放射组学与视觉及直方图评估在冠状动脉CT血管成像中识别动脉粥样硬化病变:一项离体研究
本前瞻性离体研究对7颗供体心脏的21条冠状动脉行冠状动脉CT血管成像,将611个组织学横断面与CT横断面配准,以组织学为标准,比较放射组学机器学习、视觉评估和直方图评估识别晚期动脉粥样硬化病变的诊断效能;在验证集上放射组学模型AUC为0.73,优于视觉评估的0.65、低衰减面积的0.55和平均CT值的0.53。
要点
- 放射组学机器学习模型识别晚期动脉粥样硬化病变的AUC为0.73(95%CI 0.63, 0.84)。
- 专家视觉评估斑块衰减模式的AUC为0.65(95%CI 0.56, 0.73),低于放射组学模型(P = .04)。
- 直方图低衰减面积(<30 HU)AUC为0.55,平均CT值AUC为0.53,诊断效能差。
核心结论
- 基于放射组学的机器学习分析提高了冠状动脉CT血管成像识别晚期动脉粥样硬化病变的鉴别能力。
研究设计与样本
- 前瞻性离体研究,纳入7颗男性供体心脏的21条冠状动脉,供体平均年龄52.3岁±5.3。
- 于2009年2月23日至2010年7月31日行离体冠状动脉CT血管成像,使用64排CT扫描仪,层厚0.6 mm、重建间隔0.4 mm。
- 共611个组织学横断面与CT横断面配准,排除无可见斑块(n = 134)和重度钙化(n = 32)的断面后分析445个断面。
- 以组织学检查为参考标准,晚期病变定义为存在早期纤维粥样斑块、晚期纤维粥样斑块或薄帽粥样斑块。
- 数据随机分为训练集(445个断面中的333个,75%)和验证集(445个断面中的112个,25%),训练8种机器学习模型,以验证集评估诊断效能。
关键影像表现/征象
- 445个断面中,视觉评估显示207个(46.5%)为均匀斑块、200个(44.9%)为不均匀斑块、38个(8.5%)为餐巾环征。
- 445个断面中134个(30.1%)为晚期病变。
- 早期与晚期动脉粥样硬化病变在均匀、不均匀和餐巾环征衰减模式分布上存在差异(P < .001)。
诊断标准与关键数值
- 放射组学机器学习模型(纳入13个参数)在验证集识别晚期病变的AUC为0.73(95%CI 0.63, 0.84)。
- 视觉评估斑块衰减模式方案在验证集的AUC为0.65(95%CI 0.56, 0.73),与放射组学模型相比P = .04。
- 直方图低衰减面积(<30 HU)在验证集的AUC为0.55(95%CI 0.42, 0.68),与放射组学模型相比P = .01。
- 斑块横断面平均CT值在验证集的AUC为0.53(95%CI 0.42, 0.65),与放射组学模型相比P = .004。
临床应用与阅片要点
- 放射组学机器学习模型在离体冠状动脉CT血管成像横断面上识别晚期动脉粥样硬化病变的鉴别能力优于专家视觉评估斑块衰减模式。
- 直方图低衰减面积(<30 HU)和平均CT值识别晚期病变的诊断效能差。
局限性
- 原文指出既往研究在整个数据集上评估诊断准确度,结果过于乐观,妨碍推广到其他人群。
- 原文指出定性影像标志物即使在有经验的读者间可重复性也差,基于视觉评估的结果普遍性有限。
- 原文指出直方图方法受不同组织成分CT值可能重叠的限制。
- 原文在讨论末尾提及本研究的AUC可能被一些人认为有限,原文在此处截断,未完整给出后续说明。
全文中译16 节 · 点击展开
摘要
基于放射组学的冠状动脉CT血管造影机器学习在识别晚期动脉粥样硬化病变方面,与视觉评估和直方图评估相比具有更高的诊断准确性。
关键结果
■ 在来自95个冠状动脉斑块的445个组织学横断面中,有134个被识别为晚期动脉粥样硬化病变(即存在早期纤维粥样斑块、晚期纤维粥样斑块或薄纤维帽粥样斑块),并与冠状动脉CT血管造影图像进行了配准。
■ 专家对CT血管造影的视觉评估在检测晚期动脉粥样硬化病变方面显示出中等诊断性能(受试者工作特征曲线下面积[AUC] = 0.65)。
■ 基于放射组学的机器学习模型显示出优于专家视觉评估(AUC = 0.65,P = .04)、低CT衰减区域(<30 HU)的直方图测量(AUC = 0.55,P = .01)以及斑块横断面平均Hounsfield单位(AUC = 0.53,P = .004)的性能(AUC = 0.73)。
引言
改良的美国心脏协会分类方案将冠状动脉粥样硬化斑块分为六个组织学类别:适应性内膜增厚、病理性内膜增厚、纤维斑块、早期纤维粥样斑块、晚期纤维粥样斑块和薄纤维帽纤维粥样斑块(1,2)。适应性和病理性内膜增厚以及纤维斑块被认为是早期动脉粥样硬化病变,而早期和晚期纤维粥样斑块以及薄纤维帽纤维粥样斑块是与心肌梗死较高风险相关的晚期动脉粥样硬化病变(3–7)。因此,无创识别晚期病变的能力可以改善风险分层和对未来心血管事件的预测。
冠状动脉CT血管造影有助于无创地表征斑块的形态学特征和组成。根据对非钙化斑块区域CT衰减模式的视觉评估,非钙化和部分钙化斑块可区分为均匀型、不均匀型和餐巾环征斑块(8,9)。以组织学发现为参考标准,斑块衰减模式方案在识别晚期动脉粥样硬化病变方面优于传统斑块分类(钙化、部分钙化和非钙化)(10)。近年来,定量直方图分析和低衰减斑块的面积或体积已被提出作为高风险病变的标志物(11–13)。然而,放射学图像所包含的信息远远超出我们视觉上所能理解或用简单手动测量所能量化的范围(14–16)。
放射组学是指从放射学图像中提取数千个描述病变异质性和空间复杂性的成像标志物的过程(17)。这些定量特征可用作机器学习(ML)的输入。我们假设,放射组学参数的ML分析在识别晚期动脉粥样硬化病变方面将优于视觉评估和基于直方图的方法。因此,我们的目标是以组织学检查为参考标准,比较基于放射组学的ML与视觉和基于直方图的斑块评估在识别晚期冠状动脉病变方面的诊断性能。
材料与方法
研究设计
在这项前瞻性研究中,图像采集于2009年2月23日至2010年7月31日之间。同一数据集此前已被用于研究图像重建和勾画方法对冠状动脉斑块评估的影响(18–20);用于比较冠状动脉CT血管造影、血管内超声和光学相干断层扫描成像对晚期动脉粥样硬化病变的成像标志物(21);以及评估餐巾环征的价值和组织学预测因素(10,22)。在本研究中,我们希望评估基于影像组学的机器学习是否能优于先前描述的餐巾环征。我们的研究获得了机构伦理委员会的批准,并按照《健康保险流通与责任法案》、地方和联邦法规以及《赫尔辛基宣言》执行。已从捐献者或近亲处获得书面知情同意。作者对数据和提交发表的信息拥有完全控制权。
研究队列
供体心脏由国际医学促进研究所(宾夕法尼亚州杰瑟普)提供。供体心脏纳入标准为:来自年龄在40至70岁之间、有心肌梗死病史或经诊断性检查证实冠状动脉疾病的男性(10,21)。有冠状动脉旁路移植术的供体被排除。允许的最长温热和冷缺血时间分别为6小时和15小时。总体而言,共研究了七个离体供体心脏(供体平均年龄±标准差:52.3岁±5.3)。死因为卒中(n = 6)和自杀(n = 1)。
心脏制备与冠状动脉CT血管造影
心脏制备方法此前已有描述(10,21)。新鲜心脏未经福尔马林固定,使用64排CT扫描仪(High-Definition、GE Discovery或CT 750HD;GE Healthcare,威斯康星州密尔沃基)进行成像。对于冠状动脉CT血管造影,使用了3%的碘化对比剂(碘帕醇[Isovue 370;Bracco Diagnostics,意大利米兰])和甲基纤维素(Methocel;Dow Chemical,密歇根州米德兰)混合物。所有数据集均以序列采集模式获取,准直为64×0.625 mm,旋转时间为0.35秒,管电压为120 kV,管电流-时间乘积为500 mAs。图像以0.6 mm层厚和0.4 mm增量使用自适应迭代重建技术(ASIR,GE Healthcare)进行重建。冠状动脉CT血管造影图像使用离线工作站(Leonardo;Siemens Healthcare,德国埃尔朗根)进行分析。CT成像后,将冠状动脉连同周围组织切除并结扎侧支。标本制备和冠状动脉CT血管造影在接收心脏后4小时内完成,以避免潜在的死后组织变化。
组织学分类
组织学制备和分析由一位拥有20年以上经验的认证病理学家在专门从事心血管组织病理学的病理研究所(CVPath研究所,马里兰州盖瑟斯堡)完成。冠状动脉包埋于石蜡中,分别以1.5 mm和2 mm的间隔切片(分别为382和185个切面)。无明显动脉粥样硬化病变的冠状动脉节段每5 mm切片一次(44个切面)。单个组织学切片的厚度为6 μm。所有切片均采用Movat五色染色(23)。每个横断面根据改良美国心脏协会分类方案分为以下类别:适应性内膜增厚、病理性内膜增厚、纤维斑块、早期纤维粥样斑块、晚期纤维粥样斑块和薄帽纤维粥样斑块(图1、2)(1,2)。适应性和病理性内膜增厚及纤维斑块被视为早期动脉粥样硬化病变,早期和晚期纤维粥样斑块及薄帽纤维粥样斑块归类为晚期病变。
冠状动脉CT血管造影视觉分析
组织学切片与冠状动脉CT血管造影图像配准的方法此前已有描述(10)。一位经验丰富的阅片者(P.M.H.,具有6年冠状动脉CT血管造影经验)对所有冠状动脉CT血管造影横断面(训练和验证数据集)进行定性判读,并基于传统方案和斑块衰减模式方案进行分类,具体方法此前已详细描述(10)。所有判读均对组织学结果设盲,并采用固定窗设置(窗宽700 HU;窗位200 HU)进行。
基于直方图的冠状动脉CT血管造影分析
所有冠状动脉CT血管造影横断面均由J.K.(具有5年冠状动脉CT血管造影经验)使用专用开源软件(3D Slicer,版本4.8.1;https://www.slicer.org/)按照直接斑块追踪法(20,24)手动分割。斑块分割结果用作掩膜图像,以选择包含斑块的体素。图像以NRRD文件导出,并导入R环境(25)中的开源放射组学图像分析软件包(版本1.4.1;https://CRAN.R-project.org/package=RIA)。对于基于直方图的评估,从分割后的冠状动脉CT血管造影图像中计算低衰减区域(<30 HU)的面积和平均Hounsfield单位。
放射组学分析
随后,使用放射组学图像分析软件将分割图像的体素值离散化为16、32和64个等大小(具有相同Hounsfield单位范围)和等概率(具有相同体素数量)的箱,从而产生六幅附加图像(25,26)。总体而言,在原始体素值上计算了44个一阶统计量(描述病变的Hounsfield单位分布)。在离散化图像上计算了114个灰度级共现矩阵参数(描述相似值的体素相邻出现的频率)和11个灰度级游程长度矩阵参数(描述相邻的相似值体素数量),结果为6 × 114 = 684和6 × 11 = 66个参数。在基于几何的参数(描述病变的空间特征,例如平滑度或自对称性)中,表面积、特定离散化值表面积与总表面积之比以及分形盒计数,以及信息和相关维度在原始图像和离散化图像的每个值上计算,结果为5 + (2 × 16 × 5) + (2 × 32 × 5) + (2 × 64 × 5) = 1125个参数。总共为每个横断面计算了1919个参数。每个放射组学参数的详细描述已在先前发表(15,17)。
机器学习模型构建
为获得诊断准确性的无偏估计,我们的数据集被随机分为训练集和验证集。在训练集上训练了八个独立的机器学习模型。为选择最佳模型和每个模型的最佳超参数,我们在训练集上进行了五折交叉验证。该技术随机选择80%的数据集用于训练模型,然后在剩余20%(调优集)上评估模型。此过程重复五次,直到每个横断面均有一次成为调优集的一部分。诊断性能通过使用受试者工作特征曲线下面积(AUC)进行评估。交叉验证期间五个AUC值的平均值用于描述该特定模型在给定超参数值下的判别能力。通过使用随机网格搜索(27,28)为超参数值分配随机值,对每种类型的机器学习模型重复此过程1000次。
模型构建包括以下步骤:(a) 排除方差为0的参数,(b) 使用中位数和四分位距对参数进行稳健缩放,(c) 通过假阳性率检验或家族错误率检验选择低于随机显著性水平(超参数)的参数,(d) 进行主成分分析,描述随机分配的(超参数)方差部分,(e) 使用随机分配的超参数拟合给定的机器学习(ML)模型。拟合了以下类型的机器学习模型:逻辑回归、K近邻、随机森林、最小角回归、朴素贝叶斯、高斯过程分类器、决策树和深度神经网络(27,28)。在训练集上表现最佳的机器学习模型随后应用于验证集。在斑块衰减模式方案和基于直方图的测量中,对训练集拟合逻辑回归模型,然后将其应用于验证集以评估判别能力。所有模型构建均在Python环境(版本3.6.2,Beaverton,Ore;https://www.python.org/)中使用Scikit-learn包(版本0.19.1;https://scikit-learn.org/)完成(27)。分析所用代码可在https://github.com/martonkolossvary/radiomics_ex-vivo_src获取。
统计分析
连续变量以平均值和标准差表示,分类变量以频数和百分比报告。分类变量使用χ2检验进行比较。视觉评估、基于直方图的方法和基于影像组学的机器学习在验证集上的诊断准确性使用受试者工作特征曲线进行评估。计算AUC的95%置信区间(CI),并使用DeLong方法比较受试者工作特征曲线(29)。
所有统计计算均在Python和R(版本3.4.2,Vienna,Austria;https://www.r-project.org/)环境中完成。双侧P < .05被认为表示差异具有统计学意义。
横截面的组织学和CT分类分布
总体而言,我们评估了来自7个供者心脏21条冠状动脉的611个组织学切片。平均血管长度为67 mm(范围25–110 mm)。在611个切面中,71个(11.6%)被鉴定为适应性内膜增厚,222个(36.3%)为病理性内膜增厚,179个(29.3%)为纤维斑块,59个(9.7%)为早期纤维粥样斑块,60个(9.8%)为晚期纤维粥样斑块,20个(3.3%)为薄纤维帽粥样斑块;477个(78.1%)含有CT血管造影可检测到的斑块。在这477个横截面中,254个(53.2%)存在非钙化斑块,191个(40.0%)存在部分钙化斑块,32个(6.7%)存在钙化斑块。由于基于斑块衰减模式的分类基于非钙化斑块成分,所有分析均在排除含有纯钙化病变的横截面后进行。因此,共分析了445个横截面。
数据集被随机分为训练集(445个横断面中的333个,75%)和验证集(445个横断面中的112个,25%)。所分析斑块的组织学和CT血管造影分类分布见表2。根据传统CT血管造影分类方案或斑块衰减分类方案,训练集和验证集在早期或晚期动脉粥样硬化病变类别及斑块类型的分布上无差异(早期动脉粥样硬化病变:P = .90;晚期动脉粥样硬化病变:P = .71;传统斑块分类:P = .26;斑块衰减模式:P = .41)。
非钙化和部分钙化斑块中早期和晚期动脉粥样硬化病变的分布在所有横断面中相似(P = .08)。相反,显示均匀、不均匀和餐巾环征衰减模式的CT血管造影横断面在早期和晚期动脉粥样硬化病变之间的分布存在差异(P < .001)。详细结果见表3。
冠状动脉CT血管造影对晚期动脉粥样硬化病变的识别
在基于放射组学的机器学习模型中,最小角回归模型在训练集上提供了最佳的判别能力。基于放射组学的机器学习模型在训练集上的诊断准确性见表4。以下处理流程的超参数在使用最小角回归模型的训练集上产生了最佳结果。首先,我们排除了所有零方差参数,并基于中位数和四分位距对参数进行了缩放。接下来,分别使用α = .05和α = .0007的显著性水平进行家族错误率和假阳性率检验,以基于训练集选择最佳预测因子。然后,我们进行主成分分析以构建解释数据中95%变异的衍生参数。随后,选择13个参数作为最小角回归模型的输入。然后将该拟合模型应用于验证集以评估模型的無偏判别能力。基于放射组学的机器学习模型在验证集上取得了良好的诊断准确性(AUC = 0.73 [95% CI:0.63,0.84])。斑块衰减模式方案取得了中等的诊断准确性(AUC = 0.65 [95% CI:0.56,0.73]),而基于直方图的低衰减面积测量(<30 HU)和斑块横断面的平均Hounsfield单位在验证集上产生了较差的诊断准确性(AUC分别为0.55 [95% CI:0.42,0.68]和0.53 [95% CI:0.42,0.65])。基于放射组学的机器学习模型优于专家视觉评估(AUC = 0.73 vs 0.65;P = .04)以及基于直方图的低衰减面积测量(<30 HU)(AUC = 0.73 vs 0.55,P = .01)和斑块横断面的平均Hounsfield单位(AUC = 0.73 vs 0.53,P = .004)。在验证集上评估的相应模型的受试者工作特征曲线见图3。
讨论
我们从七个离体心脏中,在冠状动脉CT血管造影图像的训练集(445个横截面中的333个,75%)上训练了一个基于放射组学的机器学习模型,以识别晚期动脉粥样硬化病变。当我们在单独的验证集(445个横截面中的112个,25%)上评估结果时,我们发现基于放射组学的机器学习与CT血管造影横截面中的斑块衰减模式方案相比(受试者工作特征曲线下面积[AUC]:分别为0.73 vs 0.65;P = .04)以及基于直方图的测量低衰减面积(<30 HU)(AUC = 0.73 vs 0.55;P = .01)和斑块横截面的平均Hounsfield单位(AUC = 0.73 vs 0.53;P = .004),能更好地区分早期和晚期动脉粥样硬化病变。
晚期动脉粥样硬化病变的大坏死核心本身具有较高的斑块破裂风险;因此,识别这些病变至关重要(7)。冠状动脉CT血管造影因其无创性和广泛可及性,将是识别这些晚期病变的理想成像方式。此前已有研究表明,基于斑块衰减模式的方案在识别晚期动脉粥样硬化病变方面优于传统分类(AUC:分别为0.76 vs 0.68;P = .001)(10)。然而,既往研究是在整个数据集上评估诊断准确性;因此,那些结果过于乐观,阻碍了结果向其他人群的推广。此外,由于定性成像标志物的可重复性较差,即使在经验丰富的读者中也是如此,基于视觉评估的结果的普遍性有限(30)。需要更客观、更少依赖读者经验的方法。
为克服视觉评估的局限性并提供更客观的方法来表征动脉粥样硬化斑块,已提出了基于Hounsfield单位测量的定量直方图方法(11–13)。既往结果显示,量化的低衰减斑块体积或面积与大脂质核心的存在之间具有良好的相关性(11,18,31)。然而,定义晚期动脉粥样硬化病变的不仅是富含脂质斑块成分的存在,还包括各种组织成分的空间分布(10)。此外,这些方法受到不同组织成分可能具有重叠Hounsfield单位这一事实的限制(31)。
放射组学已被证明能够以极佳的诊断准确度识别餐巾环征斑块(15)。同样,MRI也可用于对动脉粥样硬化病变进行分类,并且已有研究表明,对MRI图像的放射组学分析能够区分基底动脉中有症状的急性或亚急性斑块与无症状斑块(32–34)。此外,机器学习已被证明是医学数据分析中的有价值工具(35,36),通过使用替代统计技术从大数据数据库中识别洞见。这些方法并非使用传统统计方法,而是基于源自我们如何学习和感知周围环境的方法(37)。机器学习在医学图像分析中似乎也有帮助,因为我们的结果表明,将机器学习应用于冠状动脉CT血管造影图像的放射组学特征优于当前方法。尽管我们的AUC在有些人看来可能有限,但我们想强调,基于近期数据表明局部斑块组成在识别未来导致心肌梗死的斑块破裂位置方面具有较低的阳性预测值(38),我们的放射组学标志物可作为额外工具来细化风险分层并量身定制药物治疗。为此,我们的AUC似乎是可接受且有意义的。
我们的研究存在局限性。我们的结果基于从无运动的理想环境中采集的冠状动脉CT血管造影图像;因此,将我们的结果转化至体内环境可能受限。此外,尽管横断面数量相对较大,我们的分析仅基于7颗心脏。另外,训练集和验证集由来自同一个体的横断面组成,这可能使我们的结果产生偏倚。然而,我们选择按每个横断面而非个体水平随机选择验证数据集,因为仅选择一两个病例进行验证可能不能很好地代表一般人群。此外,为克服模型的过拟合,我们在单独的验证集上评估了诊断性能。而且,我们数据集中晚期动脉粥样硬化病变、尤其是薄纤维帽粥样斑块的总数较少;然而,这代表了一般人群的情况。另外,我们未分析纯钙化斑块,因为钙的部分容积效应妨碍了对软组织成分的分析,因此我们的结果不能推广至所有斑块类型。此外,我们的放射组学结果基于来自一台扫描仪、一种重建和一种滤过设置的图像;因此,这些结果在这些设置之外的推广性尚不清楚。最后,手动分割是生成感兴趣区的先决条件,而感兴趣区作为直方图和放射组学模型的输入。
总之,我们的结果表明,基于放射组学的机器学习在识别晚期动脉粥样硬化病变方面优于专家视觉评估和基于直方图的方法。尽管冠状动脉CT血管造影的空间分辨率有限,但将机器学习应用于放射组学特征可以提高冠状动脉CT血管造影在识别高风险动脉粥样硬化病变方面的诊断准确度,因此可能有助于对患者进行风险分层。
引用
- Kolossváry M, Karády J, Kikuchi Y, et al. Radiomics versus Visual and Histogram-based Assessment to Identify Atheromatous Lesions at Coronary CT Angiography: An ex Vivo Study. Radiology. 2019. PMID: 31385755. doi:10.1148/radiol.2019190407
- 全文:PMC6776230(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC6776230/
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。