基于血管周围脂肪组织影像组学特征评估腹主动脉瘤腔内修复术后生长
回顾性纳入2014年3月至2024年3月79例肾下腹主动脉瘤EVAR术后规律随访患者,从PVAT提取107个影像组学特征,比较生长组与非生长组差异。生长组PVAT表面积体积比更高、纹理更不均匀;整合影像组学与临床特征的模型AUC为0.78(95%CI 0.65–0.91),特异度87%,优于单独影像组学或临床模型(AUC均为0.69)。
要点
- EVAR术后生长组PVAT表面积体积比为0.70,非生长组为0.63(p=0.04)。
- 生长组PVAT纹理表现为低依赖、高离散,GLCM与GLDM热图可见差异。
- 整合模型AUC 0.78,特异度87%,优于单独影像组学或临床模型(AUC均0.69)。
核心结论
- EVAR术后生长性AAA的PVAT表面积体积比更高、纹理更不均匀,PVAT影像组学特征有潜力预测AAA进展。
研究设计与样本
- 回顾性研究,纳入2014年3月至2024年3月北京协和医院79例肾下AAA行EVAR术后规律随访患者,使用Medtronic Endurant覆膜支架。
- 基于两次随访增强CT,由两名分别有5年和10年经验的放射科医师用3D Slicer 5.0.3手动分割AAA及PVAT,并提取107个影像组学特征(14个形状、18个直方图、75个纹理特征)。
- 以AAA体积变化率分组,体积较初次随访增加超过2%定义为生长组。
关键影像表现/征象
- 生长组PVAT的GLCM热图较非生长组呈现更暗区域(GLCM值更低),GLDM热图显示生长组模式更远离对角线。
- 生长组PVAT表面积体积比为0.70,非生长组为0.63(p=0.04)。
- 两组PVAT的CT衰减值无显著差异(非生长组−81.80 vs 生长组−80.06,p=0.28)。
诊断标准与关键数值
- AAA生长定义为体积较初次随访增加超过2%。
- 整合临床-影像组学模型AUC为0.78(95%CI 0.65–0.91),敏感度68%,特异度87%。
- 单独影像组学模型AUC为0.69(95%CI 0.55–0.83,p=0.02),单独临床模型AUC为0.69(95%CI 0.54–0.84,p=0.02)。
- 多因素logistic回归中,PVAT依赖方差OR为0.84(95%CI 0.72–0.98,p=0.03),总胆固醇OR为2.24(95%CI 1.20–4.17,p=0.01)。
- 单因素logistic分析中,PVAT CT衰减的AUC为0.596(95%CI 0.448–0.744,p=0.21)。
临床应用与阅片要点
- 作者认为PVAT影像组学特征与AAA进展相关,可作为动脉瘤扩张的独立危险因素,辅助临床术后监测与管理。
- 作者指出整合PVAT相关特征与临床特征可提高模型预测性能。
- 作者计划在未来研究中建立纳入瘤囊、腔内血栓、临床特征和PVAT的综合模型以评估PVAT的预测价值。
局限性
- 由于需要相对稳定的结论而设定了严格的随访间隔,导致最终样本量较小。
- 本研究为回顾性研究,作者指出需要前瞻性及长期随访研究。
- 图像分割技术存在局限,三维动脉瘤分割需要人工干预,目前尚无法通过软件程序实现完全自动化。
全文中译11 节 · 点击展开
引言
腹主动脉瘤(AAA)定义为主动脉直径> 3 cm,其主要风险为破裂及相关出血性死亡风险。指南建议对男性最大直径超过5.5 cm、女性超过4.5 cm的动脉瘤进行修复[1]。腔内动脉瘤修复术(EVAR)是一种微创手术,比传统开放修复术更安全,但仍需要长期随访监测[2]。因此,探索与EVAR术后AAA生长相关的有关变量对于AAA患者的监测和治疗至关重要。
动脉瘤生长的原因是多方面的,包括内漏、内张力、血流动力学因素等。生长组和非生长组可能存在促进动脉瘤生长的因素,生长组中这些因素的水平较高,而非生长组中这些因素表现出较低程度或完全不存在。目前,研究表明肥胖与AAA发展之间存在独立关联[3]。血管周围脂肪组织(PVAT)在解剖学上围绕血管,现已被认为是一种活跃的内分泌器官,能够分泌多种脂肪因子、细胞因子和生长因子,这些因子可以阻碍或促进心血管疾病的发展[4, 5]。对于动脉瘤,脂肪组织浸润血管和促炎因子的分泌可能促进活跃的巨噬细胞浸润,从而诱导动脉瘤发展[6, 7]。
此外,研究已证明PVAT与胸主动脉和腹主动脉尺寸之间存在相关性,提示局部脂肪沉积可能促进主动脉重塑[8]。此外,研究人员利用PVAT的影像组学特征评估冠状动脉风险,所得结果超越了传统风险分层方法[9]。对于AAA,PVAT衰减增加与AAA生长独立相关[10],而有症状的动脉瘤表现出更高的脂肪组织衰减率[11]。然而,尚无研究关注不同生长状态下AAA周围PVAT影像组学特征的差异。此外,也尚无研究探讨影像组学特征是否可用于预测AAA生长状态的分类。因此,我们旨在研究PVAT影像组学特征与EVAR术后AAA生长状态之间的关系,并进一步探讨生长型与非生长型AAA的区分。我们假设PVAT有助于预测EVAR术后AAA进展状态。
材料与方法
研究设计与人群
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。本回顾性研究纳入了2014年3月至2024年3月期间在北京协和医院接受治疗的肾下腹主动脉瘤(AAA)患者。患者接受了美敦力公司(Medtronic, Inc.)的主动脉覆膜支架(Endurant,Medtronic Inc)治疗。纳入标准为接受AAA血管内修复术并有增强计算机断层扫描(CT)的规律术后随访。排除标准包括扫描中的运动伪影(3例患者)、动脉瘤囊较小(5例患者)、AAA破裂(5例患者)、扫描视野不完整(18例患者)、仅一次随访CT(97例患者)以及随访CT超出规定随访间隔(145例患者)。规定的随访间隔如下:第一次随访安排在术后3–6个月,第二次随访安排在第一次随访后9–12个月。图1描述了患者的纳入和排除标准。我们从电子病历系统中检索临床数据,包括年龄、性别、癌症病史、高血压、高脂血症、糖尿病、冠状动脉疾病、外周动脉疾病、脑动脉病、吸烟、饮酒、低密度脂蛋白(LDL)、高密度脂蛋白(HDL)、甘油三酯(TG)、总胆固醇(TC)和血糖(GLU)。
图像分割
使用3D Slicer软件(版本5.0.3,https://www.slicer.org),两名分别具有5年和10年经验的放射科医师在增强CT图像上手动创建感兴趣区(ROI),以分割三维AAA并计算其体积。分割范围从肾动脉下水平至腹主动脉分叉处。我们根据AAA的体积变化率将AAA分为增长组和非增长组。若AAA体积较初始随访时增加超过2%,则定义为增长[12–15]。随后,我们利用3D Slicer软件的“margin”功能。该功能按指定边距扩展或缩小所选分割。将AAA分割向外扩展10 mm [16, 17],并减去动脉瘤的原始分割以获得血管周围脂肪组织(PVAT)的分割。CT衰减范围设定为−195至−45 [18, 19]。图2展示了AAA及其PVAT分割的示例。
特征提取
从血管周围脂肪组织(PVAT)区域提取的影像组学特征包括14个形状特征、18个直方图特征(也称为一阶特征)和75个纹理特征。直方图特征描述感兴趣区(ROI)内CT衰减值的统计分布[20]。纹理特征量化体素强度与其周围环境之间的关系[21],包括灰度共生矩阵(GLCM)特征、灰度依赖矩阵(GLDM)特征、灰度游程长度矩阵(GLRLM)特征、灰度大小区域矩阵(GLSZM)特征和邻域灰度差矩阵(NGTDM)特征。影像组学特征的详细描述可见补充材料及Zwanenburg等[22]的单独文献。在图像分割和特征提取过程中,研究者对患者的临床信息(包括分组分类)设盲。
统计分析
统计分析采用SPSS(27.0版;国际商业机器公司)进行。在对方差齐性和变量正态分布进行检验后,我们根据变量类型采用独立样本t检验、非参数Mann-Whitney U检验、χ2检验或Fisher精确检验对变量进行单因素分析。为解决变量间的多重共线性问题,我们计算了变量间的相关性。相关系数> 0.8被认为提示存在共线性。移除两个高度相关变量中的一个,保留与因变量相关性最高的那个。该方法使我们能够选择最相关的自变量进行进一步分析。在组间比较中表现出统计学显著差异的变量被纳入二元logistic回归分析,以确定AAA增长的独立危险因素。计算了比值比(OR)及其各自的95%置信区间(CI)。构建受试者工作特征(ROC)曲线以评估所识别因素的预测性能,并计算曲线下面积(AUC)。p < 0.05(双侧)认为差异具有统计学意义。
结果
两位放射科医师对AAA增长分类的一致性极好(Cohen's kappa系数,0.97;95% CI:0.75–1.19;p < 0.001)。
参与者入组
我们在预实验阶段进行了样本量估算,显著性水平(α)为0.05(双侧),把握度(1-β)为0.90。因此,获得样本量为78例患者。2014年3月至2024年3月期间,352例连续患者接受了AAA腔内修复术及定期术后增强CT随访。最终,79例患者被纳入本研究。表1总结了详细的人口学和临床特征。
EVAR后非增长型与增长型AAA之间的单因素分析
表1呈现了EVAR后增长型或非增长型AAA患者临床特征的统计数据。LDL(2.46 vs 3.03,p = 0.01)、HDL(0.93 vs 1.08,p = 0.02)和TC(4.10 vs 4.87,p = 0.02)在增长型与非增长型AAA组之间显示出显著差异,而其余临床参数未发现显著差异。
表2总结了EVAR后围绕生长型或非生长型AAA的PVAT影像组学特征的统计数据。它包括1个形状特征和13个纹理特征,包括GLCM、GLDM和GLRLM特征。观察到两组之间存在显著差异,包括表面积与体积比(0.63 vs 0.70,p = 0.04)、相关性(0.53 vs 0.50,p = 0.04)、相关性信息度量1(0.14 vs 0.13,p = 0.03)、逆方差(0.46 vs 0.47,p = 0.04)、最大相关系数(0.63 vs 0.57,p = 0.04)、最大概率(0.22 vs 0.20,p = 0.03)、归一化依赖非均匀性(0.05 vs 0.06,p = 0.02)、依赖方差(29.88 vs 26.96,p = 0.01)、大依赖强调(141.17 vs 124.55,p = 0.02)、长游程强调(4.76 vs 4.20,p = 0.01)、归一化游程长度非均匀性(0.50 vs 0.52,p = 0.01)、游程百分比(0.64 vs 0.66,p = 0.01)、游程方差(1.80 vs 1.50,p = 0.01)和短游程强调(0.72 vs 0.74,p = 0.04)。关于直方图特征,我们未发现两组之间存在差异的任何证据。关于纹理特征,包括GLRLM、GLSZM和NGTDM特征,我们也未发现统计学显著的结果。表2显示了详细结果。
图3展示了围绕生长型或非生长型AAA的PVAT纹理的两个示例。比较PVAT的GLCM纹理热图,生长型AAA表现出较暗的区域和较低的GLCM值,而非生长型AAA表现出较亮的区域和较高的GLCM值。GLDM纹理热图显示,生长型AAA表现出距离对角线更远的模式。在图3中,两组之间PVAT纹理的差异可通过视觉观察到。
EVAR后非生长型与生长型AAA之间的二元逻辑回归分析
在79例患者中,19例(24%)为无生长的AAA。纳入二元逻辑回归模型的变量通过单因素分析确定(p = 0.05)。PVAT的依赖方差和TC被纳入二元逻辑回归模型。
这两个特征的OR分别为0.84(95% CI:0.72–0.98,p = 0.03)和2.24(95% CI 1.20–4.17,p = 0.01)。该模型的AUC为0.78(95% CI:0.65–0.91,p < 0.01),灵敏度为68%,特异度为87%。此外,通过比较结合影像组学特征和临床特征的模型与仅使用影像组学特征或仅使用临床特征的模型,其AUC分别为0.69(95% CI:0.55–0.83,p = 0.02)和0.69(95% CI:0.54–0.84,p = 0.02)。表3列出了三个模型的评价指标。三个模型均具有统计学意义(Omnibus检验,p < 0.01),且拟合优度良好(Hosmer–Lemeshow检验,p > 0.05)。我们发现临床-影像综合模型优于单一模型。图4显示了三个模型的ROC曲线。
讨论
在本研究中,我们分析了EVAR术后随访增强CT上PVAT的影像组学特征以及患者的临床特征,以探讨PVAT与AAA增长状态之间的关联。临床-影像综合模型取得了最佳性能,AUC为0.78。我们的发现对EVAR术后患者的长期随访具有重要的临床价值。
单因素分析结果表明,EVAR术后围绕增长性AAA的PVAT具有更高的表面积与体积比,这与脂肪紧密附着于血管并可能促进PVAT的浸润或分泌的理论一致[4, 23]。关于纹理特征,既往研究表明动脉瘤和血栓的纹理分析可以有效预测动脉瘤扩张[12, 24]。在我们的研究中,GLCM和GLDM结果均表明,围绕增长性AAA的PVAT表现出低依赖性和高离散性。增长性和非增长性AAA的GLCM和GLDM热图显示了二者之间的纹理差异,提示增长性AAA中PVAT的内部组成更加异质[22]。这一发现可能促使研究人员探索使用PVAT纹理特征对AAA增长进行分类。
依赖性方差描述图像的纹理和结构,衡量整个图像中像素对之间灰度差异的变异性。计算使用GLCM完成,其中GLCM中灰度差异的方差得出依赖性方差[20, 21]。我们的结果表明,PVAT灰度差异变异性较低(即灰度差异更均匀)可能对应于EVAR术后AAA增长的更高风险。血清TC测量包括血液中存在的各种类型胆固醇颗粒。研究表明血清TC水平与AAA增长呈正相关[25, 26],这与既往发现一致。
两个PVAT组之间的CT衰减值未发现显著差异(−81.80 vs −80.06,p = 0.28),单因素逻辑回归分析得出的AUC值为0.596(95% CI:0.448–0.744,p = 0.21),显著低于本研究中其他模型。这可能有助于未来识别预测AAA扩张的相关特征,尤其是在EVAR术后研究中。
EVAR术后需要长期随访以监测演变[2]。一些研究者专注于监测术后并发症,如持续性2型内漏,并已使用影像组学特征建立机器学习算法来预测EVAR术后侵袭性2型内漏[27]。研究者还开发了针对AAA的影像组学模型来预测EVAR术后各种并发症的结局[28, 29]。体积或直径的快速增长通常提示不良演变,监测这些参数可能有助于早期发现AAA演变。例如,已有研究致力于识别EVAR术后AAA的缩小[30]或使用影像组学纹理分析对EVAR术后AAA演变进行分类[31]。本研究监测了AAA体积的变化,并证明PVAT的差异可能导致AAA体积的变化。
PVAT因其对血管的病理生理效应已被广泛研究[4, 23, 32]。由于其对血管的显著影响,研究者在既往研究中尝试将PVAT与传统的预测特征相结合。例如,将PVAT影像组学加入CT衍生的血流储备分数模型,增强了检测血流动力学显著性冠状动脉狭窄的诊断性能[33]。提取PVAT和颈动脉斑块的影像组学特征提高了模型识别症状性颈动脉斑块的能力[34]。目前关于AAA的PVAT研究多集中于主动脉周围脂肪组织的衰减值[10, 16, 35],强调其与AAA生长的关联。此外,研究表明动脉瘤囊周围PVAT密度超过健康血管[11]。我们的研究通过证明PVAT影像组学特征与EVAR术后AAA演变之间的关系,扩展了PVAT在预测AAA生长中的应用范围。将这些特征与传统的临床特征一起整合到预测模型中,提高了模型的预测性能。多因素Cox回归分析显示,基线最大直径和高PVAT衰减值是AAA进展的独立预测因子[10]。此外,一项研究发现PVAT的平均CT衰减值预测AAA生长的AUC为0.688,与基线AAA直径联合后增至0.797[16]。我们的模型表现出与其相似的性能。此外,该模型的特异度达到87%,表明其能够有效排除假阳性并最大限度减少将非生长性AAA病例误分类为生长性病例。在未来的研究中,我们计划建立一个综合模型,纳入动脉瘤囊、腔内血栓、临床特征和PVAT,以评估PVAT的预测价值和模型的预测能力。
本研究存在若干局限性。由于需要相对稳定的结论,设定了严格的随访间隔,导致最终样本量较小。我们在预实验中计算了整体研究的估计样本量,以尽量减少小样本量带来的影响。未来,我们将扩大样本量以进一步探讨PVAT与AAA之间的关系。这项回顾性研究凸显了开展前瞻性长期随访研究的必要性。此外,图像分割技术的发展也存在局限性,三维动脉瘤分割需要人工干预。目前,通过软件程序实现完全自动化仍无法做到。
总之,EVAR后增长的AAA其PVAT表现出更高的表面积与体积比以及更异质的纹理。PVAT的影像组学特征在AAA增长与未增长患者之间存在显著差异,可帮助以高特异度对EVAR后AAA的增长状态进行分类。将PVAT相关特征与传统文化临床特征一起整合到预测模型中,可提高模型的预测性能。
补充信息
电子补充材料
引用
- Lv R, Hu G, Zhang S, et al. Assessing abdominal aortic aneurysm growth using radiomic features of perivascular adipose tissue after endovascular repair. Insights Imaging. 2024. PMID: 39349886. doi:10.1186/s13244-024-01804-7
- 全文:PMC11442904(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC11442904/
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。