基于CCTA的冠周脂肪影像组学特征预测3年内急性冠脉综合征
该回顾性病例对照研究从CCTA提取斑块周围冠周脂肪的107个影像组学特征,构建影像组学评分、斑块评分及整合评分,在训练集和测试集中评估其对3年内急性冠脉综合征的预测能力。结果显示影像组学评分AUC在训练集和测试集分别为0.826和0.811,优于斑块评分(0.699和0.640),整合评分AUC为0.838和0.826,但较影像组学评分提升不显著。
要点
- 斑块周围冠周脂肪影像组学评分可预测3年内ACS,训练集AUC=0.826,测试集AUC=0.811。
- 影像组学评分在训练集显著优于基于MLD和HRP的斑块评分(AUC 0.826 vs 0.699,p=0.009)。
- 整合评分较影像组学评分无显著提升(训练集p=0.314),但决策曲线显示其临床净获益高于斑块评分。
核心结论
- 基于CCTA的冠周脂肪影像组学特征有潜力预测后续ACS的发生。
- 基于影像组学的整合评分在识别3年内未来ACS方面显著优于斑块评分。
研究设计与样本
- 回顾性病例对照研究,连续纳入2013年1月至2019年9月两院区因疑似CAD行CCTA的患者。
- ACS组90例,按年龄、性别、BMI、传统心血管危险因素及基线用药与无心脏事件对照组1496例匹配。
- 按3:1随机分为训练集和测试集,从斑块周围PCAT提取107个影像组学特征,并分析14个常规斑块特征。
- CCTA扫描使用256层CT或双层光谱探测器CT,斑块分析使用半自动软件IntelliSpace Portal。
- PCAT定义为外血管壁径向距离等于目标血管平均直径内−190至−30 HU的体素。
关键影像表现/征象
- ACS组中STEMI 13例(14.44%)、NSTEMI 25例(27.78%)、不稳定型心绞痛52例(57.78%)。
- CCTA扫描至ACS发生的平均时间为15.19±11.15个月。
- 训练集中MLD、MLA、DS和HRP四个斑块特征在两组间有显著差异,测试集中均无统计学意义。
- PCAT影像组学特征显示较低均匀性和较高异质性与未来ACS可能性相关。
诊断标准与关键数值
- 影像组学评分训练集AUC=0.826(95%CI 0.758–0.895),测试集AUC=0.811(95%CI 0.678–0.944)。
- 斑块评分训练集AUC=0.699(95%CI 0.611–0.786),测试集AUC=0.640(95%CI 0.473–0.807)。
- 整合评分训练集AUC=0.838(95%CI 0.773–0.904),测试集AUC=0.826(95%CI 0.700–0.952)。
- 训练集中影像组学评分与整合评分无显著差异(p=0.314),两者均显著优于斑块评分(p=0.009和p<0.001)。
- 斑块评分由MLD和HRP两个斑块特征构建,影像组学评分由14个非零系数影像组学特征线性组合计算。
临床应用与阅片要点
- 阅片时可关注斑块周围PCAT的影像组学异质性,其可能反映局部炎症反应并与后续斑块破裂相关。
- 整合评分以列线图形式呈现,纳入MLD、HRP和影像组学评分,可用于个体化风险分层。
- 决策曲线分析显示整合评分和影像组学评分临床净获益高于斑块评分。
- 分层分析显示三种模型性能不受管电压(100kV、120kV)、CT版本及院区影响(均p>0.05)。
局限性
- 单中心回顾性病例对照研究,样本量相对较小,需独立外部队列验证。
- 研究仅基于患者水平分析PCAT影像组学表型,未扩展至病变水平。
- 手动勾画ROI较耗时且易受人为因素影响,图像重建过程受放射科医生经验影响。
全文中译25 节 · 点击展开
引言
急性冠脉综合征(ACS)往往是冠状动脉疾病(CAD)的首发表现,也是全球大多数人群的主要死因[1, 2]。作为一种广泛使用的无创影像学方法,冠状动脉计算机断层扫描血管造影(CCTA)通过实现可靠的冠状动脉斑块特征描述与定量分析而展现了其临床价值[3, 4],尤其是对不良斑块特征(APC)的识别[5]。由于斑块破裂是一个复杂的生物力学过程,易损斑块进展为ACS的临床结局可能受多种因素影响。其中,血管炎症被认为是斑块形成和破裂的关键因素,从而导致后续ACS的发生[6]。近期一项关于随机对照试验的综述提示,对CAD患者使用秋水仙碱减轻炎症可降低ACS的发生率[7]。因此,将斑块特征与血管炎症相结合的综合评估可能进一步增强对ACS的预测。
已有研究证实,血管壁与冠状动脉周围脂肪组织(PCAT)之间存在持续的双向作用;炎症血管壁释放的促炎因子以旁分泌方式扩散至PCAT,抑制前脂肪细胞分化和脂质蓄积[8–10]。Antonopoulos AS等提出了一种新的影像生物标志物——脂肪衰减指数(FAI),其捕捉PCAT的CT衰减变化,并进一步揭示血管炎症诱导的PCAT组成变化[10]。近期临床研究表明,从CCTA测量的PCAT衰减可能有助于识别高危斑块(HRP)进展并改善对不良心脏事件的预测[11, 12]。然而,PCAT组成的变化不仅与血管炎症相关,还与以纤维化和血管化为特征的功能障碍性脂肪组织重塑相关[13, 14]。因此,这种仅依靠CT衰减来反映PCAT组成变化而未考虑体素间复杂空间关系的方法,可能导致不同病理之间存在一定重叠。
影像组学是指将数字医学图像转换为可挖掘的高维数据的过程,即高通量提取定量图像特征以提供临床决策支持[15, 16]。影像组学最初应用于肿瘤学。值得注意的是,它已逐渐应用于冠状动脉病变和心肌[17–21]。Oikonomou EK等[22]首次提出PCAT的一种新型放射转录组学特征可检测PCAT组成中额外的疾病相关变化;同时,他们基于机器学习的PCAT影像组学分析可显著改善心脏风险预测。近期一项基于CCTA的冠状动脉斑块周围PCAT影像组学特征描述的报告[23]发现,急性MI患者与稳定型或无CAD患者之间存在明显的PCAT影像组学表型差异,但斑块周围PCAT影像组学对未来不良心脏事件的预测价值尚未提及。因此,本研究旨在开发一种基于CCTA的冠状动脉病变周围PCAT影像组学特征,以识别未来3年内发生ACS的患者。
材料与方法
研究设计与人群
研究人群为回顾性连续纳入的2013年1月至2019年9月期间在我院两个不同院区因疑似冠心病(CAD)接受冠状动脉CT血管成像(CCTA)检查的患者。我们纳入自末次CCTA检查后3年内发生急性冠脉综合征(ACS)事件且在侵入性冠状动脉造影中明确罪犯病变的患者。ACS患者与3年随访期间无不良心脏事件的患者进行了良好匹配(根据年龄十分位数、性别、体重指数、传统心血管危险因素和基线用药情况)。患者招募和研究设计的流程图见图1。本回顾性研究设计经当地机构审查委员会批准(编号2021PS010K),无需知情同意。
CCTA采集
所有CCTA扫描均在256层CT扫描仪或双层光谱探测器CT(SDCT)上完成。关于我院两个不同院区CCTA方案的更多细节见补充材料。
冠状动脉斑块分析
由一名对临床数据和CCTA结果不知情的独立观察者使用半自动化软件(IntelliSpace Portal,Philips Healthcare)对ACS患者的罪犯病变和对照组患者的最高级别狭窄病变进行冠状动脉斑块的定量和定性分析(补充材料)。必要时手动调整管腔和血管轮廓。最终,共获得14项常规斑块特征。
冠状动脉周围脂肪组织(PCAT)分割和影像组学特征提取
鉴于近期研究表明冠状动脉斑块周围的PCAT有潜力成为斑块易损性的敏感影像学标志物[23–25],我们对ACS患者的罪犯病变周围进行了PCAT分割。由于对照组无罪犯病变,我们选择每位患者最高级别狭窄的非罪犯病变进行PCAT影像组学表型分析[23]。PCAT定义为位于外血管壁径向距离内(等于目标血管平均直径)、CT值在−190至−30 HU范围内的所有体素。PCAT分割的详细过程见补充材料。
总共,我们参考影像生物标志物标准化倡议(IBSI)[26],使用人工智能工具包(A.K.,GE Healthcare)从斑块周围PCAT中提取了107个影像组学特征(补充材料)。
为确保所建模型的稳健性和稳定性,采用组内相关系数(ICC)评估影像组学特征的读者间可重复性(补充材料)。ICC值>0.75的特征被认为具有良好的一致性[27]并保留用于后续分析。图2展示了本研究的影像组学工作流程。
特征选择和预测模型构建
我们开发了三种预测模型以确定后续发生ACS患者的区分能力;其构建过程详述如下:
斑块评分
采用单因素logistic回归筛选p < 0.05的斑块预测因子,然后使用多因素logistic回归通过后向逐步消除法识别显著特征。最后,根据上述选定的斑块预测因子按其各自系数加权计算斑块评分。
放射组学评分
首先,我们选择ICC > 0.75的特征进行后续分析。其次,为降低过拟合风险,我们进一步剔除在|r|≥ 0.9水平上具有高度两两相关性的特征。第三,采用最小绝对收缩和选择算子(LASSO)回归,通过10折交叉验证选择系数非零的最显著放射组学特征(补充材料)。然后通过所选特征的线性组合按其各自系数加权计算每位患者的放射组学评分。
综合评分
使用多因素logistic回归,通过放射组学评分和所选斑块预测因子的线性组合计算每位患者的综合评分。
统计分析
所有统计分析均使用R软件(版本3.5.1;http://www.Rproject.org)进行。本研究使用的R包列于补充材料中。连续变量根据数据分布以均值 S ± 标准差或中位数(第25、75百分位数)表示。采用卡方检验比较两组间的分类变量;连续变量酌情采用Student t检验或Mann-Whitney U检验。
在独立测试数据集中,通过区分度、校准度和临床应用评估三种所开发模型的性能。
区分度
采用受试者工作特征(ROC)曲线评估三种预测模型识别后续发生ACS患者的诊断性能。采用DeLong检验比较不同模型或不同数据集之间的ROC曲线下面积(AUC)。
校准度
绘制校准曲线以评估三种预测模型的观察结局频率与预测概率之间的一致性。采用Hosmer–Lemeshow检验确定模型的拟合优度,p > 0.05被认为校准良好。
临床应用
进行决策曲线分析(DCA),通过量化不同阈值概率下的净获益来评估三种预测模型的临床实用性。
按不同CT方案和不同扫描部位进行分层分析。
结果
患者临床特征
训练集和测试集中患者的临床特征详见补充材料。在ACS患者中,13例(14.44%)表现为ST段抬高型心肌梗死(STEMI),25例(27.78%)表现为非ST段抬高型心肌梗死(NSTEMI),52例(57.78%)表现为不稳定型心绞痛(UA)。冠状动脉CTA扫描与ACS发生之间的平均持续时间为15.19 ± 11.15个月。在训练集和测试集中,两组间临床特征分布均无显著差异。
冠状动脉斑块分析
训练集和测试集中的常规斑块特征见表1。在斑块分析中,我们观察到训练集中两组之间有4个斑块特征(包括最小管腔直径(MLD)、最小管腔面积(MLA)、DS和HRP)存在显著差异,但在测试集中未发现统计学显著性。训练集和测试集之间所有斑块特征均无显著差异(p > 0.05)。
特征选择与预测模型构建
分别开发了三种预测模型以确定对未来ACS的预测能力。三种模型的详细计算公式及分布见补充材料。
斑块评分
在常规斑块特征中,我们通过单因素和多因素logistic回归发现两个斑块特征(MLD和HRP)与未来ACS的发生显著相关,然后通过多因素logistic回归分析将它们联合构建斑块评分。
影像组学评分
共有103个影像组学特征在观察者间分析中显示出良好的稳定性(ICC > 0.75)(补充材料);经Spearman相关分析去冗余后,保留41个特征;最终,经LASSO回归分析筛选出14个系数非零的显著影像组学特征,用于计算影像组学评分(补充材料)。
综合评分
进一步开发了将所选斑块预测因子(MLD、HRP)与影像组学评分相结合的综合评分用于预测后续ACS,并以列线图形式呈现(图3)。
性能评估
区分度
绘制影像组学评分、斑块评分和综合评分的ROC曲线以揭示训练集和测试集中区分ACS的性能(图4)。测量AUC、灵敏度和特异度值以量化三种预测模型的区分能力(表2)。影像组学评分在训练集和测试集中均取得了优于斑块评分的区分能力(AUC = 0.826 [95%CI: 0.758–0.895],0.811 [95%CI: 0.678–0.944])(斑块评分AUC = 0.699 [95%CI: 0.611–0.786],0.640 [95%CI: 0.473–0.807]),而综合评分区分能力的提升(AUC = 0.838 [95% CI: 0.773, 0.904],0.826 [95% CI: 0.700, 0.952])与影像组学评分相比无统计学意义。
Delong检验显示,三种模型在训练集和测试集之间的AUC无统计学差异,p值分别为0.544、0.841和0.865(表2)。此外,在训练集中影像组学评分与综合评分之间无显著差异(p = 0.314),但两者在统计学上均优于斑块评分(分别为p = 0.009和p < 0.001);在测试集中三种评分之间无统计学差异(均p > 0.05)。
校准
三种预测模型的校准曲线在训练集和测试集中均显示预测概率与观察概率之间对ACS发生概率具有良好拟合度(Hosmer–Lemeshow检验p > 0.05)(图5)。
临床应用
决策曲线通过比较训练集和测试集中不同阈值概率下的净获益,展示了三种预测模型的临床实用性,并表明整合评分和放射组学评分的净获益高于斑块评分(图6)。
分层分析
如补充材料所示,分层分析显示三种预测模型的性能不受管电压(100kv、120kv)、CT版本(iCT、IQon CT)、我院不同院区(南湖院区、华祥院区)的影响(均p > 0.05)。
讨论
在本研究中,我们开发了一种整合评分,该评分结合了基于CCTA的目标病变周围PCAT的放射组学特征和显著斑块预测因子,并在区分度、校准和临床应用方面验证了其性能。与斑块评分相比,该整合评分在预测未来3年内ACS方面表现出更优的诊断性能。
由于许多急性冠脉综合征(ACS)事件通常发生于无阻塞性斑块的患者,我们应更加重视对易损斑块的识别,而非管腔狭窄程度。目前的冠状动脉CT血管成像(CCTA)不仅能识别阻塞性动脉粥样硬化斑块和斑块负荷,还能评估有助于风险分层的高危斑块(HRP)特征[4, 28]。尽管HRP特征的检测在一定程度上提供了冠状动脉事件的增量预测价值[29],但它们并非炎症的直接指标,而只是易损斑块的解剖学征象和破裂风险的标志物[4]。近期研究[10]提示,冠状动脉炎症驱动血管周围脂肪组织(PVAT)组成的动态变化,这种变化可通过一种新型CCTA衍生影像生物标志物——血管周围脂肪衰减指数(FAI)来捕捉,该指标反映炎症诱导的PVAT脂肪细胞大小和脂质含量变化与CT衰减梯度相关。然而,这一基于CT衰减的指标仅揭示平均体素强度值,而未考虑体素之间复杂的空间关系。影像组学有助于提供体素灰度强度的空间分布和异质性的量化[16]。
在本研究中,我们采用多因素logistic回归分析,从基于CCTA的107个心外膜脂肪组织(PCAT)影像组学特征中筛选出14个最显著的预测因子,发现PCAT均匀性较低和异质性较高的患者与未来发生ACS的高可能性相关,这表明影像组学所揭示的PCAT异质性可能反映斑块周围脂肪组织的早期病理生理变化;此外,两组之间PCAT影像组学参数的差异可能受相关局部炎症反应的影响,PCAT影像组学特征可能与后续斑块破裂密切相关。我们进一步开发并验证了将影像组学特征与显著斑块预测因子相结合的整合评分,在训练集和测试集中识别ACS患者均表现出良好的诊断性能。事实上,近期一项前瞻性病例对照研究[23]提示,急性心肌梗死(MI)患者与稳定型或无冠状动脉疾病(CAD)患者之间存在明显的PCAT影像组学表型差异,尤其是纹理和几何特征,其提供的额外信息多于PCAT平均衰减值;此外,其基于影像组学的模型在识别MI患者方面优于基于PCAT衰减的模型。Oikonomou EK等[22]利用基于CCTA的冠状动脉PVAT影像组学表型分析开发了一种新型脂肪影像组学特征(FRP),并在三个不同的患者队列中验证了其性能,结果表明FRP有助于在常见既定危险因素之外进一步改善对主要不良心脏事件的心脏风险预测。然而,我们的研究显示,与影像组学评分相比,所选斑块预测因子未能显著提高整合评分在识别后续ACS患者中的判别能力,鉴于样本量较小,这并不能意味着我们不再需要传统斑块特征来确定未来ACS风险。
根据我们的结果,训练数据集中两组斑块特征的MLD、MLA、DS和HRP存在统计学差异,但在测试数据集中均无显著差异,这可能受样本量较小的影响。同时,HRP是其中更显著的预测因子。本研究[3]基于CCTA也显示HRP是ACS的独立预测因子。Lee JM等[30]还显示,罪犯病变的HRP比非罪犯病变更常见,HRP进一步提高了识别后续ACS的判别能力。尽管如此,我们由MLD和HRP得出的斑块评分在测试数据集中预测ACS结局方面并未显示出更好的性能。这可能是由于ACS事件的发生受多种因素影响。尽管冠状动脉CTA能够识别HRP特征,但在检测可能破裂或快速进展为梗阻性心脏病的小而脆弱斑块方面仍存在一定局限性[31]。此外,HRP通常具有异质性自然史,其中仅一小部分实际导致ACS事件[32],多项证据表明半数ACS事件发生时并无解剖学上显著的动脉粥样硬化斑块。Motoyama S等显示,CCTA识别的HRP中83.7%未导致任何ACS事件[3]。
将基于CCTA的影像组学分析应用于ACS患者病变周围PCAT,可能增进我们对冠状动脉周围环境相关炎症反应的理解。我们通过将影像组学特征与斑块预测因子相结合,开发了一个更全面的ML模型,用于在无创影像水平识别未来发生ACS的患者,随后发现该整合评分在识别后续ACS患者方面明显较斑块评分增加了增量判别价值。基于影像组学的评分表现更佳,表明影像组学方法能够基于CCTA从PCAT中提取比传统斑块特征更多的预测信息,并具有增强后续ACS预测能力的潜力。这些发现进一步证明了PCAT中影像组学信息在预测ACS中的重要作用。
我们的研究仍存在若干局限性。首先,我们提出的是单中心回顾性病例对照研究设计。我们工作的样本量相对较小;仍需要在独立队列中进一步进行外部验证以证实我们的发现。其次,尽管我们的工作对三种预测模型进行了分层分析,表明存在良好的可重复性和稳健性,但我们的预测模型应用于一般人群受限于单中心研究。若干研究[33–35]表明,图像采集、重建和分析对影像组学特征的可重复性有一定影响。第三,我们的研究仅集中于患者水平的PCAT影像组学表型分析,将进一步开展扩展到更大规模人群的病灶水平研究。此外,我们研究中目前手动勾画ROI的方法相对耗时且易受人为因素影响,尤其是图像重建过程在很大程度上受放射科医师经验的影响。尽管我们进行了ICC以验证提取特征的稳定性、剔除不稳定特征并尝试构建稳健模型,我们仍希望使用半自动或全自动分割技术来完善这部分工作。
总之,基于CCTA的PCAT影像组学特征可能具有提高后续ACS预测能力的潜力。基于影像组学的综合评分在识别3年内未来ACS方面显著优于斑块评分。
补充信息
ESM 1(DOCX 5574 kb)
引用
- Shang J, Ma S, Guo Y, et al. Prediction of acute coronary syndrome within 3 years using radiomics signature of pericoronary adipose tissue based on coronary computed tomography angiography. Eur Radiol. 2021. PMID: 34435205. doi:10.1007/s00330-021-08109-z
- 全文:PMC8794963(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC8794963/
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。