部环境的变化可通过该特征值捕捉,反映内部脂肪组织结构和组成的变化。
这些特征表明,放射组学模型提供了关于PCAT脂肪异质性和形态变化的更细致信息,从而相比传统斑块特征模型提高了对RPP的预测准确性。利用这种先进的放射组学方法在增强风险评估方面尤其有利。它有助于识别冠状动脉斑块进展风险较高的患者,这对于早期和积极的医学干预至关重要。
当将PCAT放射组学特征分别与临床特征和斑块特征相结合时,联合模型的AUC仅略有增加,且与PCAT放射组学模型相比未显示统计学显著性。这表明放射组学模型已经捕获了相关数据,证明其足够稳健。因此,在本研究中,临床特征和斑块特征对RPP的预测价值没有额外贡献。
本研究的局限性应予认识。首先,这是一项回顾性研究,样本量相对较小,可能妨碍其可重复性。其次,部分患者在CCTA之间的间隔期内接受了他汀类药物或其他降脂治疗,且每位患者的具体用药周期和剂量不同,这可能对研究结果产生一定影响。第三,本研究中在随访CCTA之前接受血运重建的患者被排除,导致参与者之间存在选择偏倚。
总之,在预测快速斑块进展方面,PCAT放射组学模型优于临床模型和斑块特征模型。这为快速斑块进展的早期检测和干预提供了新视角。
引用
- Li Y, Huo H, Liu H, et al. Coronary CTA-based radiomic signature of pericoronary adipose tissue predict rapid plaque progression. Insights Imaging. 2024. PMID: 38900243. doi:10.1186/s13244-024-01731-7
- 全文:PMC11189889(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC11189889/
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。