颈动脉周围脂肪CT影像组学识别易损斑块
本研究基于122例颈动脉狭窄患者的CTA图像,提取颈动脉周围脂肪组织(PVAT)影像组学特征,以CEA术后组织学为参考标准构建机器学习模型。PVAT影像组学模型在训练、验证和独立测试集AUC分别为0.945、0.819和0.817,优于PVAT衰减模型和斑块特征模型。
要点
- 颈动脉PVAT影像组学模型术前无创识别易损斑块,AUC达0.817(测试集)。
- PVAT影像组学在不同CT设备间泛化性优于传统斑块特征和PVAT衰减值。
- SHAP分析显示纹理特征反映PVAT异质性,提示炎症、纤维化与新生血管。
核心结论
- 基于CTA的颈动脉PVAT影像组学SVM模型对组织学证实的易损斑块具有良好识别能力,测试集AUC为0.817(95%CI 0.682–0.952)。
- PVAT影像组学模型在测试集显著优于PVAT衰减模型(p=0.01)和斑块评分模型(p=0.03)。
- PVAT影像组学模型在不同CT设备间保持稳健性能,优于传统影像特征。
研究设计与样本
- 前瞻性队列研究,纳入2014年至2023年在北京协和医院接受CEA的122例颈动脉狭窄患者(平均66.45岁,男性81.97%,易损斑块63.11%)。
- 参考标准为CEA术后斑块组织学评估,依据大脂质坏死核心、薄纤维帽、斑块内出血等判定易损性。
- Cohort 1(83例,Siemens SOMATOM Definition Flash)按7:3分为训练集和内部验证集,Cohort 2(39例,GE、Philips、Canon三台设备)作为独立测试集。
- CTA图像经z-score标准化并重采样至1×1×1 mm³各向同性体素,PVAT分割范围覆盖颈动脉分叉上下2 cm、径向9 mm,CT值限定在-190至-30 HU。
- 共提取1834个手工影像组学特征,经ICC>0.75筛选、t检验、相关性去冗余和LASSO回归后保留12个特征构建SVM模型。
关键影像表现/征象
- 易损斑块患者的PVAT衰减值显著高于稳定斑块(p=0.005),软组织斑块厚度(p=0.046)、斑块溃疡(p=0.03)和总斑块体积(p=0.03)与易损性相关。
- SHAP分析显示logarithm_firstorder_RootMeanSquared、wavelet_LHL_firstorder_Skewness和log_sigma_2_0_mm_3D_glrlm_RunVariance是贡献最大的三个影像组学特征。
诊断标准与关键数值
- PVAT影像组学SVM模型AUC:训练集0.945(95%CI 0.866–1.000),验证集0.819(95%CI 0.654–0.985),测试集0.817(95%CI 0.682–0.952)。
- 斑块评分模型AUC:训练集0.688,验证集0.799,测试集0.497;PVAT衰减模型AUC:训练集0.667,验证集0.708,测试集0.493。
- 影像组学特征稳定性筛选标准为观察者间ICC>0.75,LASSO惩罚系数λ取最小二项偏差加1个标准差。
- 在不同数据集间及不同CT扫描仪之间,斑块特征和PVAT衰减值均未观察到显著差异。
临床应用与阅片要点
- PVAT分割需注意排除皮下脂肪及无关区域,ROI由经验丰富的血管影像医师盲法标注并经三级审核。
- 传统斑块特征模型在跨设备测试中表现显著下降,日常阅片时应注意CT扫描参数对斑块测量和PVAT衰减值的影响。
- 斑块溃疡和总斑块体积是组织学易损性的独立预测因子,可作为日常报告中的重点描述内容。
局限性
- 单中心研究,缺乏外院数据的外部验证。
- 样本量有限,受限于同时具备CEA标本和CTA影像的入组条件。
全文中译16 节 · 点击展开
引言
卒中仍然是全球范围内死亡和残疾的主要原因之一[1],而颈动脉粥样硬化是一个重要的促成因素。随机对照试验已证实,颈动脉内膜剥脱术(CEA)可降低经选择的颈动脉狭窄(CAS)患者的卒中风险[2–4]。由于易损斑块会显著增加卒中风险,其识别对于手术决策至关重要。在组织学上,易损斑块的特征包括较大的富脂质坏死核心、薄纤维帽、溃疡、血栓形成、斑块内出血以及广泛的炎性细胞浸润[5]。然而,组织学确认仅在术后才有可能实现。
CT血管成像(CTA)已成为评估颈动脉粥样硬化的一线影像学手段,可同时评估狭窄程度和斑块特征[6]。某些定性和定量斑块特征可为斑块易损性提供额外信息[7–10],但常规CT参数在临床应用中缺乏足够的敏感性、实用性和可推广性。因此,迫切需要新的影像学生物标志物来改善对易损性CAS患者的识别。
近期研究表明,血管炎症可抑制血管周围脂肪组织(PVAT)中的脂质蓄积[11]。这一现象在常规CTA上可表现为CT衰减值增高[11],并已在冠状动脉疾病中显示出对斑块进展和心血管死亡率的预测价值[12, 13]。与冠状动脉PVAT相比,颈动脉PVAT更容易出现不规则的解剖形态和白色脂肪组织表型[14]。若干研究报道颈动脉PVAT密度与临床症状及基于影像的斑块危险特征相关[15–18]。然而,这些研究缺乏以斑块标本的组织学评估作为参考标准。此外,单一的密度特征远不足以表征颈动脉PVAT的异质性,导致其诊断价值有限。
影像组学提供了一种有前景的解决方案,通过计算分析实现定量影像特征的高通量提取[19]。该方法涉及从医学图像中挖掘数千个定量特征,并应用机器学习(ML)来发现具有临床意义的模式[19]。我们假设PVAT影像组学特征可与易损颈动脉斑块相关并有助于其识别。
在这项前瞻性队列研究中,我们旨在开发一种基于CT的颈动脉PVAT影像组学ML模型,以识别经组织学证实的易损斑块,并优于常规斑块特征和PVAT衰减值。此外,我们在不同扫描设备间验证了模型的普适性,并利用Shapley加性解释(SHAP)分析增强了模型的可解释性。
材料与方法
研究方案
本研究符合《赫尔辛基宣言》,并经北京协和医院(PUMCH)机构伦理审查委员会批准(编号:JS-2966)。所有研究参与者均提供了书面知情同意。颈动脉狭窄优化评估策略队列(COAS-CAS)(临床试验:NCT05629000)是一项前瞻性研究,旨在探讨颈动脉狭窄(CAS)患者优化影像学或其他评估手段。来自COAS-CAS研究的2014年9月至2023年7月期间在北京协和医院接受颈动脉内膜切除术(CEA)的CAS患者被连续纳入。排除标准为:缺少CTA影像、图像质量差、缺少或不充分的颈动脉斑块标本、同一颈动脉既往有干预史,或颈动脉闭塞。队列1由使用设备A扫描的患者组成,队列2由使用设备B、C和D扫描的患者组成。队列1按7:3比例随机分为训练集和内部验证集,队列2作为独立设备测试集。图1描述了患者筛选过程。
患者特征
我们获取了人口学资料、临床信息(如合并症、症状、脑血管状况和颈动脉狭窄程度)、患者CTA数据以及CEA斑块标本。有症状患者定义为术前六个月内出现短暂性脑缺血发作或脑梗死等神经系统症状,并经神经内科或血管外科医师确认的患者(表1)。
手术标本和组织学分析
颈动脉斑块标本的获取、预处理、染色以及斑块易损性评估详见补充材料。
CT中常规斑块特征的评估
测量了斑块厚度(包括总斑块、软斑块和钙化斑块厚度)、环征、点状钙化、斑块溃疡、腔内血栓、斑块负荷、斑块长度、总斑块密度(HU)、总斑块体积(mm³)、钙化斑块体积(mm³)和钙化比例。各特征的定义和测量方法见补充材料。
分割、图像预处理和影像组学特征提取
影像组学分析的工作流程如图2所示。使用开源软件3D Slicer(版本5.0.3)手动勾画感兴趣区(ROI)。颈动脉斑块和动脉管腔的ROI在短轴位逐层标注,而颈动脉周围的PVAT则进行半自动分割。PVAT分割覆盖颈动脉分叉上下2 cm范围内的区域,向外径向延伸9 mm[20],CT值介于−30至−190 HU之间[12]。皮下脂肪组织和其他无关区域被手动排除。医师A(K.S.,血管影像经验4年)对PVAT和斑块进行掩膜标注。随后,医师B(X.F.,血管影像经验8年)复核初步标注结果并对病例进行重新标注。当意见不一致时,由医师C(B.L.,血管影像经验30年)做出最终决定。所有医师均对患者的临床信息和组织学结果设盲。
在特征提取之前,对图像和标签进行预处理。首先将图像和标签的解剖方位标准化为RAS(右-前-上)轴编码。将所有图像和标签重采样为1×1×1 mm³的各向同性体素尺寸,图像采用双线性插值,标签采用最近邻插值。为减少因采集方法和设备差异造成的变异,对图像进行z-score标准化。
使用Python中实现的开源库“PyRadiomics”(版本3.8.8)从分割图像中提取影像组学特征。共提取6类1834个手工特征,包括一阶特征、形状特征、灰度共生矩阵、灰度依赖矩阵、灰度游程矩阵、灰度区域大小矩阵和邻域灰度差矩阵,如图S1所示。
为评估观察者间一致性,由医师D(Y.L.,血管影像经验4年)对随机选取的50例患者图像进行重新分割,并再次提取影像组学特征。使用组内相关系数(ICC)评估两位观察者提取的影像组学特征的一致性。
影像组学特征选择与机器学习模型构建
训练集中的放射组学特征采用 z-score 方法进行标准化,并使用相同的均值和标准差对验证集和测试集进行标准化。ICC > 0.75 的特征被认为是高度稳定且可重复的,予以保留用于进一步分析。放射组学特征筛选过程包括以下几个步骤:首先,使用 t 检验识别易损斑块组与稳定斑块组之间差异有统计学意义(p < 0.05)的特征。其次,采用 Pearson 相关分析剔除相关系数大于 0.9 的冗余特征,随后使用贪婪递归消除策略进一步降维,该策略在每次迭代中系统性地去除最冗余的特征。第三,应用基于 10 折交叉验证的最小绝对收缩和选择算子(LASSO)回归方法进行进一步特征精筛,惩罚系数(λ)的选择基于最小二项式偏差加一个标准差。
为构建机器学习模型,使用最终筛选出的放射组学特征分别以逻辑回归(LR)、支持向量机(SVM)和随机森林(RF)算法构建预测模型。采用最稳定的机器学习算法构建放射组学模型,并使用以下公式计算放射组学评分(Rad-score):Rad-score = ln(p/(1 − p)),其中 p 代表放射组学模型预测的每位患者易损斑块的概率。
统计学与模型可解释性
统计分析使用 SPSS(26.0 版)、Python 中的 Scikit-learn 包和 R 软件(4.0.0 版)进行。分类变量以百分比和频数描述,连续变量以均值 ± 标准差(SD)或中位数及四分位距(IQR)表示。正态分布的连续变量采用 Student's t 检验进行比较,偏态分布的连续变量采用 Mann–Whitney U 检验进行分析,分类变量采用卡方检验进行评估。使用单因素和多因素逻辑回归分析在常规斑块特征中识别斑块易损性的独立危险因素(p < 0.05),并以此构建逻辑回归模型。模型的区分性能使用受试者工作特征(ROC)曲线及曲线下面积(AUC)进行评估。模型校准采用校准曲线进行评估,临床效用采用决策曲线分析(DCA)进行分析。计算每个模型的诊断指标,包括准确率、灵敏度、特异度、阳性预测值(PPV)和阴性预测值(NPV)。ROC 曲线间 AUC 的比较采用 DeLong 检验。所有统计检验均为双侧检验,p 值 < 0.05 被认为具有统计学意义。进行 SHAP 分析以解释 PVAT 放射组学模型中各放射组学特征的贡献。
结果
患者特征
我们最终纳入了122例患者,其中队列1为83例,队列2为39例。患者的临床特征(如人口统计学、合并症、血脂、症状和狭窄严重程度)总结于表1和表S1。在所有患者中,77例有易损斑块,45例有稳定斑块。易损斑块和稳定斑块的组织学图像示例见图3。所有患者的平均年龄为66.45岁(年龄范围48–82岁),其中22例为女性(18.03%)。所有纳入颈动脉的平均NASCET狭窄程度为73%。在这些动脉中,47条(38.52%)表现为中度狭窄(50–69%),75条(61.48%)表现为重度狭窄(70–99%),38条(31.15%)为症状性。易损斑块组与稳定斑块组之间(表1)以及训练集、内部验证集和外部测试集之间(表S1)的人口统计学或临床特征均未观察到显著差异。
使用了四台CT扫描仪,即西门子SOMATOM Definition Flash(设备A)、GE Discovery CT750 HD(设备B)、飞利浦IQon Spectral CT(设备C)和佳能Aquilion ONE(设备D)。在样本分布方面,设备A包含58例训练集和25例内部验证集病例,而设备B、C和D分别有8例、6例和25例外部测试集病例。CT参数在扫描设备之间显示出总体差异,如管电压、管电流、层厚等(表2)。
常规斑块特征与PVAT衰减
共分析了15个常规斑块影像特征。在所有患者中,软斑块厚度(p = 0.046)、斑块溃疡(p = 0.03)和斑块总体积(p = 0.03)与斑块易损性显著相关(表S2)。此外,易损斑块患者的PVAT衰减显著高于稳定斑块患者(p = 0.005)(表S2)。为确定斑块易损性的预测特征,在队列1中进行了单变量和多变量LR分析(表3)。斑块溃疡(单变量,p = 0.03;多变量,p = 0.03)、斑块总体积(单变量,p = 0.01;多变量,p = 0.01)和PVAT衰减(单变量,p = 0.003;多变量,p = 0.01)被确认为斑块易损性的独立预测因子。基于这些发现,利用斑块溃疡和斑块总体积通过LR构建了斑块评分模型,而PVAT衰减则被纳入一个单独的PVAT衰减模型。此外,不同数据集(表S1)或扫描仪(表S3)之间未观察到斑块特征和PVAT衰减的差异。
放射组学特征筛选
共提取了六大类1834个手工特征,包括360个一阶特征、14个形状特征以及其余纹理特征(图S1)。经统计学筛选后,保留了64个特征(p < 0.05),其对应p值见图S2。经Spearman相关分析(图S3)后,去除高度相关特征(Spearman相关系数 > 0.9),保留36个特征。最终,LASSO LR识别出12个具有非零系数的特征,用于构建Rad-score(图S4a)。10折交叉验证过程中的系数及平均标准误见图S4b、c。
模型性能
绘制了PVAT衰减、斑块评分和PVAT影像组学模型的ROC曲线,以评价其在训练集、验证集和测试集中的区分性能(图4a–c)。模型性能采用准确率、AUC、灵敏度、特异度、PPV和NPV等指标进行量化(表4)。采用SVM算法的PVAT影像组学模型表现出优异的区分能力,训练集AUC为0.945(95% CI:0.866–1.000),验证集AUC为0.819(95% CI:0.654–0.985),测试集AUC为0.817(95% CI:0.682–0.952)。基于SVM的影像组学模型优于基于LR(AUC分别为0.892、0.729、0.676)和RF(AUC分别为0.839、0.795、0.672)算法的模型,因此选择SVM作为影像组学模型的最终算法(图S5)。相比之下,PVAT衰减和斑块评分模型在验证集中表现中等(AUC分别为0.708和0.799),但在测试集中显著下降(AUC分别为0.493和0.497)。在DeLong检验中,尽管内部验证集中各模型间未观察到统计学显著差异(p > 0.05),但PVAT影像组学模型在训练集(影像组学 vs 斑块评分,p = 0.001;影像组学 vs PVAT衰减,p = 0.002)和测试集(影像组学 vs 斑块评分,p = 0.03;影像组学 vs PVAT衰减,p = 0.01)中均优于PVAT衰减和斑块评分模型。在任何数据集中,PVAT衰减模型与斑块评分模型之间均未发现显著差异(表5)。
校准曲线显示了三个模型在训练集、验证集和测试集中的拟合情况(见图4d–f)。DCA进一步表明,PVAT影像组学模型在不同概率阈值下提供了更大的净获益,尤其是在测试集中(见图4g–i)。
模型可解释性
SHAP分析为颈动脉PVAT影像组学机器学习模型提供了定量洞见。通过方差重要性图和汇总图对各特征的SHAP值进行了可视化(图5a、b)。在这些特征中,logarithm_firstorder_RootMeanSquared、wavelet_LHL_firstorder_Skewness和Log_sigma_2_0_mm_3D_glrlm_RunVariance具有最高的平均Shapley值。其余9个特征也对模型有所贡献。
讨论
在本研究中,我们基于CT血管成像衍生的颈动脉PVAT影像组学特征构建了一个预测模型,旨在识别组织学上具有易损斑块的患者。该模型的表现优于斑块评分和PVAT衰减值。此外,该模型在来自不同筛查设备的独立数据集上进行测试时显示出稳健的泛化能力。Shapley分析揭示了反映组织异质性的关键影像组学特征,并解决了机器学习中的黑箱问题。
既往研究表明,斑块溃疡——管腔表面不规则的最重要影像学征象——与脑血管事件相关 [4, 21]。同样,颈动脉斑块体积与易损性、进展及未来脑血管事件相关 [22–24]。然而,传统斑块特征缺乏直接的炎症指标。新近证据表明,PVAT组成可反映血管炎症,CTA衍生的生物标志物(如脂肪衰减指数)可捕捉炎症介导的脂肪细胞大小和脂质含量变化 [4, 11]。其他研究也表明,颈动脉PVAT密度与易损斑块的某些特征相关,如症状和磁共振成像检测到的斑块内出血 [15–17]。在本研究中,PVAT衰减值和斑块评分在识别易损斑块方面表现相当。然而,PVAT影像组学优于传统斑块特征,提示高维PVAT分析可能更好地表征斑块易损性。这可能归因于钙化相关的CT放大效应,该效应降低了传统斑块分析中体素值和空间分布的精度 [25]。这些发现与冠状动脉研究一致,后者证明PVAT影像组学对急性冠状动脉综合征具有更优的预测价值 [26]。
斑块易损性的组织学评估(参考标准)证明了我们的模型在手术决策中的临床价值。虽然近期关于颈动脉PVAT/斑块影像组学的研究仅关注症状状态 [18, 27–29]——该指标易于获取但临床意义有限——我们以组织学证实的易损性为靶标,如大坏死核心和薄帽纤维粥样瘤 [30],利用术中标本开发了术前PVAT影像组学预测因子。
扫描设备变异性显著影响影像模型的泛化能力,然而这一因素在颈动脉影像研究中很大程度上被忽视了。Reiazi R等强调了影像组学特征对扫描参数的显著依赖性[31],Chen Y等报道了单能量与双能量CT之间影像组学特征的低重复性[32]。这些发现凸显了多设备验证的必要性。我们在三种不同CT系统上的评估显示:(1)PVAT衰减模型和斑块评分模型的AUC显著下降,可能由于对管电压、管电流和层厚变化等参数的敏感性[33, 34];(2)PVAT影像组学模型保持了稳定的性能,展现了跨影像扫描平台的优越鲁棒性。
为提高可解释性,我们使用SHAP值来解释PVAT影像组学机器学习模型。在识别出的12个最具预测性的特征中,三个反映了灰度分布,九个代表了纹理特征,表明影像组学能够检测到平均PVAT衰减所遗漏的某些组织学改变。SHAP分析确定了易损斑块患者中三个主要的判别性特征:(1)升高的logarithm_firstorder_RootMeanSquared(可能提示PVAT异质性和炎症),(2)降低的wavelet_LHL_firstorder_Skewness,以及(3)增加的log_sigma_2_0_mm_3D_glrlm_RunVariance(可能提示纤维化和新生血管形成)。Oikonomou等报道,冠状动脉PVAT的CT影像组学纹理特征在检测纤维化和新生血管形成等组织学改变方面比平均衰减更有效[35]。同样,在心肌梗死患者中,影像组学纹理特征在表征冠状动脉周围脂肪组织方面优于平均衰减[36]。
本研究存在若干局限性。首先,作为单中心研究,缺乏其他机构的外部验证。然而,独立的设备测试和前瞻性设计部分解决了这一问题。第二,由于标本采集和CTA成像的双重要求,样本量有限。尽管我们采用了适合小数据集的算法——支持向量机(SVM)——以减少过拟合,但这一局限性仍然存在。第三,本研究缺乏对PVAT病理改变的调查及其标本检查。此外,由于影像组学特征来源于预定义的人工设计特征,特征探索的深度固有地受限,且其生物学基础尚未得到证实。
总之,本研究提出了一种基于CTA的新型颈动脉PVAT影像组学模型,用于在组织学水平上识别斑块易损性,提供了一种无创且便捷的方法,具有良好的诊断效能、可解释性和泛化能力。未来关于PVAT影像组学的研究有望开发创新的无创影像生物标志物,从而改善CAS患者的手术决策和预后评估。
补充信息
补充信息
引用
- Shu, Chen, Li, et al. Identification of histological carotid plaque vulnerability by CT angiography using perivascular adipose tissue radiomics signature. Insights Imaging. 2026. PMID: 41491918. doi:10.1186/s13244-025-02134-y
- 全文:PMC12770126(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12770126/
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。