基于机器学习的冠状动脉CT血管成像对比剂强化不足预测
本研究利用1447例冠状动脉CT血管成像(CTCA)数据开发机器学习模型,预测升主动脉平均衰减值低于400 HU的对比剂强化不足病例。仅用患者特征和CT设置时最佳模型AUROC为0.78,加入试验团注特征后提升至0.84,敏感度0.66、特异度0.88。试验团注峰值高度是对低衰减预测影响最大的特征。
要点
- 机器学习模型可预测CTCA对比剂强化不足,加入试验团注特征后AUROC由0.78升至0.84。
- 试验团注曲线峰值高度是对低衰减预测影响最大的特征,低峰值与低衰减相关。
- 升主动脉衰减值低于400 HU定义为强化不足,本研究1447例扫描中399例(27%)属此情况。
核心结论
- 机器学习模型可预测CTCA扫描中的对比剂强化不足,试验团注特征对低衰减值有强预测价值,可用于进一步改进患者特异性对比剂注射方案。
研究设计与样本
- 回顾性研究,纳入2017年9月至2020年9月连续接受CTCA的18岁以上患者,共分析来自1364例患者的1447次CT扫描。
- 使用第三代双源192排CT扫描仪(Somatom Force,Siemens Healthcare),行试验团注后CTCA采集,管电压70–120 kV。
- 以升主动脉平均衰减值低于400 HU为强化不足的参考定义,采用分层10折交叉验证开发并评估逻辑回归、随机森林、极端梯度提升、支持向量机和神经网络模型。
关键影像表现/征象
- 399次(27%)扫描升主动脉衰减值低于400 HU。
- 升主动脉衰减值较冠状动脉略高,既往研究显示从升主动脉到近段冠状动脉平均衰减下降约25 HU、到远段冠状动脉下降约50 HU,故本研究升主动脉充足衰减的截断值定为400 HU。
- 高体重和低碘输送率与强化不足概率增加相关,高体重和低碘输送率也增加强化不足风险。
- 管电压70、80、90 kV与预期衰减值相关(SHAP值为负),100、110、120 kV与较低衰减值相关(SHAP值为正)。
诊断标准与关键数值
- 强化不足定义为升主动脉感兴趣区平均衰减值低于400 HU。
- 仅用患者特征和CT设置的最佳随机森林模型AUROC为0.78(95% CI:0.73–0.83),AUPRC为0.65(95% CI:0.58–0.71)。
- 加入试验团注特征的最佳随机森林模型AUROC为0.84(95% CI:0.81–0.87),AUPRC为0.71(95% CI:0.66–0.76),敏感度0.66、特异度0.88。
- 使用与不使用试验团注特征的模型AUROC差异有统计学意义(P=0.027),AUPRC差异无统计学意义(P=0.23)。
临床应用与阅片要点
- 原文指出,预测CTCA扫描对比剂强化不足可通过机器学习模型实现,试验团注特征可进一步改进患者特异性对比剂注射方案。
- 作者指出,本研究中患者特异性注射方案虽已按管电压和体重调整碘输送率,但患者间衰减值仍有相当大变异。
- 作者认为,在临床方案中值得按管电压进一步调整碘输送率,但额外的碘输送率调整无法涵盖其他设置与碘输送率及图像质量之间的相互作用。
- 作者指出,模型可作为预测低衰减的概念验证研究,所提出预测模型的有效性需在后续前瞻性研究中评估。
局限性
- 由于研究设计的回顾性性质,部分患者特异性特征不完整。
- 本研究为单中心研究,CTCA采用特定方案采集,机器学习模型未经额外数据重新训练时不适合用于不同方案。
- 所选升主动脉截断值400 HU是任意设定的。
- 图像质量仅通过客观衰减评估,未考虑噪声、伪影或定性质量评估。
- 所提出预测模型的有效性需在后续前瞻性研究中评估。
全文中译16 节 · 点击展开
引言
计算机断层扫描冠状动脉造影(CTCA)是一种非侵入性成像技术,用于冠状动脉疾病的解剖学评估[1–6]。使用含碘对比剂(CM)增强管腔衰减,从而能够评估冠状动脉管腔、血管壁及周围结构[7]。调整CM注射方案会改变血池的衰减系数。调整CM注射的常用策略是调节碘注射速率(IDR = 每秒注射的碘量[g I/s] = CM浓度 × 流速ml/s)[7]。除CM注射外,冠状动脉管腔衰减还取决于患者特征如体重和身长以及CT扫描仪设置,尤其是管电压(kV)[7]。其他参数,如测试团注的峰值高度和达峰时间,也与衰减相关,但在当前CM方案中通常未被考虑[8, 9]。更好地理解这些参数与管腔衰减之间的相互关系对于进一步改进患者特异性对比剂注射方案具有重要价值。减少碘负荷对于降低肾功能损害风险、减少环境污染和降低总体成本具有重要意义。然而,对比剂给药的不适当校正可能导致冠状动脉管腔衰减不足,这是不可接受的。
对于CTCA上冠状动脉疾病的准确评估,推荐动脉内衰减值高于350 HU [10–15]。在既往研究中,引入根据体重和kV调整IDR的患者定制CM方案,使冠状动脉衰减值更加恒定,并有利于减少总碘负荷[8, 10–12]。然而,在某些情况下,CM注射导致冠状动脉衰减值偏低,从而危及CTCA的诊断价值[8]。
我们假设机器学习(ML)可以帮助预测CTCA中对比剂衰减不足的病例。这将允许调整CM注射和CT扫描仪设置以增强冠状动脉衰减并提高诊断价值。此外,我们研究了使用测试团注特征进行预测的附加价值。为此,我们还分析了各特征对预测衰减不足的影响。
材料与方法
研究设计与人群
本回顾性研究按照《赫尔辛基宣言》原则进行,并经当地机构审查委员会批准。伦理委员会以豁免知情同意的方式批准了本研究。研究纳入2017年9月至2020年9月期间所有接受CTCA的18岁以上连续患者。如果采集方案偏离标准CTCA方案(如TAVI或心功能检查),或测试团注增强曲线未存储于医院影像归档和通信系统中,则排除该CT扫描。
CTCA采集方案
成像方案此前已有描述[8]。总之,所有图像均使用第三代双源192排探测器CT扫描仪(Somatom Force,Siemens Healthcare)获得。在CTCA采集前给予舌下硝酸甘油喷雾,并根据指征(心率>65次/分)给予β受体阻滞剂。使用固定10 ml未稀释对比剂(Ultravist 300:碘普罗胺300 mg I/ml,Bayer AG或Xenetix 350:碘比醇350 mg I/ml,Guerbet OptiVantage DH)的试验性团注注射、固定扫描延迟8 s和固定100 kV值,确定从开始注射对比剂至升主动脉对比剂强化峰值时间之间的时间。为确定CTCA采集的时机,扫描延迟由达峰时间加上冠状动脉充盈所需的额外4 s确定。对于CTCA扫描,所有患者均应用自动管电压选择(CARE kV,Siemens Healthcare),kV类别范围为70至120 kV,以10 kV递增。所有CTCA扫描均由当班CT技师进行视觉评估。CT扫描仪采集参数为:探测器准直2 × 96 × 0.6 mm,切片采集2 × 192 × 0.6 mm,使用z轴飞行焦点,机架旋转时间250 ms,时间分辨率66 ms,管电压70–120 kV(CARE kV),管电流180–600 μA。对于心率规则且< 70次/分的患者,在舒张期进行高螺距螺旋扫描。对于心率不规则且< 70次/分或心率在70至80次/分之间的患者,在舒张期进行前瞻性ECG门控序列扫描(步进式扫描)。对于心率不规则且> 80次/分的患者,在收缩期进行序列扫描。对于高心率和不规则心率,使用自适应前瞻性序列扫描模式中的填充以重建更多心动相位。图像以0.6 mm层厚和0.4 mm增量、使用迭代重建因子2(ADMIRE,Siemens Healthcare)进行重建。
对比剂给药方案
碘对比剂(300或350 mg I/ml)通过双头对比剂注射器(Guerbet OptiVantage DH)经右前臂静脉注射,该注射器配有耐高压延长管。以6 ml/s或6.5 ml/s注射10 ml对比剂试验性团注,随后以6或6.5 ml/s注射40 ml生理盐水冲管。用于高螺距螺旋CTCA扫描的(未)稀释对比剂团注量为50 ml,用于前瞻性序列步进式扫描的团注量为65 ml。前瞻性序列步进式扫描中采用较大的对比剂团注体积,以补偿较长的采集时间。对比剂团注以6 ml/s或6.5 ml/s的注射速率注入。所有对比剂注射后均以40 ml生理盐水冲管(6或6.5 ml/s)。IDR根据体重和kV设置进行调整,如既往研究所述[8]。CTCA采集的kV设置由CARE kV选择,并与体重一起用于提供患者特异性IDR(1–2.3 g I/s)。为达到所需IDR,对比剂通过双头对比剂注射器用生理盐水稀释,其中一个注射器填充未稀释对比剂,另一个填充生理盐水溶液。两种液体在耐高压延长管中混合,然后注入右前臂静脉。
数据提取
数据从DICOM标头和电子患者记录中自动检索。收集的患者特征包括性别、年龄、平均心率、体重和身高。此外,还收集了kV设置(管电压)、碘输送率(IDR)、总碘负荷和对比剂浓度。此外,我们从团注跟踪曲线(DynEva,Siemens Healthcare)中提取了测试团注特征,如测试团注衰减曲线的峰值高度(峰值高度,单位为HU)、对比剂曲线的达峰时间(达峰时间,单位为秒)和对比剂曲线的起始时间(曲线起始时间,单位为秒),如图1所示。既往研究已报道测试团注高度与冠状动脉衰减之间存在关联。因此,我们认为测试团注包含重要信息,并将其纳入模型[8, 9]。关于起始时间和达峰时间,由于所用数值取自团注跟踪曲线,分析中忽略了默认的8秒延迟。
对于管腔衰减的评估,我们使用内部开发的工具自动检测升主动脉。相应地,拟合一个半径约为主动脉半径70%的感兴趣区,以计算升主动脉的平均衰减,并排除血管壁中可能的边缘和钙化。在工具未能检测到升主动脉的情况下,手动选择位置。升主动脉的衰减值被用作冠状动脉衰减的替代指标。需要注意的是,升主动脉的衰减略高于冠状动脉。既往研究表明,升主动脉与冠状动脉的衰减之间存在强关联,从升主动脉到近段冠状动脉预计平均衰减下降25 HU,到远段冠状动脉下降50 HU [8]。因此,本研究升主动脉充分衰减的截断值为400 HU。
模型开发
模型经过训练以预测升主动脉管腔衰减不足。衰减不足定义为感兴趣区内平均衰减低于400 HU。机器学习技术用于处理所纳入特征之间的线性和非线性交互作用。这些技术包括:逻辑回归(LR)、随机森林(RF)、极端梯度提升、支持向量机和神经网络。为评估从测试团注中提取信息的附加价值,我们进行了两项实验:仅使用患者特征加CT设置,以及在此基础上额外纳入测试团注特征。两项实验遵循相同方法,仅在所纳入特征上有所不同。
我们使用分层10折交叉验证(CV)来开发和评估机器学习(ML)模型。在某些情况下,同一患者的CT被分入训练集和测试集时,这些CT从训练集中移除,以避免患者数据泄漏。训练集还用于通过网格搜索和另一次5折CV寻找最优超参数。在超参数优化后进行模型选择时,选择精确率(阳性预测值)和召回率(灵敏度)曲线下平均面积最大的模型。测试折在训练步骤中未使用。
为处理缺失值,我们使用MissForest,这是一种基于随机森林的迭代插补技术[16]。插补模型仅使用训练数据创建,以避免数据泄漏。作为某些ML技术的要求,连续特征通过去除均值和缩放至单位方差进行标准化。
关于所选分类器和用于优化的超参数的详细信息见补充材料表I和II。分析使用Python(Python Software Foundation,版本3.6,www.python.org)进行,使用了scikit-learn [17]和XGBoost [18]软件包。
模型评估
受试者工作特征曲线下面积(AUROC)和精确率-召回率曲线下面积(AUPRC)用于评估模型。由于应用了10折CV,我们计算了每个模型的平均值和95%置信区间(CI)。进行Wilcoxon符号秩检验以评估使用和不使用测试团注特征的预测模型之间AUROC和AUPRC的差异是否具有统计学显著性(p值 < 0.05)。
模型解释
为可视化预测分析中所纳入特征的重要性,使用了Shapley加性解释(SHAP)框架[19]。对于每个特征,通过排除该特征进行预测来计算特征重要性(SHAP值)。该值描述其对预测概率的影响程度。SHAP值越大,对预测的影响越大。此外,该值可以为正值(对应低衰减)或负值(对应正常衰减)。
SHAP值针对整个总体计算。此外,为更好地理解各特征在不同管电压下的效应,我们还按管电压组(70–120 kV)计算了SHAP值。
结果
共有来自1,364例患者的1,447次扫描纳入分析。在这些扫描中,399次(27%)被认为衰减不足。图2展示了衰减不足(227 HU)、准确(433 HU)和高(595 HU)的CTCA示例。自动升主动脉检测工具在不到1%的病例中失败。基线和描述性特征见表1,各管电压的平均衰减值见表2。患者体重与各kV组平均衰减之间的关系见补充材料图I。尽管我们的采集方案已对kV和体重进行了校正,但患者之间仍存在相当大的变异。
表3显示了所有实验的AUROC和AUPRC及其相应的95% CI。平均准确率最高的模型使用RF训练,AUPRC为0.71(95% CI:0.66–0.76),AUROC为0.84(95% CI:0.81–0.87),灵敏度为0.66,特异度为0.88(图3)。值得注意的是,这些模型包含了测试团注特征。关于不含测试团注特征的模型,表现最佳的模型同样由RF模型实现。相比之下,该模型的AUROC为0.78(95% CI:0.73–0.83),AUPRC为0.65(95% CI:0.58–0.71)。使用测试团注特征的各种模型之间AUROC和AUPRC值的差异无统计学意义。使用与不使用测试团注特征的预测模型之间AUROC差异有统计学意义(p值 = 0.027)。两个模型之间AUPRC的差异无统计学意义(p值 = 0.23)。
SHAP汇总图见图4,仅显示与CM方案相关的特征。正如预期,它显示高管电压与低衰减密切相关。此外,较高的体重和较低的IDR也会导致衰减不足的可能性更高。由于本研究中使用的对比剂注射方案根据kV设置和体重调整了IDR,因此在每个管电压组中评估了这些特征的影响(图5)。70、80和90 kV的kV类别与目标衰减值相关(SHAP值为负),而100、110和120 kV与较低的衰减值相关(SHAP值为正)。
图6显示了模型中使用的所有特征的SHAP值。在所有这些特征中,测试团注对比剂曲线的峰值高度是最具影响力的特征(低峰值高度与低衰减相关),其次是身高(本身高值与低衰减相关)。在方案特征方面,管电压是第三重要的特征。
讨论
在本研究中,我们已经证明机器学习(ML)模型在预测低衰减扫描方面是准确的。此外,在根据kV设置和体重调整IDR的患者特异性对比剂注射方案中,测试团注曲线的峰值高度是模型中最具影响的特征。纳入测试团注特征后,与仅使用患者特征和CT设置的模型相比,模型的预测准确性有所提高。这突显了测试团注特征,特别是测试团注衰减曲线的峰值高度与管腔内衰减之间的关联,在进一步完善对比剂方案时应考虑这一点。
在我们的人群中,尽管已根据kV设置调整了IDR,衰减仍与kV呈负相关。这些结果表明,在我们的临床方案中,值得针对kV进一步调整IDR。然而,这种针对kV的额外IDR调整无法解释其他设置对IDR和图像质量的相互作用,因为结果显示多个参数影响图像质量,且很可能是以非线性方式影响。在一项先前的研究中,我们表明患者定制的对比剂注射方案有助于减少冠状动脉对比剂衰减的变异。然而,尽管对kV和体重进行了校正,患者之间仍存在相当大的变异,且并非所有患者的冠状动脉衰减都足够高以确保准确的影像学评估。因此,我们的研究表明,对kV设置和体重进行简单校正低估了扫描参数的复杂性,因为这些校正未考虑其他参数与IDR的相互作用。
尽管在其他研究中已发现测试团注的峰值高度与图像质量显著相关,但在本研究中,我们旨在应用人工智能(AI)在根据体重和kV调整对比剂方案的临床环境中预测冠状动脉衰减过低。测试团注与冠状动脉CT血管成像(CCTA)上升主动脉最佳强化之间的强关联并不令人意外,因为其信号相似。然而,测试团注是小体积的对比剂。更长的团注会导致蓄积,从而产生更高的衰减平台。充盈时间将导致这一平台特征。这种上升斜率和平台的形式可能有所不同,最可能涉及达峰时间和峰值。
模型性能
我们评估了五种不同的机器学习技术,这些模型之间的准确率差异无统计学意义。本研究中使用的所有评估的机器学习技术似乎都能够识别对比剂不足的病例,包括仅考虑特征与结局之间线性关系的逻辑回归(LR)。以随机森林(RF)模型为参考,其灵敏度为0.66、特异度为0.88,我们能够识别出263例(共399例)CT检查中存在对比剂不足的病例,假阳性数量相对较少(125例)。此外,可以调整预测概率阈值以获得更高的灵敏度,但代价是降低特异度。
与既往研究的比较
多项研究旨在使用机器学习来改进CT采集过程和图像质量[20]。此外,一些研究旨在利用100–120 kV扫描中的测试团注特征开发患者定制化的对比剂(CM)方案,未覆盖目前可用的70–120 kV管电压范围[21, 22]。
除使用测试团注外,一些研究使用带有(自动)团注追踪的定制化对比剂方案。Martin等[23]评估了某厂商软件使用管电压定制化对比剂应用的可行性,但仍有超过25%的CT血管造影(CTA)升主动脉衰减低于400 HU。在另一项使用团注追踪的研究中,Yin等[24]评估了针对体质指数(BMI)或体表面积(BSA)定制的方案,无论采用哪种方式,均出现了主动脉衰减不足的病例。如本研究所呈现的,使用人工智能(AI)有可能通过在使用测试团注方案时自动检测衰减不足的病例来改进不同方案。
局限性
本研究在相对较大的队列中进行;然而,由于研究设计的回顾性性质,一些患者特异性特征不完整。此外,这是一项单中心研究,冠状动脉CT血管造影(CCTA)采用特定方案采集,使得机器学习模型在没有用额外数据重新训练的情况下通常不适用于不同方案。此外,所选定的截断值——升主动脉400 HU——是任意设定的。然而,应当注意该值并非高质量冠状动脉CTA的唯一标志。此外,质量是通过(客观的)衰减评估来处理的,而质量也可以通过(主观的)放射科医师评分来处理。然而,应当注意该值并非高质量冠状动脉CTA的唯一标志。此外,质量是通过(客观的)衰减评估来处理的,而质量也可以通过(主观的)放射科医师评分来处理。
关于本研究中使用的机器学习技术,所有测试的模型均达到了相似的准确率。这可能是由于本分析所考虑的特征数量有限。添加更多特征,例如从测试扫描中提取的信息或工程化特征,将增加额外价值,可被能够处理大量特征和非线性关系的技术所利用。尽管衰减是关乎CCTA图像质量的重要议题,但它并不能完全涵盖图像质量。本研究未考虑噪声、伪影或定性质量评估。
该模型可在大量人群中回顾性地准确预测低衰减。因此,当前研究应被视为一项预测低衰减的概念验证研究。所提出预测模型的有效性需要在后续前瞻性研究中加以验证。此外,IDR应调整的程度超出了本研究的范围。建立回归模型来估计衰减本身而非进行二分类,可能是一种解决方案。通过正确估计衰减,可以调整IDR,使预测衰减接近采集的管腔内衰减,而后者应接近期望值。该方法将在进一步研究中探讨。
尽管在其他研究中已发现测试团注的峰值高度与图像质量显著相关[8, 9],但在本研究中,我们旨在应用人工智能在按体重和kV调整对比剂方案的临床环境中预测冠状动脉衰减过低。测试团注与CCTA上升主动脉最佳强化之间的强相关性并不令人意外,因为其信号相似。然而,测试团注是小体积对比剂。较长的团注会导致蓄积,从而形成更高的衰减平台。充盈时间将导致这种平台特征。这种上升斜率和平台的形式可能有所不同,最可能涉及达峰时间和峰值。
对比剂到达不充分的一个不常见但重要因素是胸廓出口区域的动态静脉压迫。尽管技术人员接受了患者体位培训以避免静脉压迫以获得最佳对比剂动力学,但动态静脉压迫不能完全排除,这可能也导致了一些患者的低衰减,而当前分析未考虑这一点。
临床意义
当前固定的对比剂(CM)注射方案对于CTCA(CT冠状动脉造影)中获得充分对比增强可能过于简单。改进患者个体化对比剂注射方案的一个重要步骤是理解当前方法为何以及何时失败。预测方案何时可能失败是开发更稳健方案的第一步。利用本研究中开发的模型,可以准确预测衰减不足,并进行调整(如增加IDR)以避免衰减过低。本研究还显示了可从测试团注中提取的信息的潜在价值,这些信息可纳入更先进和更稳健的方案中。
结论
我们证明机器学习(ML)在我们本地成像方案下预测CCTA衰减不足是准确的。我们已经表明,在已按kV和体重调整的方案中,对ML模型影响最大的特征是测试团注曲线的峰值高度。我们的发现支持开发更精细、更稳健的患者个体化对比剂注射方案,并纳入测试团注特征。此外,应注意该方法是通用的,可应用于广泛的扫描方案。
补充信息
ESM 1(DOCX 102 kb)
引用
- Lopes RR, van den Boogert TPW, Lobe NHJ, et al. Machine learning-based prediction of insufficient contrast enhancement in coronary computed tomography angiography. Eur Radiol. 2022. PMID: 35708840. doi:10.1007/s00330-022-08901-5
- 全文:PMC9474338(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC9474338/
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。