文献速递心血管MR

机器学习与CMR影像组学预测新发心血管事件

Prediction of incident cardiovascular events using machine learning and CMR radiomics.
PubMed 文献 · Eur Radiol · 2022-12-13

本研究基于UK Biobank队列,利用机器学习整合血管危险因素、常规CMR指标和影像组学特征,构建模型预测新发房颤、心衰、心梗和卒中。结果显示影像组学特征在VRF和CMR指标基础上提供增量预测价值,其中心衰模型改善最显著。

要点

  • 影像组学特征可提升新发房颤和心衰的预测性能,优于单纯血管危险因素。
  • 心衰模型联合VRF、CMR指标和影像组学AUC达0.84,改善最明显。
  • 室壁形态和心肌纹理特征在预测模型中贡献突出,值得关注。

核心结论

  • 影像组学特征在血管危险因素和常规CMR指标基础上,对新发心血管事件提供增量预测价值。
  • 心衰预测模型改善最显著,房颤次之,心梗和卒中改善较小。

研究设计与样本

  • 研究基于UK Biobank前瞻性队列,纳入经历新发房颤(N=193)、心衰(N=209)、心梗(N=218)或卒中(N=199)的参与者,并为每个结局随机选取等量未发生该结局的对照。
  • CMR扫描使用1.5-T扫描仪(MAGNETOM Aera, Siemens),采集平衡稳态自由进动序列短轴栈,手动评估前5065例后用自动管道提取32121例轮廓。
  • 从右室腔、左室腔和左室心肌在收缩末期和舒张末期的3D感兴趣区提取262个影像组学特征,采用支持向量机分类,5次不同训练集(80%)和测试集(20%)划分评估模型。

关键影像表现/征象

  • 室壁形态特征(如最大直径)在房颤预测中判别力最强,伴随纹理非均匀性特征。
  • 心衰模型中,心肌、左室和右室的形态特征(最大直径、短轴、体积)显示强判别价值。
  • 心梗模型中纹理特征(如粗糙度、大面积低灰度强调)更突出。
  • 高血压在所有预测模型中被选中,除卒中模型外其单独准确率相似(房颤0.59 vs 心衰0.62 vs 心梗0.58 vs 卒中0.55)。

诊断标准与关键数值

  • 房颤预测模型(VRF+CMR+Rad)准确度0.71,AUC 0.76,与VRF+Rad模型AUC相似。
  • 心衰模型(VRF+CMR+Rad)准确度0.79,AUC 0.84;VRF+Rad模型准确度0.77,AUC 0.83。
  • VRF单独预测房颤AUC 0.67,加入影像组学后AUC提升至0.76(p<0.05)。
  • VRF单独预测心衰AUC 0.73,加入影像组学后AUC提升至0.83(p<0.05)。

临床应用与阅片要点

  • 影像组学特征可辅助识别房颤和心衰高危个体,尤其关注左室和右室形态及心肌纹理特征。
  • 常规CMR指标(如左室质量、左室每搏输出量)联合影像组学可提升预测性能。
  • 目前影像组学模型仍需外部验证,且CMR非常规筛查,不推荐仅为风险分层而行CMR检查。

局限性

  • 模型可能对UK Biobank参与者存在偏倚,未进行外部验证。
  • 病例对照设计存在残余混杂风险,仅研究了5%的UK Biobank人群,事件率2.5%。
  • 仅使用bSSFP序列衍生的左室和右室指标,未评估其他序列或右室心肌特征。
全文中译20 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者,按 CC BY 许可使用,本译文为翻译改编。出处:Eur Radiol. 2022 Dec 13;33(5):3488–500. doi: 10.1007/s00330-022-09323-z

引言

心血管疾病(CVD)是全球最常见的发病和死亡原因[1]。准确的风险分层在确保有针对性地实施预防策略方面具有关键作用。目前已提出依赖人口学和临床变量的现有疾病预测算法,用于预测选定的主要心血管疾病[2–4]。

心血管磁共振(CMR)是量化心血管结构和功能的参考模态,广泛用于临床和研究环境[5]。CMR提供的丰富表型分析能够表征临床前器官水平重构[6]。因此,将影像生物标志物整合到心血管疾病预测算法中的兴趣日益增长[7]。然而,现有的CMR图像分析方法局限于简单的容积测量或定性评估[8]。这些常规CMR指标(左心室射血分数或最大舒张末期壁厚度)已显示出在早期检测心脏恶化和表征亚临床疾病方面的潜力[9]。

影像组学是一种定量图像分析方法,能够提取关于心室形态和心肌特征的极其详细的信息,从而从现有的标准诊疗图像中提供新信息[10]。影像组学特征可作为临床模型中的预测变量,通常使用机器学习(ML)方法开发。影像组学分析相对于无监督机器学习算法的一个关键优势是模型的可解释性;即影像组学特征可以追溯到心脏的形态学和组织水平改变[11]。CMR影像组学处于发展的早期阶段,迄今为止现有工作主要集中在证明该技术用于疾病鉴别的可行性[12, 13]。CMR影像组学分析在肿瘤学领域更为成熟,在此背景下,影像组学模型已成功用于预测新发健康事件[14]。CMR影像组学模型对新发心血管疾病预测的价值此前尚未被研究。

在本研究中,我们旨在评估CMR影像组学预测四种主要新发心血管疾病的可行性和临床实用性:心房颤动(AF)、心力衰竭(HF)、心肌梗死(MI)、卒中。为评估CMR影像组学相对于现有方法的增量价值,我们分层构建了纳入传统血管危险因素(VRFs)和常规CMR指标的监督机器学习模型。

方法

人群与环境

英国生物银行(UKB)是一项大型队列研究,包含2006年至2010年间招募的超过五十万名个体。UKB提供了丰富的健康数据来源,包括全面的病史、危险因素、生物标志物和体格测量[15]。UKB影像研究始于2015年,目标是对原始数据集中的100,000名参与者进行扫描,其中包括CMR[16]。参与者的事件结局通过国家数据来源进行追踪,包括医院 episode 统计(HES)和死亡登记,以提供连续的纵向随访[17]。

伦理批准

本研究遵循《赫尔辛基宣言》;该工作获得了英国国家医疗服务体系(NHS)国家研究伦理服务委员会于2011年6月17日批准的UKB研究伦理许可(编号11/NW/0382),并于2021年6月18日扩展(编号21/NW/0157),所有参与者均签署了书面知情同意书。

研究样本的定义

从英国生物银行(UK Biobank)中,大多数参与者起始健康状况良好,随时间推移发生疾病。我们确定了截至删失日期2021年2月28日发生新发房颤(N = 193)、心力衰竭(N = 209)、心肌梗死(N = 218)或卒中(N = 199)的个体。结局通过关联的HES数据确定,疾病根据标准化国际疾病分类(ICD)编码定义(补充表1)。影像学检查时已存在目标结局的个体未被纳入。我们为每个结局(房颤、心力衰竭、心肌梗死、卒中)选择了对照人群,包含等量随机选取的随访期间未发生目标结局的受试者,以消除类别不平衡偏倚(图1)。

图1 研究样本的定义。缩写:AF,心房颤动;HF,心力衰竭;MI,心肌梗死 查看原图 ↗

血管危险因素

我们基于生物学合理性和文献中报道的关联选择了血管危险因素(VRFs),包括以下变量:年龄、性别、体重指数、物质剥夺程度、教育程度、当前吸烟、酒精摄入、体育锻炼、高胆固醇血症、糖尿病和高血压[18]。高胆固醇血症、糖尿病和高血压的确定定义见补充表1。

常规心脏磁共振(CMR)指标

所有CMR扫描均在专门的UKB影像中心使用1.5-T扫描仪(MAGNETOM Aera,Syngo平台VD13A,Siemens Healthcare)按照预定义的采集方案完成[19]。使用平衡稳态自由进动序列采集标准长轴图像和覆盖双心室从基底到心尖的短轴层叠图像[19]。前5065名UKB参与者的CMR检查使用CVI42后处理软件(版本5.1.1,Circle Cardiovascular Imaging Inc.)进行人工评估[20]。该分析集用于开发全自动质量控制流程,并为32,121例CMR检查提取轮廓[21, 22]。

在我们的分析中考虑了以下常规CMR指标:左心室舒张末期容积(LVEDV)、左心室收缩末期容积(LVESV)、右心室舒张末期容积(RVEDV)、右心室收缩末期容积(RVESV)、左心室每搏输出量(LVSV)、右心室每搏输出量(RVSV)、左心室射血分数(LVEF)、右心室射血分数(RVEF)、左心室质量(LVM)。为便于解读,我们以体表面积标准化格式给出左心室和右心室容积及质量。

CMR影像组学的研究背景

CMR放射组学是一种新型图像分析技术,可计算多种形状和纹理指数[10]。提取三类特征:形状、一阶和基于纹理的特征。一阶特征基于直方图,与组织中灰度值的分布有关。形状特征描述器官的几何特性,如体积、直径、短/长轴和球形度。纹理特征来源于编码全局纹理信息的图像,使用基于像素空间排列的数学公式。放射组学特征能够通过揭示肉眼不可见的模式来细致了解心脏的复杂性。因此,它提供了几乎无限的影像生物标志物来源,相比传统CMR指标具有潜在附加价值。然而,应注意不同特征的可重复性[23]。

放射组学特征提取

放射组学工作流程如图2所示。我们使用短轴堆叠轮廓进行常规图像分析,以定义放射组学分析的三个感兴趣区(ROI):舒张末期和收缩末期的右心室腔、左心室腔、左心室心肌。我们从ROI的三维体积中计算这些特征。采用开源PyRadiomics平台(版本2.2.0)提取放射组学特征。使用25的箱宽进行灰度值离散化,以提取基于强度的和纹理放射组学特征。每项CMR研究共纳入262个放射组学特征(左心室形状n=26,右心室形状n=26,心肌形状n=26,左心室心肌一阶n=36,左心室心肌纹理n=148)。

图2 构建新发CVD模型流程图。缩写:CMR,心脏磁共振成像;CVD,心血管疾病;VRF,血管危险因素 查看原图 ↗

放射组学特征选择

采用序列特征前向选择(SFFS)算法[24]选择最相关的特征子集,以提高计算效率或减少模型的泛化误差。SFFS从零特征开始,找到在估计器基于该单一特征训练时使评分最大化的特征。重复此过程,直到达到特征总数或没有改善。所选评分由支持向量机(SVM)模型给出[25, 26]。SVM的目标是最大化病例与对照之间的间隔,其定义为分离超平面(决策边界)与最接近该超平面的训练样本之间的距离,如图3所示。

图3 SVM最大化间隔过程。支持向量机模型的目标是最大化病例与对照之间的间隔,其定义为分离超平面(决策边界)与最接近该超平面的训练样本之间的距离,即所谓的支持向量(用圆圈标记) 查看原图 ↗

统计分析

数据分析和图形可视化使用Matlab(版本2001b)、R(版本4.1.2,R包:gplots包heatmap.2函数)和RStudio(版本2022.02.3)程序进行。我们使用Pearson相关评估常规CMR指标与放射组学特征之间的相互相关性。由于放射组学特征数量众多,我们按照先前发表的方法[27],使用层次聚类将相互相关的变量分为六个聚类。

我们创建了分层模型,以了解血管危险因素(VRFs)、常规心脏磁共振(CMR)指标和影像组学特征的影响,以及它们在新发心血管疾病(CVD)(房颤(AF)、心力衰竭(HF)、心肌梗死(MI)和卒中)预测中的综合应用。前三个模型分别评估VRF、常规CMR指标和CMR影像组学的性能。接下来,我们按以下方式组合各类别:VRF-CMR指标、VRF-影像组学、CMR指标-影像组学。最后,我们将所有三个组成部分合并为一个整合模型:VRF-CMR指标-影像组学。该流程的概要见图2。

训练数据集用于训练和调整模型参数,然后使用单独的测试集评估模型性能,以检验所构建的模型能够泛化到未见数据。采用SVM进行分类。我们选择SVM是因其特性:在实际应用中性能良好、计算高效、在高维情况下稳健,且理论基础扎实。为了调整SVM参数,使用了暴力穷举搜索,也称为贪心优化。然后使用优化后的参数训练模型。该调参和训练过程各进行五次,每次使用不同的训练(80%)和测试(20%)样本划分,以减少过拟合。测试折的平均误差决定模型的性能。

我们使用受试者工作特征(ROC)曲线和曲线下面积(AUC)评分确定模型性能。为评估模型准确性,报告平均准确率、灵敏度、特异度和AUC。连续值和分类值的组间比较分别采用Welch t检验和卡方检验。

结果

基线特征

受试者特征总结于表1。32,121名UKB参与者有可用的CMR数据。对于整个影像集,平均年龄为63.3(± 7.5)岁,样本包括51.9%的女性。在3.7(± 1.3)年的前瞻性随访期间,193名参与者发生新发AF,209名发生新发HF,218名发生新发MI,199名发生新发卒中。男性更可能发生所有考虑的新发CVD。正如预期,发生新发CVD事件的个体总体危险因素负担更大。

常规CMR指标在高危组和整个影像集之间存在差异:后来发生AF、HF、MI或卒中的参与者平均LVMi较高(p < 0.05)。与整个影像集相比,HF组的LVEDVi较大,LVEF降低(p < 0.05)。

表1 基线特征 查看原表 ↗

CMR指标与影像组学特征之间的相关性

图4显示了常规CMR指标与影像集影像组学特征之间的相关模式。总体而言,大小类影像组学特征与传统指标的相关性最强。此外,局部均匀性和形状组的一些参数也与传统指标相关。相反,大多数全局强度、局部暗度和全局方差特征与CMR指标显示出不一致的相关模式。因此,尽管常规CMR指标和影像组学CMR指标存在一定重叠,但影像组学特征在许多方面提供了新信息。

图4 全样本中传统心脏磁共振(CMR)指标与放射组学特征的相关矩阵。该相关矩阵展示了x轴上每个放射组学特征与y轴上所示传统CMR指标的相关性。由于放射组学特征数量较多,我们使用Ward算法的层次聚类将相互关联的变量分为六个聚类。缩写:LVEDV,左心室舒张末期容积;LVEF,左心室射血分数;LVESV,左心室收缩末期容积;LVM,左心室质量;RVEDV,右心室舒张末期容积;RVESV,右心室收缩末期容积;RVSV,右心室每搏输出量 查看原图 ↗

各CVD结局指标的确定

每个模型所选特征见补充表2、3、4和5。特征重要性以支持向量机(SVM)算法给出的每个单独特征的准确率表示。

SFFS算法为所有预测模型均选择了高血压;其单独准确率在各新发结局间相似,但卒中较低(准确率:AF vs HF vs MI vs 卒中——0.59 vs 0.62 vs 0.58 vs 0.55)。除HF模型外,所有模型均纳入了性别。LVM和LVSV是SFFS一致选择的两个传统特征。在所有模型中,单独LVM的准确率均高于LVSV。

各新发结局所确定的放射组学特征见表2。总体而言,心室形态和心肌纹理特征在所有模型中占主导地位,一阶特征仅起 marginal 作用。事实上,HF和MI预测模型仅包含形态和纹理特征。来源于左心室血池和心肌的放射组学特征在所有预测模型中占主导地位。值得注意的是,当传统CMR指标和放射组学特征同时纳入时,后者被选择的频率高于前者。

描述“最大直径”的形态特征在AF中表现出最强的判别力,同时还有非均匀性纹理特征。在HF模型中,形态特征(最大直径、短轴和体积)表现出最大的选择力,而在MI模型中,纹理特征(如粗糙度或大面积强调)更为突出。

表2 各新发CVD事件所选放射组学特征 查看原表 ↗

各新发CVD所达到的判别程度

分层模型的结果汇总于表3。测试折的平均误差决定模型性能。在各结局中,单独放射组学模型产生的判别力和敏感性略优于VRFs或传统CMR模型。AF和HF预测模型的表现总体优于MI和卒中预测模型。加入放射组学特征改善了VRF模型在AF(AUC:0.67 vs 0.76)和HF(AUC:0.73 vs 0.83)预测中的性能(图5)。

此外,在AF、HF和卒中预测模型中,VRFs与放射组学特征的联合达到了优于VRFs与传统CMR指标联合的性能。我们在联合VRFs、CMR指标和放射组学特征的新发AF预测模型中达到了最佳性能(表3)。

在补充表6中,我们增加了一项额外的实验,将健康对照定义为在基线访视时及随访期间没有任何心血管疾病或卒中的受试者,以观察模型是否表现相同。除敏感性较低外,所有模型的结果均遵循相同模式。此外,模型在单变量特征选择中使用40个特征时达到稳定。我们可以得出结论,无论比较组如何,我们模型的性能相当相似,这表明我们捕捉到的模式是稳定的。

表3 所有模型在5个不同测试折上计算准确度、敏感性、特异性和AUC的平均值和标准差的性能 查看原表 ↗
图5 ROC曲线显示仅血管危险因素以及血管危险因素与影像组学特征联合在所有 incident 结局预测模型中的判别能力。与仅使用血管危险因素(VRF)(蓝色)相比,血管危险因素(VRF)与影像组学特征的联合(橙色)在预测AF和HF方面达到更好的性能(p < 0.05)。缩写:AF,心房颤动;HF,心力衰竭;MI,心肌梗死 查看原图 ↗

讨论

在本研究中,我们证明了CMR衍生影像组学特征预测 incident AF、HF、MI和卒中的可行性。此外,使用分层构建的SVM模型,我们证明了CMR影像组学特征在风险预测方面相对于VRF和常规CMR指标的增量价值。

与现有文献的比较

据我们所知,这是第一项证明CMR影像组学模型对 incident CVD 预测价值的研究。先前的研究支持CMR影像组学在左心室肥厚鉴别诊断中的效用[28],尤其是肥厚型心肌病(HCM)的诊断[12, 29, 30]。Cetin等人已显示该技术在识别与心血管危险因素(如糖尿病或高血压)相关的影像学特征方面的潜力[13]。此外,Raisi-Estabragh等人证明了CMR表型与性别、年龄和重要VRF的独立关联[27]。最近,Ma等人得出结论,基于非对比T1图的影像组学列线图适用于预测急性MI患者的主要不良心脏事件[31]。

我们构建了分层模型,以检验使用SFFS算法将影像组学特征纳入预测AF、HF、MI和卒中时的效用和附加获益。毫不意外,高血压被证明是与所有考虑结局相关的关键易感因素。这一发现与大量证据一致,表明在所有CVD危险因素中,高血压与不良结局的因果关系最强[32–36]。除HF外,性别被选择纳入所有预测模型,这一发现与主要流行病学研究的结果一致[37, 38],这些研究显示男性和女性终生HF风险相当。值得注意的是,我们未对HF亚组进行区分,而Lam等[39]强调这些亚组 clearly 显示出性别特异性差异。左心室肥厚(最常通过LVM增加评估)是一个显著的预后标志物,涵盖广泛的病理改变,如肥厚型和浸润性心肌病,尽管它最常由慢性压力和容量超负荷引起[40]。早期研究在Framingham心脏研究中已认识到LVM增加是卒中的危险因素[41]。此后,由于LVM能够预测多种临床结局,其被广泛使用[40]。传统指标根据质量或壁厚度量化LVM,而影像组学分析还可量化LV心肌内心肌信号强度的分布和模式。因此,与传统CMR指标相比,从心肌提取的影像组学特征可能提供更细粒度的健康和疾病区分,而传统CMR指标较为粗糙,对所有危险因素最具区分度的单一特征为更高的LVM[13]。事实上,Schofield等显示,源自bSSFP序列的纹理影像组学特征可区分LV肥厚的病因[42]。这些发现提示,影像组学有能力在LVM限度之外丰富风险信息。在我们的研究中,纹理特征被确定为最具定义性的模型预测因子,突出了这些指标的临床相关性。

最后,我们说明,源自CMR的影像组学特征在预测新发AF和HF方面,可较VRF和CMR指标提供增量区分价值。HF模型在加入影像组学特征后显示出最稳健的改善,而卒中预测在分层模型中仅显示轻微改善。这可能部分归因于病因:主要影响心脏整体肌肉结构的疾病,如扩张型心肌病(HF最常见的非缺血性病因[30]),可能更适合由CMR影像组学捕获。相比之下,MI通常包括更局灶的心肌损伤区域,而卒中是一种原发性脑部疾病。

影像组学发现的临床解读

形状特征和纹理影像组学特征在房颤预测模型中显示出最具区分度的价值。最突出的形状特征是左心室和心室壁在心动周期不同阶段的最大直径。这指的是心脏不良重构(表现为较大的心腔尺寸和肥厚)易导致房颤的概念。非均匀性水平(“依赖性非均匀性”和“灰度非均匀性”)的改变指的是强度值异质性的变化,这可能反映了心肌组织结构的不良改变。同样,“大面积低灰度强调”提示存在较大的低信号强度(较暗)像素的心肌区域。事实上,左心室舒张功能障碍与普通人群中房颤风险增加相关[43],最近Tian等人证明了肥厚型心肌病(HCM)患者中左心室不良重构与房颤之间的关联[44]。

在心衰模型中,源自心肌、左心室和右心室的形状特征显示出很强的区分价值。这可以用心衰患者特征性的不良且常为双心室的重构来解释。我们的结果表明,除了给定切面的直径外,心脏的伸长(由“短轴”描述)也提供了额外信息。

局限性

尽管我们的分析通过不同的数据划分来进行,以通过最小化过拟合的情况使模型独立于样本,但模型仍可能对英国生物银行(UKB)中获得的参与者存在偏倚。在这项概念验证研究中,我们将研究限制在源自平衡稳态自由进动(bSSFP)图像的左心室和右心室指标。这项概念验证研究在当前状态下的临床实用性有限:(1)心脏磁共振(CMR)不是常规检查;(2)不应仅以风险分层为目的进行CMR检查。然而,我们认为可以合理推测,影像组学模型可能对已有临床指征进行的CMR扫描是有用的增强,并可能在未来改善风险分层。

此外,尚未进行外部验证,病例对照设计留下了显著的残余混杂风险。值得注意的是,仅研究了英国生物银行人群的5%,在这项假设生成研究中的事件率为2.5%。因此,如果将这些影像组学指标应用于普通队列,模型的预测能力仍未得到解答。

结论

我们证明了使用CMR衍生的影像组学特征预测关键心血管结局的可行性。影像组学特征在传统心血管危险因素(VRFs)之外提供了额外信息,尽管与传统CMR指标相比改善仅为边际性。改善在房颤和心衰预测中最为突出,这强调了影像组学模型的性能取决于疾病的病因和机制。

补充信息

ESM 1(DOCX 95.4 kb)

引用

  1. Pujadas, Raisi-Estabragh, Szabo, et al. Prediction of incident cardiovascular events using machine learning and CMR radiomics. Eur Radiol. 2022. PMID: 36512045. doi:10.1007/s00330-022-09323-z
  2. 全文:PMC10121487(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC10121487/

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。