基于深度学习的乳腺X线BAC分级预测心血管事件
本研究回顾性利用U-Net分割乳腺X线上的乳腺动脉钙化(BAC),并在3190例MACE患者与6458例对照中评估四种分级策略与主要不良心血管事件的关联。结果显示BAC存在HR为1.16(95% CI 1.10-1.23),联合面积与强度的分级使轻度、中度、重度HR分别为1.102、1.249、1.654。该框架为女性心血管风险提供独立评估,但对模型鉴别力提升有限。
要点
- 乳腺X线所见BAC是女性MACE独立风险因素,常规报告中应描述其存在
- BAC联合分级中重度HR达1.654,提示对显著钙化需在报告中注明
- BAC面积超过乳房面积0.2%即视为存在,低于此阈值可判为阴性
核心结论
- 基于U-Net的自动化框架可分割乳腺X线BAC并以联合分级独立预测女性MACE风险
- BAC联合分级中轻度、中度、重度HR分别为1.102、1.249、1.654,呈递增趋势
- 将BAC加入传统心血管风险因素模型仅使AUC从0.645提升至0.646,增量为有限
研究设计与样本
- 回顾性病例对照研究,使用两个互斥数据集:SegModel(1270幅带BAC标注的乳腺X线图像)用于U-Net训练验证测试
- MACEPred数据集含3190例MACE病例与6458例对照,按年龄和乳腺机类型匹配
- 图像来自11种乳腺机、7家厂商,包括CC与MLO体位四幅图像
- 以ICD-10编码和国家死亡索引定义MACE,平均随访6.09年
关键影像表现/征象
- BAC在乳腺X线上表现为乳腺动脉走行区的线状或轨道状钙化,U-Net可自动分割
- 分割模型Jaccard系数0.582,精度0.801,召回0.716,F1分数0.756
- MACEPred数据集中BAC患病率为26.96%
- 乳腺X线BAC面积分级采用占乳房总面积比例:0.002-0.01为轻度,0.01-0.025为中度,超过0.025为重度
诊断标准与关键数值
- BAC存在定义为乳腺X线上钙化面积超过乳房总面积的0.002
- 面积分级:无(<0.002)、轻度(0.002-0.01)、中度(0.01-0.025)、重度(>0.025)
- 强度分级以标准化平均像素强度的三分位数为界:轻度≤0.409,中度0.409-1.341,重度>1.341
- 联合分级以面积分级为基础,依据强度分级上调一级
- 5年随访时传统风险因素模型AUC为0.645,加入BAC存在后仍为0.645,加入面积分级后为0.646
临床应用与阅片要点
- 报告乳腺X线时若发现BAC应描述其存在及大致程度,因BAC是女性心血管事件独立预测因素
- BAC联合分级中重度HR最高,阅片时应重点识别显著钙化并与轻度钙化区分
- BAC面积占乳房面积0.002的阈值可作为日常判读参考,低于此值可不报为阳性
- 注意不同乳腺机图像强度差异,强度分级需经设备特异性标准化后使用
局限性
- SegModel数据集为人工选择BAC阳性图像,缺乏BAC阴性图像的训练监督
- 强度分级依赖乳腺机类型标准化,跨设备适用性仍需进一步验证
- AUC增量有限,BAC分级对整体模型鉴别力的贡献较小
全文中译14 节 · 点击展开
引言
心血管疾病(CVD)仍然是全球女性死亡的首要原因,超过所有癌症的总和[1, 2]。这一持续存在的疾病负担是由生物学上性别特异性因素(如激素影响和血管生理)以及风险评估和治疗中的系统性差异共同造成的[3, 4]。女性在心血管研究中的代表性普遍不足,且可能表现非典型临床症状,导致诊断延迟和预防性干预措施实施不一致[5]。此外,相当大比例的女性冠脉事件发生在没有传统危险因素的情况下,这凸显了对精细化、性别敏感的风险分层模型的迫切需求[2, 6]。
乳腺动脉钙化(BAC)常在乳房X线摄影中偶然发现,由动脉壁中膜钙化所致。其临床意义于1980年被确认,当时发现其与糖尿病相关[7],此后研究表明BAC与CVD和冠状动脉疾病(CAD)等疾病之间存在正相关[8–10],包括在冠状动脉CT血管造影上存在动脉粥样硬化[10]。一项近期针对5,059例接受乳房X线摄影的绝经后女性的队列研究证实了这些关联[11]。
放射科医生对BAC的评估通常为人工操作,随后进行有或无的二分类。这种二元分类容易产生观察者内和观察者间的差异[8],且无法捕捉BAC表现的全部范围。已提出多种分级量表(如3分制、4分制、12分制[10]),但缺乏标准化的BAC量化标准是一项重大挑战。人工评估也耗时,且由于专家资源有限,并非总是可行[8]。
近期研究探索了利用深度学习(DL)方法从数字化乳腺X线影像中评估BAC,证明DL分割BAC的能力可达到或超过人类专家水平[12–14]。然而,现有模型基于有限数量的标注图像训练,且通常来自单一设备厂商,这引发了对其泛化能力的质疑,并且这些模型尚未被验证为独立的风险预测因子。此外,分割面积尚未转化为易于传达的分级系统,以反映递增的风险变化以及BAC与心血管风险之间关系中潜在的非线性。另外,BAC区域的强度存在差异,目前尚不清楚将分割面积与强度相结合是否会增强分级系统。
在本研究中,我们提出了一种新型深度学习框架,可自动检测和分割数字化乳腺X线影像上的BAC,并根据面积和强度对其严重程度进行分级。目标是为接受常规乳腺癌筛查的女性提供一种可重复、可扩展且具有成本效益的心血管风险评估工具。我们通过在针对主要不良心血管事件(MACE)的多变量校正模型中比较四种分级方法——二元法、仅面积法、仅强度法和联合法,评估了将强度纳入基于面积的分级是否能改善风险预测。
材料与方法
本回顾性病例对照研究遵循机构伦理标准进行,并获得了相关人类研究伦理委员会的批准。所有参与者均已就其影像学和临床数据用于研究目的提供知情同意。图1展示了本研究使用的数据集(即SegModel和MACEPred数据集)。研究步骤包括构建BAC分割模型,随后利用该模型建立Cox比例风险模型,从而评估所提出的基于深度学习的BAC分级框架的效能。
数据集
如图1所示,本研究使用了两个互不重叠的数据集:SegModel数据集和MACEPred数据集。两个数据集均来源于Lifepool队列,这是一项澳大利亚大型人群研究资源,包含参与BreastScreen Australia的50,000多名女性的乳腺X线筛查数据,并已获得知情同意用于关联生活方式、用药、住院和死亡数据。SegModel数据集用于生成和评估U-Net在识别和分割BAC区域方面的性能,而MACEPred数据集用于评估所提出的分级系统是否为MACE提供独立的风险评估。为避免数据泄漏,两个数据集在参与者层面构建为互斥,即没有任何个体或筛查检查同时贡献于两个数据集。该设计确保了模型开发与结局分析的完全分离,最大限度地降低了偏倚估计的风险。
SegModel数据集
为构建SegModel数据集,最初从Lifepool档案库中随机抽样乳腺X线图像,未预先筛选BAC的存在情况。然而,初步实验显示,无可见BAC的图像训练价值有限,并引入了类别不平衡,阻碍了模型收敛。因此,一位具有乳腺影像学专长的医学影像科学家手动筛选了1270幅清晰显示BAC存在的图像。虽然这种定向方法与此前研究(如文献[12])有一定相似之处——那些研究同样聚焦于BAC阳性病例,但我们的策略强调了设备厂商的多样性以增强泛化能力。
为确保诊断准确性,所有图像均由一位拥有30年以上经验的资深放射科医师独立审核。BAC区域使用Label Studio软件进行手动标注[15]。所有BAC标注均经资深放射科医师审核,并由第二位资深放射科医师进行额外的质量保证审查,以确认标注的BAC区域在临床上的合理性和作为训练监督的可接受性。该审查基于共识,旨在进行质量控制,而非正式的多人阅片一致性研究;因此,未对该数据集计算观察者间一致性统计量。
MACEPred数据集
该数据集包含3190例经历过严重主要不良心血管事件(MACE)的女性的乳腺X线检查病例,以及6458例无此类病史的女性(对照组)。这些病例根据年龄和用于图像采集的乳腺X线设备类型进行匹配,病例与对照的比例约为1:2。由于乳腺X线设备类型和女性年龄均可改变乳腺X线纹理表现,我们确保病例亚组和对照亚组中均有多样化的代表性。SegModel和MACEPred数据集均包含来自11种不同类型乳腺X线设备的筛查检查,这些设备由七家厂商生产,即Agfa、Fuji、Hologic、Konica Minolta、Philips、Sectra Imtec Ab和Siemens。通过全面整合多样化数据来源,我们能够评估基于深度学习的分级系统在不同场景下的泛化性和性能。每次筛查检查包含四幅图像:右侧和左侧内外斜位(MLO)视图以及右侧和左侧头尾位(CC)视图。所有乳腺X线病例均通过Lifepool项目招募,该项目涵盖参与澳大利亚乳腺筛查(BreastScreen Australia)并同意加入本项目的女性。对于每位参与者,通过问卷调查收集了体重指数(BMI)、饮酒情况以及当前和既往吸烟状况。通过与国家药品配发报销数据库(药品福利计划;PBS)进行数据链接,我们获得了与心血管代谢风险和心血管治疗相关类别的药物使用指标,包括糖尿病和高胆固醇血症治疗药物、β受体阻滞剂、钙通道阻滞剂、血管紧张素转换酶(ACE)抑制剂、血管紧张素Ⅱ受体阻滞剂和抗血小板药物。在缺乏直接临床测量(如血压和血脂水平)的情况下,这些变量被纳入作为已治疗危险因素和医疗接触的实用替代指标;然而,配发数据并不能提供明确诊断,药物使用可能同时反映危险因素管理和潜在疾病严重程度。使用常规采集的配发数据还支持在无需额外参与者问卷调查的情况下进行可扩展实施。在首次乳腺X线检查之前已有明确心血管事件的女性被排除,以减少基线时已患疾病的影响。
MACEPred队列的平均年龄为63.7 ± 7.8岁,该队列平均随访时间为6.09年。被归类为MACE的情况包括心绞痛、急性和后续心肌梗死、急性心肌梗死后的近期并发症(ICD-10编码I23*)、其他急性缺血性心脏病(ICD-10编码I24*)、慢性缺血性心脏病、心脏骤停、心力衰竭、脑梗死(卒中,未特指为出血或梗死)、入脑前动脉闭塞和狭窄(未导致脑梗死)、脑动脉闭塞和狭窄(未导致脑梗死)、动脉粥样硬化、主动脉瘤和夹层、其他动脉瘤和夹层、其他周围血管疾病、动脉栓塞和血栓形成,以及其他动脉和小动脉疾病。此外,国家死亡索引中记录的任何心血管原因死亡均被视为MACE。用于定义MACE的具体ICD-10编码和结局分组的更多细节见补充表1。纳入研究的女性特征见表1。
训练分割模型
我们选择U-Net架构作为基础模型,因为其在生物医学图像分割方面以有效性著称[16]。该网络采用四级编码器-解码器结构,并通过跳跃连接保留空间细节,同时整合多尺度上下文信息。每个编码器模块由两个3 × 3卷积层组成,后接修正线性单元(ReLU)激活函数和2 × 2最大池化,而解码器通过转置卷积和跳跃连接镜像此结构以进行特征重建。手动标注图像数据集的70%用于训练(包含双侧和单侧标注),20%用于验证,剩余10%用于测试。所有图像在输入U-Net前均调整为1024 × 1024。我们设置学习率为0.001,并使用融合了二元交叉熵和Jaccard损失的定制损失函数,通过Adam优化算法进行优化。我们在训练数据集中同时纳入双侧和单侧标注,以使模型全面理解乳腺解剖结构和BAC表现,并通过提供全局背景进一步丰富模型的理解。该方法与临床实践一致,放射科医生在评估乳腺X线片时通常会参考双侧乳房的信息。
为模拟不同乳腺X线摄影设备之间图像采集条件的变化,训练过程中应用了基于强度的数据增强。具体而言,在HSV颜色空间中随机调整亮度(± 20%)、饱和度(± 30%)和色调(± 25%)。故意省略了旋转或平移等几何增强,以保持标准乳腺X线摄影投照体位(CC和MLO)的解剖方向,因为乳腺动脉钙化具有方向依赖性。增强仅应用于训练集,以提高鲁棒性而不影响验证或测试性能。
为解决类别不平衡问题,分割模型仅在BAC阳性图像上进行训练。这一设计选择反映了模型的主要目标,即对BAC存在与否进行像素级分割,而非病例级分类。无可见BAC的图像对钙化形态学习提供的监督有限,且在初步实验中发现会阻碍模型收敛。类似的训练策略已在既往BAC分割研究中被采用,包括Guo等人提出的SCU-Net [12],以及我们此前使用相同架构发表的研究 [17]。
训练数据集包括双侧和单侧病例,涵盖两种标准乳腺摄影投照体位:CC(头尾位)和MLO(内外斜位)。这确保了乳腺解剖结构和BAC表现的全面代表性,并反映了常规临床实践,即放射科医师在阅片时评估双侧乳腺及所有标准体位。
模型性能采用Jaccard相似系数、准确率、精确率、召回率和F1分数进行评估。Jaccard指数通过计算预测掩膜与真实掩膜之间的交并比来量化分割重叠程度。F1分数按精确率与召回率的调和平均数计算,反映了敏感性与特异性之间的平衡,这对于检测BAC等小结构尤为重要。
乳腺动脉钙化严重程度分级
考虑了四种不同的策略,将分割出的BAC面积转化为分级系统。如“材料与方法”–“讨论”部分所述,BAC分级被输入Cox比例风险模型,使用分级系统对病例进行分类可简化模型,使其更易于解释和传达。使用分级系统对病例进行分类,而非将BAC总面积作为连续变量使用,也有助于处理BAC严重程度与MACE风险之间关系的非线性问题,并可通过将极端值(即离群值)归入更宽泛的类别来减轻其影响。
第一种策略涉及对病例进行二分类。在此策略中,提取BAC所占乳腺面积的百分比,若BAC面积低于乳腺总面积的0.002,则该病例被归类为BAC不存在;否则视为存在。该截断值通过初步敏感性分析确定,分析中评估了多个候选阈值。对于每个阈值,使用最大分割BAC面积在参与者层面定义BAC存在与否,并拟合Cox比例风险模型以估计其与主要不良心血管事件(MACE)的关联。尽管极低阈值在统计学上与MACE相关,但这些阈值将大量女性归类为BAC阳性,被认为可能反映的是极轻微或噪声水平的分割结果。因此,选择0.002作为与相邻阈值间风险稳定且具有临床意义增加相关的最低截断值(补充图1和补充表5)。该阈值随后被用于所有分析中定义BAC存在与否及分级类别。
第二种策略引入了一种仅基于面积的BAC四级严重程度分级系统。该系统分为四个等级:无(表示BAC面积低于全乳面积的0.002)、轻度(表示BAC面积介于全乳面积的0.002至0.01之间)、中度(包括BAC面积介于全乳面积的0.01至0.025之间的病例)和重度(表示BAC面积超过全乳面积的0.025)。每一等级代表BAC存在程度的递增。
第三种策略依赖于分割出的BAC区域的平均强度。平均强度提供了基于像素的放射学亮度估计,可能反映钙化沉积物的物理特征。对于每个病例,计算分割出的BAC区域内的平均像素强度。为考虑不同乳腺X线摄影设备类型之间图像强度的系统性差异,这些值使用z-score标准化进行归一化,即减去设备特异性均值并除以相应的标准差。标准化后的平均强度值随后被分为四组。BAC不存在使用面积阈值低于全乳面积的0.002来定义,并作为基线类别,因为可忽略的钙化面积通常对应极小的放射学信号,使得强度测量不可靠。在BAC阳性病例中,标准化后的平均强度分布被分为三分位,切点位于0.409(第33百分位)和1.341(第66百分位),定义了轻度(≤0.409)、中度(>0.409至≤1.341)和重度(>1.341)的基于强度的BAC类别。
第四种策略结合了面积和强度评估。在基于面积和基于强度的分级系统基础上,该方法旨在建立一个同时考虑两个因素的统一分级系统。基于面积的分级作为基线,并根据基于强度的分级进行调整(即上调)。例如,如果基于面积的BAC分级为“轻度”,且基于强度的分级也为“轻度”,则总体分级保持为“轻度”。然而,如果基于强度的分级为“中度”或“重度”,则(来自面积测量的)轻度总体分级被上调为“中度”。类似地,如果基于面积的BAC分级为“中度”,但基于强度的分级为“重度”,则总体分级被评定为“重度”,比基于面积的分级高一级。否则,保持为“中度”。最后,如果基于面积的BAC分级为“重度”,则无论强度分级如何,该病例均被评定为“重度”。选择基于面积的分级作为基线来定义严重程度的进展,并根据预定义的上调规则纳入基于强度的分级。还探索了其他方法,例如取两种分级方法的最大值或同时纳入两个分级,结果见补充材料。
统计分析
构建了四个Cox比例风险模型,分别对应四种BAC分级策略:二元分类、基于面积、基于强度及组合分级。每个模型均纳入BAC分级及所有可用的心血管危险因素,以估计风险比(HR)和95%置信区间(CI)。年龄按照Pearce推荐的流行病学指南进行调整[18]。其他协变量包括BMI、吸烟状态(当前或既往)、饮酒量,以及反映潜在心血管风险的用药情况,即抗血小板药、β受体阻滞剂、钙通道阻滞剂、ACE抑制剂、血管紧张素II受体阻滞剂,以及糖尿病和高胆固醇血症的治疗药物。这些变量在MACEPred数据集部分有详细描述,因其在心血管风险预测中的公认作用以及作为高血压、血脂异常和胰岛素抵抗等传统危险因素的替代指标而被选用。
为与既往研究保持可比性[11, 19],主要分析中将年龄和BMI作为连续变量处理。使用年龄和BMI分类变量的敏感性分析见补充材料。p值< 0.05被认为具有统计学意义。
模型区分度还通过时间固定受试者工作特征(ROC)分析在预设的5年随访时点进行了评估。预测事件风险从Cox模型中得出,计算ROC曲线下面积(AUC),以比较仅纳入传统危险因素的模型与纳入BAC存在情况及BAC分级的模型之间的区分性能。
结果
分割模型的性能
U-Net模型取得了0.582的Jaccard相似系数、0.996的准确率、0.801的精确率、0.756的F1分数和0.716的召回率,表明其在分割乳腺动脉钙化(BAC)方面性能良好,而该特征通常仅占乳腺X线图像的极小比例。作为参考,Guo等人[12]报道的SCU-Net在全尺寸乳腺X线图像上评估时,取得了0.581的Jaccard指数、0.997的准确率、0.708的精确率、0.729的F1分数和0.789的召回率。尽管数据集和评估方案的差异限制了直接比较,但本模型报道的性能与既往发表的结果一致。图2A–D展示了不同BAC严重程度分级下的代表性分割输出,显示了预测区域与相应的金标准标注。
乳腺动脉钙化的二元分类
在MACEPred数据集中,BAC的患病率为26.96%,这一数字与该年龄段的现有文献一致[8],从而证实了我们研究人群的代表性。起初,仅针对年龄进行校正的Cox比例风险模型评估了BAC存在相关的MACE风险,BAC存在的定义为乳腺X线摄影中BAC覆盖面积达到或超过乳腺区域的0.2%。该模型得出BAC高于此阈值时HR为1.16(95% CI 1.10–1.23),表明存在BAC时MACE风险增加16%。随后对其他CVD危险因素进行校正并未改变这一发现的意义,HR保持相同数值,详见表2。
乳腺动脉钙化严重程度分级
表3显示了基于面积、基于强度及联合方法下不同分级类别的校正HR。如表所示,在基于面积的方法中,纳入所有可获得的CVD危险因素后,轻度、中度和重度BAC分级的校正HR分别为1.13(95% CI 1.06–1.20)、1.30(95% CI 1.18–1.45)和1.58(95% CI 1.15–2.18)。对于基于强度的分级,以BAC“不存在”作为参照类别,模型得出轻度HR为1.08(95% CI 1.00–1.17),中度为1.10(95% CI 1.01–1.20),重度为1.18(95% CI 1.09–1.28)。BAC强度分级之间这一一致的趋势提示BAC强度具有作为心血管风险独立预测因子的潜力。
当将各分级策略合并为统一方法时,轻度、中度和重度BAC分级的校正HR分别为1.102(95% CI 1.04–1.17)、1.249(95% CI 1.14–1.37)和1.654(95% CI 1.30–2.10)。这些结果表明,与单独使用基于面积或基于强度的分级相比,联合分级方法可能提供更好的风险分层。
BAC增强模型的判别性能
在5年随访时间点,包含传统心血管危险因素的模型对MACE预测显示出中等判别能力(AUC = 0.645)。加入BAC存在与否并未实质性改变模型判别能力(AUC = 0.645),而纳入BAC面积分级后AUC仅有极小的数值增加(AUC = 0.646)(图3)。总体而言,三个模型的ROC曲线存在大量重叠,表明在该时间点判别性能相似。
讨论
我们的研究提出了一种基于深度学习的自动化解决方案,用于在来自多家厂商的乳腺X线摄影图像上分割BAC,并将分割区域转化为一种易于沟通的独立分级系统。我们的结果显示BAC与扩展MACE风险增加之间存在关联,这与先前几项研究[11, 20–22]的结果一致,这些研究探讨了BAC与心血管事件之间的关系。在多厂商数据集上训练和验证我们的模型可能有助于提高泛化能力和鲁棒性。与Guo等人[12]先前发表的SCU-Net模型相比,我们的模型在Jaccard相似度和F1分数上取得了更高的性能,这对于分割诸如BAC这样的小而稀疏的结构尤为重要。当存在BAC时,其通常占据乳腺面积不到1–2%,这使得分割本身具有挑战性,并限制了整体准确率在此背景下的可解释性。图像预处理方法的差异,例如使用全尺寸图像还是乳腺裁剪图像,也可能影响性能指标。因此,基于重叠的指标(如Jaccard指数和F1分数)能提供更有信息量的分割质量评估。
一项关于BAC分割框架的正式放射科医生验证研究(包括使用加权κ评估观察者间一致性)在我们的相关分割专题论文中报告[17]。本研究建立在该经过验证的分割方法基础上,以评估自动化BAC分级(面积和强度)与关联的心血管结局之间的关系。
我们的研究探讨了多种分级策略(二分类、基于面积、基于强度和组合分级)。与Wang等人[13]和AlGhamdi等人[14]仅关注二分类BAC检测不同,我们的模型将BAC分为“轻度”“中度”和“重度”。类似于冠状动脉钙化(CAC)评分采用无、极少、轻度、中度和广泛等分类[19, 20],并显示心血管事件HR呈非线性递增[21, 22]。同样,我们的数据显示在所有分级策略中,BAC严重程度与HR呈渐进性和非线性增加。基于面积的分级比基于强度的分级表现出更明显的剂量-反应关联,各严重程度类别的风险比从1.13增加到1.58,而基于强度的分级从1.08增加到1.18,增幅较小(表3)。值得注意的是,面积与强度相结合的分级方法显示了最清晰的风险组分离,风险比从轻度BAC的1.10逐步增加到重度BAC的1.65。
在Iribarren等人的研究中
[11],BAC与动脉粥样硬化性心血管疾病风险增加1.51倍相关,并且在平均6.5年的随访期间,全球CVD的HR略微增加至1.23。对于BAC > 0的受试者,严重程度按三分位数进行分类。然而,该研究未能确凿证明与全球CVD存在剂量-反应关联,可能原因是研究范围仅限于绝经后女性,且未涵盖心肌梗死等特定CVD事件。此外,该分析未评估钙化血管数量,而钙化血管数量与BAC覆盖面积相关。
所提出的分级系统或可作为传统心血管风险模型的补充——传统模型往往低估女性风险——通过提供一种基于影像的血管钙化独立标志物。由于BAC分级可在常规乳腺X线摄影中机会性获取,无需额外影像学检查或操作负担,它为将心血管风险信息纳入乳腺癌筛查流程提供了一种实用手段,尤其适用于无症状女性。在临床环境中,该自动化系统可作为现有PACS基础设施中的后台分析运行,以结构化报告或视觉叠加的形式返回BAC分级,对常规影像判读无明显影响。自动化分级可能有助于早期识别高危个体并促进及时转诊。标准化框架还可支持将BAC评估正式纳入临床指南,并提高女性心血管风险报告的一致性。
需要承认本研究存在若干局限性。第一,未能获得血压、糖尿病状态或血清胆固醇水平等传统心血管风险因素的直接测量值。取而代之的是以用药情况作为上述情况的替代标志物,这可能引入错误分类。未来纳入直接临床测量的研究可提供更多见解,尤其是与常规收集的健康记录进行关联是可行的,且在实施所提出的框架时不会产生额外成本。第二,本回顾性研究聚焦于平均年龄63岁的女性;因此,研究结果对更年轻或更年长人群的外推性可能有限。不过,由于该队列来源于基于人群的筛查档案,标准筛查年龄范围之外的女性本身就代表性不足。第三,分析仅限于单一筛查轮次;因此,无法评估BAC负担的纵向变化,也无法评估BAC进展(如从轻度到重度)与后续MACE风险之间的关联。有必要开展纵向研究,以探讨BAC随时间的动态变化及其与心血管结局的关系。此外,尽管训练和评估数据集包含了多家乳腺X线摄影设备制造商的图像,但分割性能未按成像系统分层。未来工作将评估模型性能是否存在特定厂商差异。最后,将分析扩展至纳入影像组学特征以及超出面积和强度之外的更详细BAC特征,可能进一步完善心血管风险评估。
本研究使用的关联主要心血管不良事件(MACE)结局是一个为人群水平数据关联而设计的复合心血管终点,其范围比某些临床上常规的、仅限于心肌梗死、卒中、心血管死亡及特定操作或心力衰竭的“硬MACE”定义更广。虽然该方法提高了对临床相关心血管疾病发病率的敏感性,但由于获批数据提取中无法获得事件级别的组成数据,因此限制了对单个事件亚型关联的评估。此外,预计若干个单独组成部分的事件数会更低,从而限制亚型特异性分析的把握度和精密度。未来工作将在可获得事件级别亚型数据和足够样本量的情况下,优先采用经裁定且事件特异性的结局。
总之,本研究提出了一个自动化检测和量化乳腺动脉钙化(BAC)的新框架,可为女性心血管疾病(CVD)风险提供可获取且独立的评估。我们模型的有效性通过在不同乳腺X线设备类型和品牌上的测试得到证实,同时纳入一种新的量化方法增强了其临床可行性。重要的是,使用所提出的分级系统,随着BAC严重程度的增加,风险比(HR)也随之升高,表明风险显著上升与BAC严重程度和强度的增加平行。这凸显了BAC作为预测女性心血管风险的一个有价值的独立因素的潜力。
补充信息
以下是电子补充材料的链接。补充文件1(DOCX 36 kb)
补充文件2(PNG 227 kb)
补充文件3(DOCX 30 kb)
引用
- Ibrahim, Brennan, Suleiman, et al. A novel deep learning-based grading system for assessing breast arterial calcification on mammograms, as an independent risk factor for predicting adverse cardiovascular events. Radiol Med. 2026. PMID: 42371293. doi:10.1007/s11547-026-02251-8
- 全文:PMC13658297(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC13658297/
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。