文献速递外周血管心血管腹部CTDSA

光子计数CT血管成像定量腹主动脉钙化:高危心血管患者的影像生物标志物

Quantification of abdominal aortic calcification using photon-counting CT angiography: an imaging biomarker for high-risk cardiovascular patients.
PubMed 文献 · Radiol Med · 2025-03-28

回顾性纳入200例接受腹部PCCT血管成像和非增强胸部CT的患者,用VNCa算法生成钙化图计算腹主动脉钙化体积(ACV)和钙化体积百分比(PCV),以Agatston评分>100为高危组。PCV与Agatston评分相关性ρ=0.78,鉴别低危与高危组的AUC为0.94,优于ACV的0.90(p=0.0002),PCV>14.81%提示心血管病风险增高。

要点

  • PCV与Agatston评分相关性ρ=0.78,ACV为0.75(p<0.0001)。
  • PCV鉴别低危与高危心血管病组的AUC为0.94,ACV为0.90(p=0.0002)。
  • PCV>14.81%时特异度99.4%、敏感度73.0%,特异度显著高于ACV的89.0%。

核心结论

  • PCV>14.81%提示心血管病风险增高,PCV可能是高危心血管病患者的潜在影像生物标志物。
  • 仅凭腹部CTA可能识别高危心血管病患者,值得进一步心血管筛查。

研究设计与样本

  • 回顾性研究,纳入200例患者(低危163例、高危37例),均行腹部PCCT血管成像及180天内非增强胸部CT。
  • 采用双源PCCT(NAEOTOM Alpha)行腹部CTA,VNCa算法生成钙化图并计算ACV与AWV,PCV=ACV/AWV。
  • 以非增强胸部CT的Agatston评分作为参考标准,≤100为低危、>100为高危。
  • 非增强胸部CT使用NAEOTOM Alpha、Aquilion Precision、Revolution CT和Aquilion One四台设备。
  • 两名放射科医生(均12年腹部影像经验)测量ACV与PCV,取平均值用于后续分析。

关键影像表现/征象

  • Agatston评分0至3级的ACV中位数(IQR)分别为0.24(0, 1.44)、3.57(1.42, 5.86)、6.61(3.26, 8.71)、9.09(6.22, 17.84)mL。
  • Agatston评分0至3级的PCV中位数(IQR)分别为0.51(0, 2.81)、7.46(3.26, 10.67)、13.11(8.05, 17.39)、21.69(16.76, 36.77)%。
  • ACV在1级与2级(p=0.17)、2级与3级(p=0.16)间无显著差异,其余组间均有显著差异(p<0.0001)。
  • PCV在所有Agatston评分等级间均有显著差异(1级与2级p=0.0094,2级与3级p=0.026,其余p<0.0001)。

诊断标准与关键数值

  • ACV鉴别低危与高危心血管病组的cutoff为5.74 mL,敏感度75.7%、特异度89.0%、准确率86.5%。
  • PCV鉴别低危与高危心血管病组的cutoff为14.81%,敏感度73.0%、特异度99.4%、准确率94.5%。
  • PCV的AUC为0.94,显著高于ACV的0.90(p=0.0002);PCV特异度与准确率均显著高于ACV(均p<0.0001)。
  • ACV与Agatston评分相关性ρ=0.75(95%CI 0.67–0.80,p<0.0001),PCV为ρ=0.78(95%CI 0.71–0.84,p<0.0001)。
  • VNI算法ACV与Agatston评分相关性ρ=0.70(95%CI 0.63–0.77,p<0.0001),与VNCa的ACV无显著差异(p=0.37)。

临床应用与阅片要点

  • PCV作为钙化体积占主动脉壁体积的百分比,可标准化不同体型患者的钙化负荷。
  • PCV>14.81%提示心血管病风险增高,可辅助识别高危患者。
  • ACV在Agatston评分1级与2级、2级与3级间无显著差异,PCV在各等级间均有显著差异。
  • 两名医生测量ACV的ICC为1.00(95%CI 1.00–1.00),PCV的ICC为0.93(95%CI 0.86–0.96)。

局限性

  • 原文未报告局限性。
全文中译19 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者,按 CC BY 许可使用,本译文为翻译改编。出处:Radiol Med. 2025 Mar 28;130(6):817–29. doi: 10.1007/s11547-025-01978-0

引言

动脉粥样硬化性疾病,尤其是冠状动脉疾病的患病率不断上升,是一个重要的公共卫生问题[1, 2]。Agatston评分可量化冠状动脉钙化,预测未来心血管疾病(CVD)事件,如冠心病、脑血管疾病、外周血管疾病和心力衰竭[3]。虽然冠状动脉钙化的评估已被广泛接受,但腹部动脉粥样硬化严重程度的评估尚缺乏共识。腹部动脉粥样硬化很少因肠系膜上动脉狭窄引起肠缺血,也较少因肾动脉狭窄导致继发性高血压,但这些情况相比冠状动脉疾病患病率更低且不常见[4, 5]。这一观点可能使腹部动脉粥样硬化严重程度的评估复杂化。

CT扫描频率的增加导致通过腹部CT扫描偶然发现腹部动脉粥样硬化的情况增多[6]。通过腹部CT扫描准确评估腹主动脉钙化并预测冠状动脉钙化的严重程度仍是一项医学挑战,因为出于辐射顾虑,胸部CT常被避免。需要明确的临床问题是腹部动脉粥样硬化严重程度与CVD风险的关系。

多项研究探讨了腹主动脉钙化与冠状动脉钙化的关系,表明腹主动脉钙化与较高的CVD风险相关[7–9]。然而,计算腹主动脉钙化的综合方法尚未建立。既往一项研究使用CT血管成像(CTA)对腹主动脉远端钙化严重程度进行分级[10];然而,这些方法是半定量且不精确的。该分级过程依赖于放射科医师的主观视觉评估,可能导致观察者间变异。此外,该方法未考虑钙化的三维空间分布,而这可能具有临床重要性。鉴于这些局限性,需要更客观和定量的方法来提高腹主动脉钙化评估的准确性和可重复性。

光子计数CT(PCCT)近期已引入临床实践,并越来越多地用于腹部成像。与传统能量积分探测器不同,PCCT探测器无需使用闪烁体即可将X射线光子直接转换为电信号。PCCT探测器无需隔膜,且探测器像素比传统探测器更小;因此,PCCT提供了更高的空间分辨率。此外,PCCT消除了能量加权效应,从而提高了剂量效率和频谱分辨率[11]。近期研究表明,PCCT在临床环境中可有效去除钙化[12, 13]。一项研究表明,基于PCCT的虚拟去钙(VNCa)算法成功去除了高度钙化的斑块,提高了冠状动脉CTA图像的清晰度[12]。另一项研究强调了PCCT在减少钙化晕状伪影和提高空间分辨率方面的有效性[13]。虚拟去碘(VNI)算法是另一种在CTA上量化钙化的方法。在心血管领域,已有报道使用基于PCCT的VNI算法量化钙化[14, 15]。然而,将这些算法应用于腹部区域以用于临床目的的研究有限。此外,准确评估腹主动脉钙化需要测量主动脉钙化体积(ACV)及其在腹主动脉壁体积(AWV)中的比例。钙化体积百分比(PCV)通过计算ACV与AWV的比值获得。这些参数可通过应用基于PCCT血管造影的VNCa算法进行评估。迄今为止,尚无关于通过计算ACV与AWV比值(如PCV)来评估主动脉钙化程度的报道。ACV是腹主动脉钙化体积的绝对指标。然而,AWV因患者体型不同而存在差异,PCV可为钙化指标提供标准化值。PCV可能为准确评估腹主动脉钙化程度提供一个新的且有潜在价值的视角。准确评估腹主动脉钙化可能有助于识别心血管疾病(CVD)高风险个体,从而实现更有针对性的预防干预和改善患者管理。

本研究旨在使用基于PCCT血管造影的VNCa和VNI算法通过体积分析测量腹主动脉钙化,并探讨ACV和PCV与Agatston评分之间的相关性。最终目标是使用ACV和PCV基于Agatston评分区分CVD风险等级以及低风险和高风险组,并阐明CVD高风险患者腹部动脉粥样硬化的影像生物标志物。

材料与方法

参与者入组

本回顾性研究经我院大学医院机构审查委员会批准。由于本研究为回顾性且非干预性研究,豁免了知情同意的要求。纳入2023年3月至2024年6月期间接受上腹部多期对比增强CT检查(包括使用光子计数CT(PCCT)扫描仪进行的CTA)的患者。2023年3月至2023年4月期间的患者组包括与既往研究重叠的患者队列(n = 12);然而,本研究是一项以腹部动脉粥样硬化为主题的独特研究,主题与既往研究完全不同[16]。既往研究探讨了低keV虚拟单能成像(VMI)如何用于显示腹部动脉分支的周边;然而,本研究是一个完全不同的课题,通过准确定量腹主动脉钙化提供了真正新颖的数据。

排除标准

未在腹部CTA扫描前180天内接受非对比增强胸部CT(nCE-CCT)的患者、接受过腹主动脉手术的患者,以及无可用腹部CTA血管光谱后处理(VSPP)图像数据的患者。

汇总信息见图1和表1。图2展示了本研究的研究设计。

图1 患者流程图 查看原图 ↗
表1 合格患者的特征 查看原表 ↗
图2 研究设计。从3D CTA图像中提取腹主动脉壁钙化并测量主动脉钙化体积(ACV)。此外,从应用VNCa的3D CTA图像中构建主动脉壁并测量主动脉壁体积(AWV)。钙化体积百分比(PCV)为ACV与AWV的比值。使用专用工作站定量冠状动脉钙化以计算Agatston评分。以Agatston评分指标作为结局,我们研究了ACV与PCV之间的关系,并尝试定义腹部动脉粥样硬化的严重程度。CTA = CT血管造影;VNCa = 虚拟非钙 查看原图 ↗

CT扫描方案

腹部CT血管造影

临床双源PCCT扫描仪(NAEOTOM Alpha;Siemens Healthineers,Forchheim,德国)在120 kV下运行,准直为120 × 0.2 mm,螺距因子为0.8,机架旋转时间为0.50 s [16]。联合应用减少曝光(CARE)Dose 4D(Siemens Healthineers)自动调节管电流,目标图像质量为170。在上腹部多期CT中,以600 mgI/kg的非离子碘对比剂(Iomeron 350;Eisai,Tokyo,Japan)注射25 s。腹主动脉团注追踪在40 HU阈值下延迟8 s后开始早期动脉期扫描。CTA图像使用QIR(Quantum Iterative Reconstruction;Siemens Healthineers)在第4级(最高级)、Qr44(定量常规)卷积核、345 mm视野和512 × 512矩阵下进行轴位重建。VSPP图像(1.0 mm层厚,无间隔)传输至图像归档和通信系统。VSPP图像可用于创建任意能量水平(40–140 keV)的VMI或创建物质分解图像。放射科医生A(具有12年腹部成像和3D图像处理经验)使用CT扫描仪控制台(syngo. CT VA50;Siemens Healthineers)从腹部CTA VSPP图像(70 keV)创建了VNCa图像,称为PureLumen(Siemens Healthineers),以及VNI图像。选择70 keV能量水平是因为其对比度与传统120 kVp CT相当[17]。

非增强胸部CT

nCE-CCT图像使用四台CT系统采集:NAEOTOM Alpha、Aquilion Precision(Canon Medical Systems,Otawara,Japan)、Revolution CT(GE Healthcare,Waukesha,WI,USA)和Aquilion One(Canon Medical Systems)。每台扫描仪的参数列于表2。

表2 非增强胸部CT的扫描方案 查看原表 ↗

腹主动脉钙化评估

ACV及其在AWV中所占比例的定量分析由放射科医生A和另一位放射科医生B(具有12年腹部成像经验)使用3D图像分析系统(SYNAPSE VINCENT版本6.7;Fujifilm,Tokyo,Japan)在腹部3D CTA图像上使用VNCa算法完成。放射科医生A还使用VNI算法在3D CTA图像上定量了ACV。图3概述了从3D图像中提取腹主动脉钙化和腹主动脉壁的方法。

图3 如何处理3D图像。从3D CTA图像生成腹主动脉钙化和腹主动脉壁的操作流程示意图。顶行说明了从VNCa CTA图像创建腹主动脉壁的操作流程。图的下部显示了提取腹主动脉钙化的操作流程。使用通过从相应CTA图像中减去VNCa图像创建的减影图像,我们按照图中所示流程提取了腹主动脉壁的钙化。CTA = CT血管造影,VNCa = 虚拟非钙 查看原图 ↗

腹主动脉钙化处理(VNCa和VNI)

VNCa和VNI图像是使用VNCa和VNI算法从CTA图像生成的。

从相应的腹部CTA图像中减去VNCa图像以创建减影图像。“减影图像”一词是指仅显示钙化和骨骼剩余部分的图像。

腹主动脉钙化3D图像是在工作站上利用VNCa减影图像和VNI图像生成的。在此阶段,钙化和残留骨骼以3D图像形式显示。

以膈肌和主动脉分叉处为边缘的冠状位CTA图像作为参考。参照这些冠状位CTA图像,去除膈肌头侧和主动脉分叉尾侧的3D图像。

从正位视图中去除椎体两侧无椎骨的区域。通过执行此操作,3D图像上仅保留腹主动脉和椎骨的钙化。

旋转3D图像以观察并使用选择工具提取腹主动脉钙化。通过在工作站上用选择工具点击钙化灶,我们提取了每一处钙化。通过这些过程,腹主动脉钙化被提取为3D图像。

最后,分析腹主动脉钙化3D图像并测量ACV [mL]值。

腹主动脉壁处理(仅VNCa)

通过设定冠状面膈肌和主动脉分叉处的边界,从VNCa CTA图像生成无钙化的3D腹主动脉图像。使用VNI算法无法获得血管的3D图像。因此,我们决定仅使用VNCa算法构建主动脉壁。

手动去除腹腔干、肠系膜上动脉、肾动脉和主要腰动脉以创建腹主动脉。

通过对3D图像进行表面渲染并以1.5 mm的比例进行厚层表面提取来去除主动脉管腔,从而创建腹主动脉壁。选择1.5 mm厚度是因为既往报道显示腹主动脉壁厚度范围为1.48至1.78 mm [18, 19]。

测量腹主动脉壁体积以获得AWV [mL]。ACV占AWV的百分比按以下公式计算为PCV [%]:

冠状动脉钙化评分

使用3.0 mm层厚的nCE-CCT扫描确定Agatston评分以评估冠状动脉钙化水平 [20]。SYNAPSE VINCENT心脏区域钙化分析自动计算评分。对ACV和PCV参数设盲的放射科医师A进行了所有Agatston评分测量。Agatston评分分级如下 [21]:0级(Agatston评分0):极低风险,无可检测的冠状动脉钙化。

1级(Agatston评分1–99):轻度风险,轻度冠状动脉钙化。

2级(Agatston评分100–299):中度风险,中度冠状动脉钙化。

3级(Agatston评分>300):重度风险,广泛冠状动脉钙化。

主动脉钙化体积、钙化体积百分比与Agatston评分的关系

计算VNCa算法得出的ACV和PCV以及VNI算法得出的ACV与Agatston评分的相关系数。

此外,对各Agatston评分等级(0至3级)的ACV和PCV值进行多重比较。两位放射科医师的测量值用于计算观察者间信度,两次值的平均值用于多重比较。

心血管疾病事件风险的鉴别

既往研究表明,Agatston评分>100与CVD风险较高相关[22–24]。我们使用ACV和PCV将AS≤100归类为CVD低风险,AS>100归类为CVD高风险。

此外,为探讨因CT扫描仪差异导致的Agatston评分影响,我们进行了亚组分析,以确定四台CT扫描仪各自区分ACV和PCV中CVD风险的能力。

统计分析

由于Agatston评分、ACV和PCV在Shapiro–Wilk检验中呈非正态分布,所有统计分析均采用非参数检验。计算ACV和PCV与Agatston评分的Spearman秩相关系数(ρ)[25]。VNCa和VNI算法的ρ值采用Williams t检验进行比较。两名放射科医师的测量结果通过计算组内相关系数(ICC)评估观察者间可靠性[26]。采用Kruskal–Wallis检验及事后Steel–Dwass检验比较各Agatston评分分级间的ACV和PCV值。区分各分级的能力采用受试者工作特征(ROC)分析和曲线下面积(AUC)计算。ACV和PCV区分各分级的AUC采用DeLong检验进行比较。此外,为区分CVD低风险组和高风险组,计算了ACV和PCV区分两组的AUC,并采用DeLong检验对两者进行比较。此外,我们使用Youden指数计算ACV和PCV的适当截断值,并基于截断值计算区分两组的敏感性、特异性和准确性。ACV和PCV的敏感性、特异性和准确性采用McNemar检验进行比较。Williams t检验使用R软件(版本4.4.2,The R Foundation for Statistical Computing)进行。所有其他统计均使用JMP Pro 12.2(SAS Institute Inc.,Cary,USA)进行。p值小于0.05被认为具有统计学意义。

结果

患者人群

在435例患者中,235例符合排除标准(228例因胸部CT原因,7例因腹部CT原因),最终纳入200例合格患者(图1)。表1总结了详细信息,如年龄、性别比例、腹部CTA与nCE-CCT之间的间隔时间、Agatston评分分级比例以及CVD低风险与高风险组比例。nCE-CCT所使用的具体CT扫描仪列于表1。

腹主动脉钙化与Agatston评分的相关性

对于VNCa算法,ρ显示Agatston评分与ACV(ρ=0.75,95%置信区间[C.I.]:0.67–0.80,p<0.0001)及PCV(ρ=0.78,95% C.I.:0.71–0.84,p<0.0001)之间呈强相关。对于VNI算法,ρ显示Agatston评分与ACV(ρ=0.70,95% C.I.:0.63–0.77,p<0.0001)之间呈强相关。使用VNCa的ACV的ρ与使用VNI算法的ACV的ρ之间无统计学显著差异(p=0.37)。使用VNCa的PCV的ρ与使用VNI算法的ACV的ρ之间也无统计学显著差异(p=0.071)。图4显示了VNCa和VNI算法下Agatston评分与ACV之间以及Agatston评分与PCV之间相关性的散点图。

图4 ACV、PCV与Agatston评分之间的相关性。散点图显示ACV、PCV与Agatston评分之间的相关性。数据点按分级进行颜色编码:红色为0级,绿色为1级,蓝色为2级,橙色为3级。回归曲线表示各参数之间的关系,蓝色阴影区域表示曲线周围的95%置信区间。a 横轴表示Agatston评分,纵轴表示ACV(mL)。VNCa算法下ACV与Agatston评分之间的相关系数(ρ)为0.75,表明呈强正相关。b 横轴表示Agatston评分,纵轴表示PCV(%)。VNCa算法下PCV与Agatston评分之间的相关系数(ρ)为0.78,同样表明呈强正相关。c 横轴表示Agatston评分,纵轴表示ACV(mL)。VNI算法下ACV与Agatston评分之间的相关系数(ρ)为0.70,表明呈强正相关。ACV = 主动脉钙化体积 [mL];PCV = 钙化体积百分比 [%];VNCa = 虚拟非钙;VNI = 虚拟非碘 查看原图 ↗

各Agatston评分分级中腹主动脉钙化的参数差异

两位放射科医师测量的ACV的ICC为1.00(95% C.I.,1.00–1.00),PCV的ICC为0.93(95% C.I.,0.86–0.96)。两项数值均显示出极好的可靠性。计算两位放射科医师测量的ACV和PCV平均值,并用于后续分析。

ACV在Agatston评分0至3级的中位数(四分位距,IQR)值分别为0.24(0,1.44)、3.57(1.42,5.86)、6.61(3.26,8.71)和9.09(6.22,17.84)。PCV的数值分别为0.51(0,2.81)、7.46(3.26,10.67)、13.11(8.05,17.39)和21.69(16.76,36.77)。

对各Agatston评分分级进行多重比较时,ACV和PCV均观察到统计学显著差异(均p < 0.0001)。对各分级进行比较时,对于ACV,除1级与2级(p = 0.17)及2级与3级(p = 0.16)外,所有组间均观察到显著差异(除此之外,均p < 0.0001)。对于PCV,所有组间均有显著差异(1级与2级之间p = 0.0094,2级与3级之间p = 0.026,其余均p < 0.0001)。

按0至3级顺序,ACV将各分级与其他分级区分开的AUC值分别为0.89、0.76、0.78和0.91。对于PCV,AUC分别为0.90、0.80、0.84和0.95。比较ACV与PCV的AUC时,PCV在2级和3级的AUC显著高于ACV(p = 0.014,0.0009)。

ACV和PCV各Agatston评分分级的中位数(IQR)、多重比较及AUC详见Table 3,并在Fig. 5的箱线图和ROC曲线中展示。

表3 各Agatston评分分级中ACV和PCV的多重比较 查看原表 ↗
图5 不同Agatston评分等级下ACV与PCV的箱线图及ROC曲线。不同Agatston评分等级(0–3)下ACV与PCV的箱线图,以及用于区分各等级与其他等级的受试者工作特征(ROC)曲线。* 星号表示差异具有统计学意义。a ACV值随Agatston评分等级升高而增大,除1级 vs. 2级和2级 vs. 3级外,其余各等级间差异均具有统计学意义。b PCV值亦随等级升高而增大,各等级间差异均具有统计学意义。c、d ROC曲线显示ACV与PCV在区分各等级与其他等级方面的性能,AUC值列于各图右下角。ACV = 主动脉钙化体积;PCV = 钙化体积百分比;AUC = 曲线下面积 查看原图 ↗

心血管疾病事件风险的分层

对于ACV,CVD低风险组和高风险组的中位数(IQR)分别为1.00(0.093,3.55)和8.43(5.14,14.82)。PCV的中位数(IQR)分别为2.25(0.18,7.56)和19.86(11.23,30.17)。

ACV和PCV区分CVD低风险组与高风险组的AUC分别为0.90和0.94。PCV的AUC显著高于ACV(p = 0.0002)。区分两组的最佳截断值分别为ACV 5.74 mL和PCV 14.81%。采用这些截断值时,ACV区分两组的灵敏度为75.7%、特异度为89.0%、准确率为86.5%。相比之下,PCV区分两组的灵敏度为73.0%、特异度为99.4%、准确率为94.5%。PCV的特异度和准确率均显著高于ACV(两者p < 0.0001)。

表4总结了上述结果。图6显示了ACV和PCV在区分CVD风险方面的箱线图和ROC曲线。

表4 ACV与PCV区分CVD事件风险的诊断性能比较 查看原表 ↗
图6 ACV与PCV区分CVD事件低风险与高风险的箱线图及ROC曲线。按CVD事件低风险组和高风险组分层的ACV与PCV箱线图,以及用于区分这些组别的受试者工作特征(ROC)曲线。a、b 箱线图显示ACV和PCV值,红点代表低风险组,蓝点代表高风险组。图中标注了截断值:ACV = 5.74 mL,PCV = 14.81%。红色阴影区域表示低于截断值的范围,蓝色阴影区域表示高于截断值的范围。PCV具有更高的特异度,表现为红色区域内红点较ACV更多。c ROC曲线显示ACV与PCV在区分风险组方面的性能,ACV的AUC为0.90,PCV的AUC为0.94。ACV = 主动脉钙化体积;PCV = 钙化体积百分比;CVD = 心血管疾病;AUC = 曲线下面积 查看原图 ↗

根据CT扫描仪差异区分CVD事件风险的亚组分析

在NAEOTOM Alpha中,ACV的AUC为0.89,PCV的AUC为0.94,PCV显著更高(p = 0.0002)。ACV和PCV区分CVD风险的准确率分别为86.3%和95.0%。PCV显著高于ACV(p = 0.0005)。

在Aquilion Precision上,ACV的AUC为0.93,PCV的AUC为0.95,PCV更高,但差异无统计学意义(p = 0.75)。ACV和PCV的特异性分别为66.7%和93.3%,PCV显著更高(p = 0.046)。ACV和PCV的准确率分别为77.3%和90.9%,PCV显著更高(p = 0.025)。

对于Revolution CT和Aquilion ONE,ACV与PCV在AUC、敏感性、特异性和准确率方面均无统计学显著差异,但PCV的所有参数均显示与ACV相似或更高的数值。

这些结果的详细内容见补充表。

讨论

在我们的研究中,我们应用基于PCCT的VNCa和VNI算法来量化腹主动脉钙化,并以CVD风险作为结局来阐明腹主动脉动脉粥样硬化的严重程度。我们计算了ACV和PCV作为腹主动脉粥样硬化的指标,其与Agatston评分显示出强相关性。在比较Agatston评分分级时,PCV在所有分级之间均显示出显著差异,并且随着分级的增加,PCV显示出显著更高的数值。此外,PCV在区分3级和4级与其他分级方面的AUC显著高于ACV(ACV:0.78和0.91,PCV:0.84和0.95)。此外,PCV在区分CVD低风险组和高风险组方面的AUC(0.94)显著高于ACV(0.90)。区分两组的最佳截断值ACV为5.74 mL,PCV为14.81%。使用这些截断值,ACV区分两组的敏感性为75.7%,特异性为89.0%,准确率为86.5%;PCV区分两组的敏感性为73.0%,特异性为99.4%,准确率为94.5%。PCV的特异性和准确率显著高于ACV。尚无报道计算腹主动脉钙化参数的阈值并检验腹主动脉粥样硬化的严重程度。

在我们的研究中,PCV区分CVD事件风险的能力显著高于ACV。对此的第一个解释是PCV的相对评估优势。例如,即使ACV相同,主动脉大和小的患者之间动脉粥样硬化的程度也可能不同,但PCV被认为能够校正这种影响并提供更准确的动脉粥样硬化评估。此外,PCV更准确地反映钙化的范围。随着钙化在主动脉壁扩散,主动脉的弹性降低,维持平稳血流的能力丧失,CVD事件发生的风险增加[27]。PCV可能是腹主动脉结构和功能异常以及腹主动脉粥样硬化严重程度的更直接指标。此外,PCV区分CVD事件风险的特异性显著高于ACV。这表明PCV具有准确识别低风险组的高能力,提示PCV是一种不依赖于患者腹主动脉大小差异的指标。由于ACV纯粹是体积,它可能高估主动脉体积大的患者的动脉粥样硬化程度。因此,ACV的特异性被认为显著劣于PCV。

Reddy 等人使用腹部 CT 血管造影(CTA)在 75 例患者队列中测量腹主动脉钙化范围 [10]。三名放射科医生使用六点分级系统评估腹主动脉远端(具体为肠系膜下动脉至分叉水平)的腹主动脉钙化严重程度。使用血管专用工作站,以 CT 值阈值(450 HU)检测钙化,计算腹主动脉钙化评分,该评分与放射科医生评分强相关。该测量基于放射科医生的主观评分,被认为是一种半定量且不精确的测量方法。相比之下,我们使用基于光子计数 CT(PCCT)的虚拟非钙(VNCa)算法测量腹主动脉钙化体积,并确定钙化体积与主动脉壁体积之比,以评估钙化程度。我们认为,我们的测量方法在评估腹部动脉粥样硬化方面更详细、更准确。

我们使用 VNCa 和虚拟非碘(VNI)算法测量 ACV,两种算法与 Agatston 评分的相关性均无显著差异;因此,以 Agatston 评分作为结局时,ACV 结果似乎对临床环境没有显著影响。VNCa 算法的优点是不仅能计算 ACV,还能计算 PCV,因为它能计算 AWV,因为它能获得去除钙化后的血管图像。其缺点之一是,由于它是去除钙化的图像,不能替代非增强 CT。相比之下,VNI 算法的优点是可能替代非增强 CT,因为它去除了碘。既往研究报道,VNI 与非增强 CT 上的钙化评分密切匹配 [14, 15]。VNI 算法的缺点是,由于它不能计算 AWV,因此不能计算 PCV。

我们没有通过比较钙化提取与非增强CT上CT值阈值的钙化检测,来评估基于PCCT血管成像的VNCa和VNI算法检测钙化的准确性。一些研究将非增强CT图像上钙化检测的阈值设定为130 HU [28–30]。然而,另一项研究报告合适的阈值为299 HU [31]。由于阈值可变性,非增强CT图像上的钙化定量并不总是准确的指标,因此难以确认VNCa和VNI算法的准确性。PCCT利用光谱信息,根据材料特定的能量衰减特征对其进行分离。这使钙能够与碘和软组织等其他材料区分开来 [15, 32]。VNCa算法通过合成单能图像和无钙图像来重建图像。它计算钙图,有助于在保留其他材料(尤其是碘)的同时虚拟去除钙 [32]。该算法可生成有效去除钙的图像,从而在没有钙化伪影的情况下更清晰地显示血管结构 [32]。VNCa算法的优势在于它可以减少钙化斑块引起的开花伪影,可能提高冠状动脉CTA中狭窄定量的准确性 [12, 32]。然而,与非增强图像相比,可能存在低估钙化的问题,需要进一步优化以确保可靠的临床应用 [15]。本研究的目的是仅使用腹部CTA定量腹主动脉钙化,我们认为能够有效且简便地从CTA图像中去除钙的VNCa算法具有较高的临床实用性。

在我们的研究队列中,有163例低危心血管疾病(CVD)病例和37例高危CVD病例,表明数据集存在不平衡。通常更倾向于样本量相等,因为这可提高统计效能,从而增加正确拒绝错误原假设的可能性,同时降低I类错误(错误地拒绝真实原假设)的风险[33]。相比之下,不同的样本量可能导致估计偏倚和效能降低,尤其是当组间方差差异显著时[33]。尽管样本量相等通常是最优的,以提高统计效能并简化分析,但有时更适合维持自然平衡,以准确反映组间不同的发病率[34]。在一项名为弗雷明汉心脏研究的大型流行病学研究中,对3969名男性和4522名女性(年龄30至74岁)进行了为期12年的检查,报告CVD事件发生于718名男性(18.1%)和456名女性(10.1%)[35]。在本研究中,CVD事件高危组占总数的18.5%,与上述流行病学研究大体一致。因此,我们假设两组间样本量的差异是由于发病率的不同。此外,存在校正不平衡数据集的方法,例如对少数组进行过采样;然而,如果不谨慎实施,存在过拟合和预测概率其他校准错误的风险[36]。虽然校正不平衡很重要,但保持真实世界数据的特征对于确保临床适用性也很重要。如果可能,未来的挑战是使用更大的数据集验证本研究的结果。

本研究存在若干局限性。首先,研究在单一机构进行,样本量相对较小。其次,Agatston评分测量的最佳成像条件为心电图门控轴位层厚3.0 mm的非增强心脏CT(nCE-CCT)图像[21]。在本研究中,nCE-CCT图像重建为3.0 mm,但未进行心电图同步。既往研究报道了心率增加对非心电图门控CT中Agatston评分测量的影响[37]。在非心电图门控CT扫描中,Agatston评分常较心电图门控CT扫描被低估[38]。此外,由于非心电图门控CT扫描不与心动周期同步,更易产生运动伪影,可能降低冠状动脉钙化检测和定量的准确性和可靠性[39]。然而,非心电图门控CT技术的最新进展,如高螺距采集模式和先进图像重建算法,已改善了钙化评分。这些进展减少了运动伪影并提高了与心电图门控结果的一致性[40]。非心电图门控CT是一种替代方法,其准确性低于心电图门控CT,但仍具有较强相关性。在常规临床检查中,难以对所有CT检查应用心电图门控;因此,我们使用了非心电图门控CT。第三,200例患者中有61例在与腹部CTA不同的日期使用不同的CT扫描仪进行了nCE-CCT,这可能因不同扫描仪、重建方法和卷积核而影响Agatston评分。我们进行了亚组分析,以确定用于nCE-CCT的CT扫描仪在区分CVD风险的能力方面是否存在差异;然而,主要扫描仪即PCCT扫描仪对PCV的区分能力优于ACV,另一台CT扫描仪对PCV的特异性和准确性也优于ACV。在其余两台CT扫描仪上,ACV与PCV的诊断性能无显著差异,但PCV的诊断性能趋于相等或更优。因此,认为使用不同CT扫描仪测量Agatston评分的差异对PCV的诊断性能影响不大。然而,除PCCT扫描仪外的CT扫描仪样本量较小;因此,有必要开展更大病例数的进一步研究。

总体而言,使用基于PCCT血管成像的VNCa算法获得的ACV和PCV与Agatston评分呈强相关。PCV在不同Agatston评分分级间显示出显著差异。PCV在区分CVD事件风险方面的性能显著优于ACV。ACV的5.74 mL和PCV的14.81%这两个指标能够有效区分CVD事件风险,具有高诊断准确性,可作为有临床意义的参数。特别是,PCV可作为区分高危CVD患者的关键成像生物标志物,提供增强风险分层并支持临床决策的定量指标。

补充信息

以下是电子补充材料的链接。补充文件1(DOCX 18 KB)

引用

  1. Ota T, Nakamoto A, Hori M, et al. Quantification of abdominal aortic calcification using photon-counting CT angiography: an imaging biomarker for high-risk cardiovascular patients. Radiol Med. 2025. PMID: 40153210. doi:10.1007/s11547-025-01978-0
  2. 全文:PMC12185644(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12185644/

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。