肥厚型心肌病纤维化识别:心脏磁共振电影成像的影像组学研究
该回顾性单中心研究纳入273例肥厚型心肌病患者,基于电影CMR提取最大壁厚切片与整个左心室心肌的影像组学特征,构建融合图像特征与组学特征的模型,在测试集中ICMR+R2模型识别晚期钆增强阳性患者的AUC为0.898、敏感度92.54%,R2模型排除阴性患者特异度93.33%。
要点
- ICMR+R2模型可用于识别HCM纤维化高风险患者,敏感度92.54%。
- R2模型适合筛查无纤维化患者,特异度93.33%,避免不必要的增强扫描。
- 基于整个左心室心肌的组学模型优于基于最大壁厚单层切片的模型。
核心结论
- 融合整个左心室心肌图像特征与影像组学特征的预测模型诊断性能好、稳健且具有临床实用性。
研究设计与样本
- 回顾性单中心研究,纳入2013年1月至2020年12月273例肥厚型心肌病患者,按7:3分为训练集和测试集。
- 使用1.5-T磁共振扫描仪(GE Signa Excite HD或Siemens MAGNETOM Avanto)行电影和LGE序列,以LGE作为纤维化参考标准。
- 从最大壁厚切片和整个左心室心肌分别提取1130和1688个影像组学特征,采用XGBoost构建模型,并以ROC、校准曲线和DCA评估。
关键影像表现/征象
- 电影成像上,纤维化阳性患者具有更高的最大壁厚和左心室质量指数,以及更低的整体径向、 circumferential和纵向应变及其应变率。
诊断标准与关键数值
- 以LGE至少一个节段心肌强化定义为LGE(+);LGE范围以高于远程正常心肌5个标准差灰度阈值量化为左心室质量百分比。
- 测试集中ICMR+R2模型识别LGE(+)的AUC为0.898,诊断准确率89.02%,敏感度92.54%,F1分数93.23%,NPV 68.75%。
- 测试集中R2模型识别LGE(+)的AUC为0.906,特异度93.33%。
- 训练集中ICMR+R2模型诊断准确率92.15%,敏感度97.28%,NPV 89.19%,F1分数95.02%。
- 决策曲线分析显示,在40%至90%阈值概率范围内,基于R2和ICMR+R2模型指示行非增强CMR具有更好的净获益。
临床应用与阅片要点
- 对于HCM患者,可基于常规电影CMR影像组学模型个体化决定是否行LGE扫描,低风险者可避免钆对比剂注射。
- 阅片时关注最大壁厚、左心室质量指数和整体纵向应变等与纤维化独立相关的影像特征。
- 基于整个左心室心肌的组学模型优于仅基于最大壁厚单层切片的模型,提示分析范围应覆盖全部心肌。
局限性
- 单中心小样本研究,需多中心大样本验证模型有效性。
- 结果基于两种MR扫描仪,需在更多样化人群和扫描仪上测试泛化性。
- 缺乏定量瘢痕分析,仅评估舒张末期电影图像。
- 研究纳入的LGE(+)患者比例略高于其他研究,可能存在选择偏倚。
全文中译14 节 · 点击展开
引言
心肌纤维化是肥厚型心肌病(HCM)的特征性病理表现。HCM患者的心肌纤维化是不良预后的预测因素,包括心源性猝死、心力衰竭和室性心律失常[1, 2]。心脏磁共振(CMR)是评估心脏结构和功能的金标准无创模态。晚期钆增强(LGE)序列可通过后处理技术检测纤维化并量化瘢痕心肌[3]。然而,HCM患者通常比接受增强CMR扫描的普通人群更年轻,且需要多次CMR以评估终生疾病进展,估计其中近1/3–1/2的患者无纤维化[2, 4, 5]。多项研究表明,钆剂在慢性肾脏病患者中应谨慎使用,并在钆剂过敏者中禁用。反复注射钆剂可能导致其在中枢神经系统沉积[6, 7]。因此,寻找个性化策略以识别需要LGE扫描的HCM患者非常重要。对于纤维化高风险患者,应进行LGE以进一步定量和预后分析;而对于纤维化低风险患者,可尽量减少对比剂暴露,从而减少扫描时间和医疗费用。
近年来,广泛数据挖掘在临床医学中的应用和探索大幅增长。放射组学在心脏疾病中日益普及,因其可表征心肌组织[8–11]。Neisius等证明,原生T1 mapping的放射组学分析在区分HCM与高血压性心脏病以及识别LGE(−)患者以避免钆剂给药方面,可优于整体原生T1值[12, 13]。然而,与电影序列不同,mapping技术在大多数医院不可用。Schofield等分析了电影成像中左心室中间层切片的纹理特征,表明放射组学可区分各种左心室(LV)肥厚病因[14]。然而,基于整个LV心肌与LV心肌切片的放射组学研究之间的比较尚未见报道。
本研究旨在建立基于电影成像融合图像特征和纹理特征的模型,以检测HCM患者的纤维化,并比较使用单切片和整个LV心肌构建的模型的性能。
材料与方法
研究人群
我院伦理委员会批准了本研究,并因其回顾性性质而豁免知情同意要求。研究纳入2013年1月至2020年12月期间接受CMR扫描的HCM患者(图1)。HCM的定义参照既往指南:CMR图像上最大LV厚度≥ 15 mm,或≥ 13 mm且有记录的HCM家族史[2]。排除标准如下:图像质量差或不完整、既往射频消融或酒精消融、心肌梗死,以及由其他原因导致的心肌肥厚,如高血压性心肌病、控制不佳的高血压、心脏淀粉样变性、瓣膜病和Fabry病。
心脏磁共振成像
CMR扫描在1.5-T磁共振扫描仪(GE Signa Excite HD或Siemens MAGNETOM Avanto)上进行,使用相控阵体线圈。采用回顾性心电图门控和平衡稳态自由进动序列采集覆盖整个左心室的短轴电影图像和长轴电影图像(两腔/三腔/四腔)。各自参数如下:层厚/间隔,8 mm/2 mm;重复时间(TR),3.5和2.64 ms;回波时间(TE),1.5和1.11 ms;翻转角,45°和56°;视野(FOV),360 × 360和340 × 276 mm2;采集矩阵,224 × 224和192 × 125 pixels2;重建矩阵,512 × 512和192 × 156 pixels2;时间分辨率,49和47.52 ms。GE扫描仪使用阵列空间和敏感度编码技术(加速因子 = 2),而Siemens扫描仪使用广义自动校准部分并行采集(加速因子 = 2)。静脉注射0.15–0.2 mmol/kg钆喷酸葡胺(北陆)后8–10 min获得LGE图像,参数如下:层厚/间隔,8 mm/2 mm;TR,6.6和2.5 ms;TE,3.1和1.09 ms;翻转角,20°和40°;FOV,360 × 324和340 × 255 mm2(补充表S1)。
影像分析
心脏功能和应变分析使用CVI42版本5.13.5(Circle Cardiovascular Imaging Inc.)进行。通过将短轴图像加载到short-3D模块中,自动计算左心室功能,包括左心室射血分数(LVEF)、左心室舒张末期容积指数(LVEDVI)、左心室收缩末期容积指数(LVESVI)、每搏量指数和左心室质量指数(LVMI)。将一组长轴(两腔/三腔/四腔)和短轴图像加载到组织追踪模块中进行二维应变分析。自动勾画左心室舒张末期心内膜和心外膜边界,以在整个心动周期中追踪心肌,并在必要时手动调整以获得最佳追踪。然后,得出心肌应变和应变率的峰值:整体径向、圆周和纵向应变(GRS、GCS、GLS);整体径向、圆周和纵向应变率(GRSr、GCSr、GLSr);舒张期早期整体径向、圆周和纵向应变率(GRSDr、GCSDr、GLSDr)。在短轴图像上测量舒张末期最大室壁厚度(MWT)。在三腔心切面上测量左心房前后径。
在组织特征模块中获得LGE分析。具有4年CMR经验的放射科医生A在短轴和长轴切面上视觉评估LGE。如果患者至少在一个节段存在心肌强化,则归类为LGE(+)。如果不确定,则咨询资深放射科医生,通过讨论达成共识。LGE范围使用距远端正常心肌> 5个标准差(SD)的灰度阈值,量化为占左心室总质量的百分比(%LGE)。HCM队列分为LGE(+)和LGE(−)组。
影像组学特征提取
放射科医师A在短轴电影视图上手动勾画舒张末期整个左心室(LV)心肌作为感兴趣区,使用ITK-SNAP 3.8.0版(http://www.itksnap.org/)。在特征提取之前,使用SimpleITK最近邻重采样滤波器将电影图像插值为1 × 1 × 4 mm3的体素大小,以减少图像内变异性。对所有图像进行最小-最大归一化,将像素强度映射至0–255。Pyradiomics软件包3.0.1版(https://github.com/Radiomics/pyradiomics)分别从MWT切片和整个LV心肌中提取了1130个和1688个特征,包括四个类别:两者均有18个一阶特征、14个形状特征(2D/3D)和75个纹理特征,以及分别有1023个和1581个高阶特征。
影像组学特征选择
放射科医师A对随机选取的30例HCM患者的图像间隔一个月进行两次勾画,以检验组内可重复性。这30例患者还由放射科医师B(具有5年CMR经验)进行评估,以评估组间可重复性。组内和组间相关系数(ICC)> 0.85的特征被认为具有可重复性并保留用于进一步分析。随后,Boruta算法对全部影像组学特征进行降维[15]。计算并排序每个特征的重要性,保留前100个特征。选择极端梯度提升(XGBoost)作为预测的机器学习技术。
模型构建与验证
在训练集中使用逻辑回归和共线性分析选择具有显著差异的CMR成像参数。这些参数用于构建CMR模型。R1和R2模型分别基于MWT切片和整个LV心肌,使用XGBoost选择的影像组学特征构建。ICMR+R1和ICMR+R2模型通过逻辑回归整合CMR模型与R1或R2模型构建。受试者工作特征(ROC)曲线评估模型的诊断性能。校准曲线和Hosmer-Lemeshow检验评估校准性能和拟合优度。决策曲线分析(DCA)评估模型的净获益。净重分类改善(NRI)和综合判别改善(IDI)评估ICMR+R2对识别纤维化的增量价值。图2展示了研究方法流程。
统计分析
数据分析使用IBM SPSS Statistics for Windows 23.0版(IBM Corp.)和R studio(4.1.2版,http://www.r-project.org/)进行。连续变量以均值 ± 标准差或中位数(四分位距)表示。Shapiro Wilk检验评估数据分布的正态性。酌情使用Student's t检验或Mann–Whitney检验评估组间差异。分类数据以频率(百分比)表示,卡方检验或Fisher精确检验比较组间差异。统计学显著性设定为p < 0.05。
结果
HCM患者的临床数据和CMR变量
本研究纳入273例肥厚型心肌病(HCM)患者(训练集70%,测试集30%)。患者及心脏磁共振(CMR)特征总结于表1。在训练集中,中位年龄为55岁,男性占67.54%,147例(76.96%)为晚期钆增强(LGE)阳性。与LGE(–)组相比,LGE(+)组中有更多患者具有非持续性室性心动过速病史和左心室射血分数(LVEF)< 50%,并表现出更高的最大室壁厚度(MWT)和左心室质量指数(LVMI)以及更低的应变,包括整体径向应变(GRS)、整体周向应变(GCS)、整体纵向应变(GLS)、GRSr、GCSr、GLSr、GRSDr和GLSDr(均p < 0.05;表1)。在测试集中,中位年龄为53.5岁,大多数为男性(73.17%),67例(81.70%)为LGE(+)。左心室舒张末期容积指数(LVEDVI)、左心室收缩末期容积指数(LVESVI)、MWT、LVMI、GRS、GCS、GLS、GLSr和GLSDr在LGE(–)组与LGE(+)组之间差异有统计学意义(均p < 0.05;表1)。两组在所有其他变量方面相似。
影像组学特征选择
影像组学工作流程如图2所示。分别从整个左心室心肌和MWT切片中提取了共1688个和1130个特征。其中,1041个和546个特征具有良好的可重复性,组内相关系数(ICC)> 0.85。XGBoost算法筛选出最重要且稳健的特征。补充图S1展示了从MWT切片和整个左心室心肌中所选特征的重要性水平。LGE(+)组的预测评分远高于LGE(–)组(补充图S2)。R1中排名前三的影像组学特征、R2中排名前五的影像组学特征,以及在LGE(+)患者中的相关性解释见补充表S2。
模型构建与评估
单因素和多因素logistic回归及共线性分析显示,MWT、LVMI和GLS是LGE(+)的独立预测因素(图3)。因此,我们建立了五种预测模型:CMR模型、两种影像组学模型(R1和R2)以及两种整合模型(ICMR+R1和ICMR+R2)。在训练集中,R2、ICMR+R1和ICMR+R2模型较CMR和R1模型能更好地区分LGE(+)组与LGE(–)组(曲线下面积(AUC)值分别为0.909、0.901和0.930)(图4a)。在测试集中,R2和ICMR+R2模型对LGE(+)患者表现出优异的预测能力(AUC值分别为0.906和0.898;图4b)。雷达图(图5)和表2显示,ICMR+R2模型在训练集(分别为92.15%、97.28%、89.19%和95.02%)和测试集(分别为89.02%、92.54%、68.75%和93.23%)中区分LGE(+)与LGE(–)患者具有较高的诊断准确率、灵敏度、阴性预测值(NPV)和F1评分。R2模型在测试队列中达到93.33%的特异度。补充图S3展示了通过影像组学分析揭示纤维化的电影成像中心肌表现。
此外,我们评估了五种模型的校准度及其对临床决策的影响。校准图表明,ICMR+R2模型校准良好,各组的平均预测概率接近观察概率(图6a、b)。Hosmer-Lemeshow检验进一步证实了这一点,两个队列中p值均>0.05,提示没有理由拒绝各组预测与观察LGE(+)概率之间无差异的零假设。比较五种模型性能的DCA结果如图6c和d所示。结果表明,在40%至90%的阈值概率范围内,根据R2和ICMR+R2模型的提示使用平扫CMR比其他模型具有更好的净获益。此外,与CMR模型相比,ICMR+R2模型在训练集(分别为0.854和0.302)和测试集(分别为0.498和0.136)中产生了显著阳性的NRI和IDI,表明ICMR+R2模型能够改善对HCM纤维化的判别和重分类能力。此外,我们对R2和ICMR+R2模型进行了亚组分析。GE和Siemens扫描仪中的AUC值与两个数据集中的混合数据相似(补充表S3),提示我们的模型在两个扫描仪的数据上表现同样良好。
讨论
在本研究中,我们基于电影成像构建了CMR、放射组学和整合模型,以识别HCM患者的纤维化。独立测试集的结果显示,ICMR+R2模型能够有效检出62例(92.54%)LGE(+)患者,而R2模型筛出了14例(93.33%)LGE(–)患者。包含源自整个左心室心肌的放射组学特征的模型可能提供一种可靠且稳定的工具,用于识别具有高纤维化风险的HCM患者并筛出低风险患者,避免不必要的对比增强CMR扫描。
肥厚型心肌病(HCM)的表观表现为心肌增厚 [1, 2]。左心室壁厚度(MWT ≥ 15 mm)是HCM诊断的最重要标准之一 [2]。MWT是推荐植入型心律转复除颤器植入时使用的若干临床特征之一 [16, 17]。既往研究已证明,心肌肥厚和纤维化可导致左心室应变减低 [18, 19]。本研究发现三种与纤维化独立相关的影像学特征。包含MWT、LVMI和GLS的CMR模型在测试队列中识别LGE(+)患者的AUC值为0.847。然而,该CMR模型仅显示出轻度准确的准确率(70.73%)、敏感度(65.67%)和F1评分(78.57%)。在临床实践中,我们经常遇到左心室壁增厚但无LGE高信号的情况 [20]。因此,仅基于影像学特征识别纤维化的价值有限。
放射组学可对医学图像进行深入分析,并提取大量肉眼无法观察的特征[8]。Baessler等证明,非增强电影图像的放射组学可准确诊断亚急性和慢性心肌梗死[21]。我们的研究分析了MWT切片和整个左心室心肌的放射组学。我们发现,R2模型中几乎所有的放射组学特征都是经各种算法改变的高阶特征,这些特征能够识别与纤维化相关的非均匀且粗糙的心肌纹理。结果表明,高阶特征可提供丰富且准确的鉴别诊断信息[22, 23]。在五个模型中,CMR、R1和ICMR+R1模型在识别LGE(+)患者方面的AUC值相似,提示基于单一心肌切片的放射组学模型在诊断HCM纤维化方面并不优于影像特征。相比之下,R2和ICMR+R2模型具有更好的区分能力,在测试队列中的AUC值分别为0.906和0.898。ICMR+R2模型正确识别了大多数LGE(+)患者(92.54%),这些患者可从LGE扫描中获益。基于R2模型,至少93.33%的无纤维化患者可避免重复增强CMR。因此,在综合评估ROC曲线、混淆矩阵、决策曲线和重分类指数后,我们认为ICMR+R2模型是识别LGE(+)患者的最佳工具,而R2模型更适合筛查LGE(–)患者。在临床实践中,增强CMR最常用于评估纤维化。无论纤维化概率如何,建议无禁忌证的HCM患者进行LGE扫描。本研究提出了一种个性化策略,即对纤维化低风险的HCM患者进行无钆CMR,对纤维化高风险患者进行LGE扫描。一项针对1099例HCM患者的多中心研究建立了一个结合形态学(MWT和放射组学特征)和功能(心室壁增厚)的深度学习模型[24]。在验证集中被该模型判定为无纤维化的82例患者中,73例(89%)为真阴性,可避免增强CMR。我们的研究结果显示出一些差异。GLS作为最终选择的功能变量,被证明是一个相对稳定且方便的形变因子[25, 26]。尽管ICMR+R2模型只能识别68.75%的无纤维化患者,但即使在数据有限的情况下,它仍表现出令人满意的区分度和稳定性以及优异的敏感性(92.54%)和F1评分(93.23%)。
既往研究表明,基于CT及其他MR序列的影像组学或深度学习可识别纤维化高风险的HCM患者。Qin等[27]证实,基于CT血管成像的影像组学模型评估纤维化存在的AUC为0.78。然而,CTA使患者暴露于辐射并增加造影剂过敏风险。Zhang等[28]提出了一种基于电影图像的深度学习方法,可检测慢性心肌梗死的存在、位置和大小。Zhang等[29]表明,虚拟原生增强成像可利用深度学习融合原生T1 mapping和电影图像生成LGE等效图像。此类图像在检测纤维化分布和定量方面与LGE达到高度一致性。然而,T1 mapping仅在一些大型三级医院开展,主要用于科学研究,仅有少数中心将mapping序列加入常规扫描。此外,深度学习仍存在技术复杂被视为“黑箱”的问题。我们的ICMR+R2模型基于常规电影图像通过影像组学构建,呈现出良好的判别性能和可观的临床获益,有助于推动其在临床实践中的应用。
本研究存在一些局限性。第一,这是一项单中心研究,样本量较小。需要更大样本的多中心研究来确认模型有效性。第二,结果基于两台MR扫描仪。未来研究应在多样人群和扫描仪上检验模型的泛化性。第三,我们的研究缺乏定量瘢痕分析。我们正在尝试收集多中心数据以进行进一步的定量和预后研究,希望不久能在选定的HCM患者中实现无钆扫描。第四,我们评估了舒张末期而非收缩末期电影图像。这是因为可用于HCM诊断和CMR模型训练的MWT数据是在舒张末期采集的。最后,我们的研究纳入的LGE(+)患者略多于其他研究,可能是因为转诊至我们中心的患者经下级医院筛查,导致了选择偏倚。
结论
融合整个LV心肌影像组学的预测模型具有良好的诊断性能、稳健性和临床实用性。该模型可能为不必反复接受增强CMR的患者提供一种经济可行的替代随访方案,避免不必要的造影剂注射。
补充信息
ESM 1(DOCX 656 kb)
引用
- Pu, Hu, Lv, et al. Identification of fibrosis in hypertrophic cardiomyopathy: a radiomic study on cardiac magnetic resonance cine imaging. Eur Radiol. 2022. PMID: 36334102. doi:10.1007/s00330-022-09217-0
- 全文:PMC10017609(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC10017609/
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。