文献速递心血管CTMR

心脏影像CT与MRI放射组学预测心血管风险:EuSoMII放射组学审计组系统综述与荟萃分析

CT and MRI radiomics in cardiovascular risk prediction: a systematic review and meta-analysis by the EuSoMII Radiomics Auditing Group.
PubMed 文献 · Eur Radiol · 2025-12-24

该系统综述纳入202项应用CT或MRI放射组学评估心脏病的研究,平均METRICS方法学质量评分为54.52%±15.89%;对9项研究(10个分析,共2967例患者)的荟萃分析显示,预测心血管事件的汇总AUC为0.81(95%CI 0.75–0.87),但异质性高(I²=83.4%)且存在发表偏倚。

要点

  • 心血管事件预测的放射组学汇总AUC为0.81(95%CI 0.75–0.87),异质性高(I²=83.4%)。
  • 202项研究中平均METRICS质量评分为54.52%±15.89%,仅4.95%评为优秀。
  • EAT/PCAT分割亚组汇总AUC为0.85(95%CI 0.75–0.94),高于心肌分割亚组的0.79(95%CI 0.71–0.87)。

核心结论

  • 心脏影像放射组学对心血管事件预测显示出中等方法学质量和相对较高的累积诊断性能,汇总AUC为0.81(95%CI 0.75–0.87)。

研究设计与样本

  • 由EuSoMII放射组学审计组开展的系统综述与诊断性荟萃分析,检索Scopus、Web of Science和PubMed(2021年2月7日至2025年3月10日),最终纳入202项研究进行METRICS质量评价。
  • 荟萃分析纳入9项研究共10个分析(1篇文献报告心肌梗死和心力衰竭两个独立分析),合计2967例患者(MACE 2035例,心肌缺血932例)。
  • 参考标准为心血管事件预测,定义为主要心血管事件(MACE,如心源性死亡、心力衰竭、心肌梗死或心血管住院)或心肌缺血的发生。

诊断标准与关键数值

  • METRICS评分分级:0≤评分<20%为「极低」,20≤评分<40%为「低」,40≤评分<60%为「中等」,60≤评分<80%为「良好」,80≤评分≤100%为「优秀」。
  • 总体汇总AUC为0.81(95%CI 0.75–0.87),预测区间0.64–0.99,异质性I²=83.4%、τ²=0.0068。
  • 主要心脏事件亚组汇总AUC为0.82(95%CI 0.74–0.89),异质性I²=76.14%,Egger检验z=−0.69、p=0.49。
  • 急性冠脉综合征亚组汇总AUC为0.81(95%CI 0.70–0.91),异质性I²=82.7%,Egger检验z=−2.41、p=0.016。
  • EAT/PCAT分割亚组汇总AUC为0.85(95%CI 0.75–0.94),心肌分割亚组汇总AUC为0.79(95%CI 0.71–0.87)。

临床应用与阅片要点

  • 所有纳入荟萃分析的放射组学工具均未获得CE或FDA临床使用认证。
  • 内部验证在129项研究(63.9%)中进行,外部验证仅28项(13.9%);数据公开仅36项(17.8%),代码公开14项(6.9%),训练模型公开仅5项(2.5%)。
  • 作者在讨论中指出,促进透明度、方法学标准化和代码可得性对于提高可重复性和加速放射组学研究的临床转化仍然至关重要。

局限性

  • 汇总AUC存在高度异质性(I²=83.4%,τ²=0.0068),预测区间宽达0.64–0.99。
  • Egger检验提示潜在发表偏倚(z=−2.39,p=0.017)。
  • 仅9项研究纳入荟萃分析,样本量有限。
  • 外部验证仅见于28项研究(13.9%),数据、代码和模型公开率低(分别为17.8%、6.9%和2.5%)。
  • 混杂因素仅在47项研究(23.3%)中被明确处理。
全文中译18 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:Eur Radiol. 2025 Dec 24;36(5):4049–60. doi: 10.1007/s00330-025-12236-2

引言

放射组学涵盖了一系列基于从生物医学图像中提取可挖掘特征数据的应用,这些特征能够揭示人眼不易察觉的细微模式和特征[1]。这些新型生物标志物在训练和改进人工智能模型方面展现出巨大潜力,研究成果和医疗器械应用均呈指数级增长[2, 3]。

放射组学最初起源于肿瘤学领域,现已越来越多地应用于心血管影像学,从CT和MRI扫描中进行高通量特征提取可支持各种心肌和心血管疾病的诊断和预测[4, 5]。尽管潜力巨大,心血管疾病领域的放射组学研究仍受限于方法学异质性等主要局限[6]。

2017年,放射组学质量评分(RQS)被提出[7],旨在提高放射组学研究质量。2021年,Ponsiglione等人对心脏CT和MRI领域的放射组学研究进行了系统综述,使用RQS评估研究质量。值得注意的是,他们报告纳入分析的53篇论文的中位RQS仅为7,对应百分比评分为19.4%[8]。这些结果表明研究普遍存在方法学质量较低的问题,从而阻碍了放射组学工作流程向临床实践的转化。

2024年,欧洲医学影像信息学会(EuSoMII)推出了方法学放射组学评分(METRICS)[9],这是一种旨在系统评估放射组学研究方法学质量的新型工具。METRICS通过涉及大型国际专家组的改良Delphi流程开发,旨在促进放射组学研究更高标准的建立并提高可重复性。目前尚无系统综述使用METRICS工具评估心脏影像学领域放射组学研究的质量。

本研究旨在对应用放射组学于CT和MRI评估心脏疾病的研究进行全面系统综述,并对其诊断准确性进行荟萃分析,重点关注心血管事件预测。次要目的是使用METRICS评分评估心脏影像放射组学研究的方法学质量。

材料与方法

文献检索

遵循Ponsiglione等人先前系统综述的检索策略[8],为识别相关记录,使用以下检索式对多个医学文献数据库(Scopus、Web of Science和PubMed)进行检索:

(“textural” OR “radiomics” OR “texture” OR “histogram”)AND(“cardiac” OR “heart”)AND(“computed tomography” OR “CT” or “magnetic resonance” OR “MRI” OR “MR”)

检索时间为2021年2月7日(前一次系统评价的截止日期)至2025年3月10日。去除重复文献后,对摘要进行筛选,以识别并排除非原创性研究(如通讯、社论、综述等)、非关注主题的研究以及以非英文发表的文章。稿件由四位研究者(A.P.、T.A.D.、C.D.D.、A.U.C.)独立筛选。参与此项工作的研究者标注了排除标准,并将每篇稿件归入一个主题:心血管风险、冠状动脉疾病、心律失常、心肌炎、心肌病、血栓性疾病、瓣膜病、肿瘤和技术类。

数据收集与研究评价

获取入选记录的英文全文,随机分配后由八位读者(A.U.C.、B.P.、E.K.、F.V.、C.D.D.、R.C.、M.L.、S.C.F.)独立筛选;每篇论文仅由一位读者评估。所有参与者均具有影像组学研究论文的相关经验(1–5年)。读者使用专用的METRICS计算器(https://metricsscore.github.io/metrics/METRICS)对每篇论文进行评估。咨询了另一位研究者(R.C.),其为METRICS评分的核心开发者之一,以解决任何解释性难题。

METRICS评分以0–100%的数值表示,并分为以下离散类别:0 ≤ 评分 < 20%为“极低”;20 ≤ 评分 < 40%为“低”;40 ≤ 评分 < 60%为“中等”;60 ≤ 评分 < 80%为“良好”;80 ≤ 评分 ≤ 100%为“优秀”[9]。

对于诊断性meta分析,一位读者(A.U.C.)筛选了归入“心血管风险”和“冠状动脉疾病”的稿件。选取进行了心血管事件预测分析的稿件,然后收集有关AUC及置信区间或标准误的数据。未报告不确定性度量指标的稿件被排除。

在报告了95%置信区间而非标准误的稿件中,标准误使用以下公式计算:

(CI上限 − CI下限)/(2 × 1.96)

统计分析

统计分析使用R(V 4.4.2)进行[10]。

计算描述性统计量,连续变量以均值 ± 标准差表示,分类变量以百分比表示。

使用Shapiro–Wilk检验评估正态分布。

使用Kruskal–Wallis检验进行亚组分析,以评估METRICS评分是否因研究目的不同而存在显著差异。

相关性使用Spearman秩相关系数(rho)评估。

p值小于0.05被认为具有统计学意义。

使用随机效应模型进行诊断性meta分析,基于报告的曲线下面积(AUC)值综合多项研究的诊断性能。每项研究提供AUC估计值及其相应的标准误(SE),据此计算方差。

采用限制性最大似然估计拟合随机效应模型。

为可视化个体和合并估计值,生成森林图展示AUC、95%置信区间及总体汇总效应(图1)。

计算合并AUC的预测值和置信区间。

此外,采用漏斗图评估潜在的发表偏倚,并应用Egger回归检验对不对称性进行正式检验(图2)。

采用剪补法估计潜在缺失研究的数量,并获得偏倚校正后的合并AUC。

采用留一法进行敏感性分析,依次排除每项研究并重新计算合并估计值。观察到的变化用于识别潜在的影响性研究并评估荟萃分析结果的稳健性。

还进行了单变量荟萃回归,以探讨诊断性能(AUC)与研究水平特征之间的关系。连续变量(患者数量和METRICS评分)根据数据可及性和临床相关性纳入。采用随机效应模型,报告回归系数及95%置信区间。

最后,进行亚组分析,以评估合并AUC估计值是否因关键研究水平特征(预测心肌缺血或主要不良心血管事件(MACE);CT或MRI模态;心肌或心外膜/冠状动脉周围脂肪组织分割(EAT/PCAT))而异。比较各亚组的单独估计值,以探讨异质性来源和潜在效应修饰因素。

使用以下软件包:stat、metafor。

图1 心脏影像放射组学模型AUC(曲线下面积)值的森林图 查看原图 ↗
图2 评估心脏影像放射组学模型发表偏倚的漏斗图:总体荟萃分析 查看原图 ↗

结果

文献检索

PRISMA流程图展示了文章识别、筛选和纳入的步骤,见图3。检索共从三个数据库(PubMed、Scopus和Web of Science)中识别出1966条记录。在去除705条重复记录和1052条无关记录后,确定了213项研究,其中3项因非英文发表而被排除。

因此,210条记录进行了资格评估,另有8条因不同原因被排除,如图3所示。最终,202篇手稿可用于使用METRICS进行评分。

图3 文献检索PRISMA流程图 查看原图 ↗

数据收集与研究评价

总体而言,32篇(15.84%)论文于2021年发表(2月7日之后至12月31日),49篇(24.26%)于2022年发表,47篇(23.27%)于2023年发表,58篇(28.71%)于2024年发表,16篇(7.92%)于2025年发表(1月至3月10日)。关于影像模态,111篇论文以CT为影像模态,91篇论文以MRI为影像模态。

总体而言,METRICS总评分平均为54.52% ± 15.89%,其中10篇手稿(4.95%)被评为“优秀”,70篇(34.65%)为“良好”,81篇(40.09%)为“中等”,38篇(18.81%)为“低”,3篇(1.48%)为“极低”。METRICS总评分按发表年份的分布见图4。

METRICS评分与发表年份之间的相关性较弱,Spearman系数(rho)为0.04(p = 0.96)。

Shapiro–Wilk检验显示总体METRICS评分的p = 0.16,表明呈正态分布(图5)。

表1提供了METRICS条目和条件结果的汇总。

补充表S1提供了所选研究中评估的放射组学特征(如适用)。

图4 按发表年份的METRICS总评分箱线图和分布 查看原图 ↗
图5 所分析论文中METRICS总分的直方图和核密度图 查看原图 ↗
表1 单项条目和条件结果的总结,以绝对数和百分比表示 查看原表 ↗

METRICS评分和类别

各单组的评分总结于表2。

Shapiro–Wilk检验显示,除“肿瘤”类别外,所有类别的p > 0.05;“肿瘤”类别的评分数量太少,不足以进行充分评估(共2项研究)。因此,无法确保所有类别中变量的正态分布,比较时使用了非参数检验。

不同主题之间的比较显示,METRICS评分无统计学显著差异(p = 0.43)。

表2 不同类别中的METRICS评分 查看原表 ↗

诊断性荟萃分析

诊断性荟萃分析纳入了评估放射组学用于预测心血管风险或不良心脏结局的研究,不良心脏结局定义为主要不良心血管事件(MACE)的发生(例如心源性死亡、心力衰竭、心肌梗死或心血管住院)或心肌缺血。

这些结局被归为一组,因为它们代表了临床相关终点,可在各研究间一致地定义和测量,从而使方法能够充分标准化并在荟萃分析内比较结果。所选论文涉及使用放射组学预测心血管事件风险(如猝死、心力衰竭或因心血管事件住院)以及心肌缺血。

共选取了17项研究;其中8项被排除(3项因未报告AUC分析,5项因未报告置信区间或标准误)。因此,对9项研究进行了评估[11–19]。一篇论文[14]报告了两项分别针对心肌梗死和心力衰竭的分析,被分别考虑。

共有10项研究纳入总体荟萃分析,以AUC作为主要结局评估诊断性能,各研究共评估了2967例患者(2035例为MACE,932例为心肌缺血)。所选论文的平均METRICS总分为63.7%。表3总结了诊断性荟萃分析中所纳入研究的主要特征。

补充表S2总结了诊断性荟萃分析中所选文献评估的临床特征。

五项论文侧重于预测主要心脏事件(因心力衰竭住院、心肌梗死、心源性猝死或心力衰竭),四项涉及心肌缺血/急性冠脉综合征,一项论文[14]分析了两个不同人群:一个用于预测心肌缺血,另一个用于预测心力衰竭。

六项研究使用了基于CT的成像,而四项研究选择MRI作为方法。

在六项研究中,对心肌进行了分割,而在其余四项中,分割侧重于心外膜脂肪组织(EAT)/心周脂肪组织(PCAT)。

还收集了纳入研究中所用软件包的信息。所报告的放射组学工具均未获得CE或FDA临床使用标记。所用分析平台的详细信息见补充表S3。

汇总AUC为0.81(95% CI:0.75–0.87),异质性水平较高(I² = 83.4%,τ² = 0.0068)。预测区间为0.64至0.99,表明研究间存在相当大的变异性。Egger漏斗图不对称性检验具有统计学显著性(z = −2.39,p = 0.017),提示可能存在发表偏倚。

表3 纳入诊断性荟萃分析研究的主要特征 查看原表 ↗

敏感性分析与剪补法

Egger检验提示可能存在发表偏倚。

剪补法分析在漏斗图右侧插补了3项缺失研究(补充图S1)。校正后,汇总AUC为0.85(95% CI:0.79–0.91),预测区间为0.66–1.04。偏倚校正后的估计值仅略高于未校正值,提示发表偏倚对汇总诊断性能的影响较小,尽管仍存在显著异质性(I² = 84.1%,p < 0.001)。

留一法敏感性分析显示,逐一排除每项研究后,汇总AUC估计值范围为0.80(95% CI:0.74–0.86)至0.83(95% CI:0.76–0.89)(补充表S4)。

没有任何单项研究对总体汇总效应产生不成比例的影响,因为所有估计值均保持在较窄范围内且具有统计学显著性。

各迭代间残余异质性仍较高(I² = 63.8–86.0%),与主分析一致。

这些发现表明没有任何单项研究对结果产生不成比例的影响,并证实了汇总AUC估计值的稳健性。

亚组分析

主要心脏事件

在专门研究主要心脏事件的研究亚组中[11–15],汇总AUC为0.82(95% CI:0.74–0.89),存在显著异质性(I² = 76.14%,τ² = 0.0056)。预测区间为0.65至0.98,提示未来估计值存在变异性。Egger检验不显著(z = −0.69,p = 0.49),表明无明显发表偏倚证据。

急性冠脉综合征(ACS)

在聚焦于急性冠脉综合征的研究中[14, 16–19],汇总AUC为0.81(95% CI:0.70–0.91),异质性较高(I² = 82.7%,τ² = 0.0103)。预测区间为0.58至1.03,反映研究间存在相当大的变异性。Egger检验显著(z = −2.41,p = 0.016),提示可能存在发表偏倚。

CT亚组

在使用基于CT成像的研究亚组中(6项研究),汇总AUC为0.81(95% CI:0.72–0.90),存在显著异质性(I² = 74.3%,τ² = 0.0082)。预测区间为0.61至1.01,表明未来研究间存在变异性。Egger检验显著(z = −5.07,p < 0.0001),提示可能存在发表偏倚。

MRI亚组

在采用MRI的研究亚组中(4项研究),汇总AUC为0.81(95% CI:0.72–0.91),同样存在高度异质性(I² = 85.5%,τ² = 0.0076)。预测区间为0.62至1.01,提示效应估计值存在相当大的变异性。Egger检验不显著(z = −0.45,p = 0.66),表明无发表偏倚证据。

心肌分割亚组

对于聚焦心肌分割的研究(6项研究),合并AUC为0.79(95% CI:0.71–0.87),异质性相当大(I² = 78.8%,τ² = 0.0072)。预测区间为0.61至0.98,提示研究间变异显著。Egger检验不显著(z = −1.44,p = 0.15),表明没有明确的发表偏倚证据。

心外膜脂肪组织/心周脂肪组织(EAT/PCAT)分割亚组

在分析EAT/PCAT分割的亚组研究中(4项研究),合并AUC为0.85(95% CI:0.75–0.94),异质性较大(I² = 76.0%,τ² = 0.0067)。预测区间为0.66至1.04,反映研究间存在变异。Egger检验显著(z = −2.87,p = 0.0041),提示可能存在发表偏倚。

Meta回归

为探索异质性的潜在来源,进行了Meta回归分析,纳入尽可能代表潜在偏倚来源的研究水平连续变量。鉴于纳入研究数量有限(k = 10),仅检验了单变量模型,以降低过拟合和虚假关联的风险。

当将METRICS质量评分作为协变量纳入时,未观察到与诊断性能的显著关联(β = −0.023,95% CI −0.70至0.65;p = 0.94),可解释的异质性量可忽略不计(R² = 0%)。残余异质性仍然较高(I² = 85.7%,p < 0.001)。

同样,每项研究纳入的患者数量与合并AUC无显著关联(β = −0.0001,95% CI −0.0004至0.0002;p = 0.47),仅解释了研究间变异的一小部分(R² = 4.6%)。

亚组分析的森林图和漏斗图见补充图S2–S7。结果总结于补充表S5。

讨论

本系统评价和诊断性Meta分析对心脏影像学放射组学研究的现状提供了更新的、全面的评估,双重聚焦于方法学严谨性——使用METRICS框架进行评估——以及心血管风险预测中的诊断性能。本综述纳入研究的总体方法学质量为中等。202篇论文的平均METRICS评分为54.5%(± 15.9%),仅10项研究(4.9%)被评为“优秀”,大多数属于“良好”(34.7%)或“中等”(40.1%)类别。

尽管近年来发表数量不断增长(2021年2月后32篇,2022年49篇,2023年47篇,2024年58篇,2025年至3月10日16篇),但质量随时间推移没有明显改善。事实上,未发现评分与发表年份之间的显著关联(Spearman's ρ = 0.004,p > 0.05),表明评分随时间保持稳定,没有证据显示上升或下降趋势。这表明研究数量的增加尚未转化为更强的方法学标准。

大多数研究在某些关键方面表现良好。202项研究中有173项(85.6%)明确规定了纳入排除标准,151项研究(74.8%)使用了高质量参考标准。放射组学工作流程的核心步骤一致存在:195项研究(96.5%)纳入了分割,194项研究(96.0%)报告了手工特征提取。

然而,若干领域暴露出重要不足。预处理步骤在94例(46.5%)中被透明报告,而特征提取参数的明确记录仅在79例(39.1%)中提供。

仅46项研究(占总数22.8%)使用了全自动分割;仅18项研究(39.1%)对分割过程进行了正式评估,考虑到分割在影像组学工作流程中的重要性,这一比例偏低。

此外,101篇论文(占总数50%)中存在由单一读者或自动化工具生成的测试集分割掩膜。这可能表明在降低分割异质性以及由此提取的影像组学特征异质性方面存在偏倚。该条目仅出现在50%的论文中,这一事实表明需要进一步采取措施以提高心血管影像学中影像组学研究的精确性和泛化性。

此外,仅47项研究(23.3%)明确处理了混杂因素,提示在分析稳健性方面存在常见疏漏。

内部验证相对常见——在129项研究(63.9%)中进行——而外部验证仅出现在28例(13.9%)中。

透明性和可重复性严重不足:仅36项研究(17.8%)公开了数据,14项(6.9%)公开了代码,仅5项(2.5%)公开了训练好的模型。这些差距限制了独立复现的可能性,并减缓了向临床实施的进展。值得注意的是,此前关于心脏影像学影像组学研究质量的综述也发现开放科学和数据共享是一大局限,不足10%的研究符合相应的RQS标准[8]。然而,这些局限往往反映固有障碍,如隐私法规、伦理限制以及使用小型机构特异性数据集,这些都使数据共享具有挑战性。尽管存在这些限制,促进透明性、方法学标准化和代码可用性对于提高可重复性和加速影像组学研究的临床转化仍然至关重要。

按临床类别分析方法学质量时,METRICS评分在各组间未显示统计学显著差异(p = 0.43)。

代表性最强的三个类别是心肌病(51篇论文)、心血管风险(31篇论文)和冠状动脉疾病(69篇论文)。这些组显示出相对较好的平均METRICS评分(分别为56.2%、59.0%和54.1%)。其他类别的论文数量显著较少(范围为2至23篇),提示缺血性心脏病、斑块表征和心肌病仍是心血管影像学乃至影像组学研究中的核心主题。

我们还决定将注意力集中于一项诊断性荟萃分析,以了解心血管影像组学领域的研究现状。为选择适合该范围的主题,我们分析了论文数量和可能的结局:大多数研究属于心血管风险和冠状动脉疾病类别,共计100篇论文——接近总数的一半。心脏事件代表了最可标准化的结局,因为它们可以明确分类为发生或未发生。此外,研究影像分析是否具有预测潜力对于指导治疗决策或随访策略尤为重要。

迄今为止,似乎尚未有针对这一主题进行的荟萃分析。

从初始文献池中,考虑了17项研究,经过排除后,纳入了来自9项研究的10项分析(共计2967例患者)。这些入选研究的平均METRICS评分为63.7%(± 15.5%),显著高于总体队列。这表明,至少在心脑血管事件预测领域,对研究方法学的关注度更高。

这些研究的合并曲线下面积(AUC)为0.81(95% CI:0.75–0.87),提示良好的诊断准确性。然而,观察到 substantial 异质性(I² = 83.4%,τ² = 0.0068),预测区间从0.64到0.99范围广泛,表明未来研究可能产生可变的结果。

在补充图S8中,我们总结了Chen等人[15]研究的工作流程,该研究在纳入荟萃分析的研究中获得了最高的METRICS评分(总分80.6%)。该图展示了研究中报告的主要方法学步骤,作为METRICS框架如何应用于描述影像组学工作流程的示例。

Egger检验在总体分析中具有显著性(p = 0.017),提示潜在的发表偏倚。正如Kocak等人[20]所证明的,顶级临床放射学期刊几乎从不发表阴性结果,对发表阳性结果有强烈的偏倚。在我们的分析中,尽管并未仅考虑Q1期刊,我们观察到结果确实非常乐观,但有一些局限性需要考虑:仅有1项研究是前瞻性的并使用了外部验证[15];仅有2项研究是多中心的[15, 19],且10项研究中有7项使用了非影像组学模型;没有研究报告非影像组学模型的性能优于包含影像组学变量的模型(表3),且仅有1项研究报告了AUC < 0.7 [19]。此外,纳入的研究均未自由共享用于分析的数据。

敏感性和亚组分析证实了结果的稳健性。留一法分析显示合并AUC范围为0.80至0.83,证实没有单项研究对总体结果产生不成比例的影响。剪补法分析在漏斗图右侧插入了三项可能缺失的研究,得出偏倚校正后的合并AUC为0.85(95% CI:0.79–0.91),预测区间为0.66–1.04。校正后的估计值与原始值几乎相同,表明发表偏倚对合并诊断性能的潜在影响极小。

按临床背景(主要不良心血管事件(MACE)、急性冠脉综合征)、成像方式(CT、MRI)和分割目标(心肌或心外膜脂肪组织(EAT)/心包脂肪组织(PCAT))进行的亚组分析显示,尽管存在相当大的异质性,合并AUC具有可比性(0.79–0.85),反映了研究间方法学和人群相关的变异性。

仅限于代表潜在偏倚来源的连续变量(样本量和METRICS评分)的单变量荟萃回归显示,与诊断性能无显著关联,这与可用研究数量较少是一致的。

总体而言,这些分析支持合并估计值的稳健性,同时强调需要更大规模、前瞻性设计和方法学同质的研究来验证这些发现。

这些结果表明,尽管影像组学模型在心血管风险分层方面显示出有前景的诊断性能,但由于方法学异质性和可能的发表偏倚(阴性或不确定结果可能未被充分报告),其实际应用仍然受限。这种变异性凸显了需要更高程度的成像和分析方案标准化,以提高可重复性和泛化性。未来需要在多中心前瞻性研究中纳入外部验证,以确认这些发现并支持影像组学向心血管临床实践的转化。

必须承认若干局限性。(1) METRICS评估依赖于出版物中报告的信息,这意味着一些研究可能因文档记录不完整而受到不利评价,尽管其方法学是合理的。(2) 该荟萃分析仅聚焦于心血管风险预测,虽然在方法学上保持一致,但限制了其结果对其他心脏疾病的泛化范围。(3) 纳入荟萃分析的研究数量相对较少;仅9篇论文和10项研究被纳入荟萃分析,反映了报告可比定量数据的研究数量有限。尽管这限制了结果的泛化性,但严格的选择通过排除具有异质性或非标准化终点的研究确保了方法学一致性。(4) 存在显著异质性和发表偏倚,进一步限制了合并结果的强度。(5) 本系统评价未进行前瞻性注册,也未专门检索Cochrane数据库,这可能限制了文献检索的完整性。(6) 未评估METRICS的读者间一致性。如Akinci D'Antonoli等[21]所示,METRICS在受过培训和未受过培训的读者中的可重复性为差至中等。在解释结果时必须考虑这一数据,因为对评分的过于乐观或过于悲观的评估可能使结果产生偏倚。未来一个可能的方向是在心血管成像背景下专门评估METRICS的可重复性。

总之,尽管本研究中METRICS平均评分为中等,但鉴于纳入研究的异质性,不应将其视为低分。此外,尽管存在一定的发表偏倚,预测心肌缺血和主要不良心血管事件(MACE)的良好合并AUC表明影像组学在心血管成像和疾病预测领域具有潜力。为推进临床转化,未来研究必须优先考虑外部验证、透明报告以及数据和模型的共享。只有通过严谨和开放的研究实践,影像组学才能真正成为精准心血管医学的可靠组成部分。

补充信息

电子补充材料

引用

  1. Cavallo AU, Ponsiglione A, Pereira B, et al. CT and MRI radiomics in cardiovascular risk prediction: a systematic review and meta-analysis by the EuSoMII Radiomics Auditing Group. Eur Radiol. 2025. PMID: 41441995. doi:10.1007/s00330-025-12236-2
  2. 全文:PMC13086800(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC13086800/

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。