影像组学在心血管磁共振中的研究进展

王鹏飞，任天阳，张晨阳，贺俊红，任金武（通信作者）

（1 承德医学院研究生学院 河北 承德 067000）

（2 保定市第一中心医院影像科 河北 保定 071000）

（3 外交学院英语系 北京 102299）

心血管疾病是全人类最常见的死因，死于心血管疾病的人数约占全球死亡人数的三分之一[1]。心血管磁共振（cardiovascular magnetic resonance，CMR）作为心脏检查的主要手段之一，利用心脏内组织及结构的差异性，从而呈现出心脏解剖及功能图像。因此，CMR 可用于评估心室功能、心肌灌注以及不同时相的心肌状态，为临床医生决策提供有效信息[2]。影像组学是指从医学图像中获取特征数据，依靠相关算法进行综合分析，可辅助医生进行诊断、预测疾病的预后等。随着人工智能的兴起，这一领域已成为当前国内外学者研究的热点。

1 影像组学介绍

“组学”两字代表从研究对象中提取复杂的高维数据，从而达到系统性分析的目的，工作流程依次包括以下几步：（1）图像采集；（2）图像分割；（3）特征提取；（4）特征筛选；（5）建立模型；（6）验证模型的效能[3]。

影像数据的预处理对于保证提取特征的准确性至关重要，尽管图像生物标志物标准化倡议（IBSI）为影像组学图像预处理设置了一定的标准，但针对各个部位、器官详尽的标准仍需进一步修订[4]。

图像分割是指从影像数据中勾画出需要研究的一个或多个图像，分割出的图像被称为感兴趣区（region of interest，ROI）。图像的勾画方式依据是否依靠人工智能以及人工智能参与的程度分为手动勾画、半自动勾画和自动勾画。手动勾画由一个或多个有经验的医师肉眼观察进行图像分割；自动勾画和半自动勾画完全或部分由人工智能完成，其具有可重复且快速的特点，是人工智能领域的热门研究方向[4]。

勾画的感兴趣区域用于提取影像组学特征，具体包括：形状特征、一阶特征、二阶特征和高阶特征。形状特征指感兴趣区域的形状和几何特征。一阶特征主要描述图像中每个体素数值的大小，不涉及体素之间的关系；二阶特征通过分析每一个像素与它们各自相邻矩阵的关系而来；高阶特征是使用特定滤波器的数学算法产生的影像组学特征，其可以反映多个像素的关系和差异[5]。

特征筛选是指在提取的大量影像组学特征中选择重要性高的特征。由于提取的特征数量众多，许多特征相互之间关系密切，无法突显出最重要的特征，这种现象被称为过拟合（overfitting）。在这种情况下，对所获得的特征进行特定和精确的选择变得十分必要[6]。

建立模型具体是指将筛选出来的特征及临床数据等作为模型训练的条件和素材，以收集病例的结果（例如生存率、有无疾病进展或治疗效果的评估）作为标准，对模型进行训练和测试。

最后，构建的模型必须在训练集和测试集上进行训练和优化，最后在外部数据集上进行验证。部分研究没有进行外部数据集的验证，而是通过内部验证来进行模型效能的评估，这可能使评估的结果过于乐观。因此，目前使用外部数据集进行验证仍然是更具有说服力的方法[7]。

2 影像组学在结构性心脏病CMR评估中的应用

常见的结构性心脏病包括肥厚型心肌病（hypertrophic cardiomyopathy，HCM）、限制型心肌病、扩张型心肌病和致心律失常性右室心肌病[8]。肥厚型心肌病是最常见的结构性心脏病，主要的组织病理学表现为心肌纤维化、心肌细胞肥大、排列紊乱[9]。肥厚型心肌病典型CMR 表现为室间隔心肌壁不均匀肥厚、钆增强延迟期（late gadolinium enhancement，LGE）心肌内见斑片状强化影，这可以与高血压心脏病鉴别。但当心肌表现为左心室壁心肌弥漫性肥厚或弥漫性纤维化时，两者鉴别十分困难[10]。

2.1 影像组学在肥厚型心肌病CMR 评估中的应用

肥厚型心肌病患者的肌原纤维结构紊乱、心肌纤维化，肉眼观察平扫T1或T2加权图像时难以寻找，但在LGE 表现为不均匀高信号[11]。Baeßler 等[12]研究指出，基于T1加权MR 图像纹理分析可以对正常人和肥厚型心肌病患者进行有效鉴别，其灵敏度为100%，特异度为90%。刘启明等[13]研究基于CMR 影像组学鉴别肥厚型心肌病与健康人，该研究收集100 例肥厚型心肌病患者及50 例正常人左心室形态及功能（包括左室射血分数、舒张末期左心室容积、舒张末期左心室心肌质量）数据及从CMR 短轴电影序列中心肌区域3D 影像组学特征，结果表明，联合模型效果最好（AUC=0.882）。以上表明应用影像组学不仅可以比传统的视觉观察挖掘出更多的有效信息，而且体现出对鉴别高血压性心肌病及肥厚型心肌病的良好潜能。

3 影像组学在缺血性心脏病CMR评估中的应用

急性心肌梗死在慢性期时，缺血的心肌组织被非收缩性纤维组织替代，虽然这一过程起到了修复的作用，但也使心室功能发生改变[14]。坏死范围的大小决定了心脏一系列的病理生理情况，包括血流动力学改变，心室舒张功能等[15]。这体现了评估心肌瘢痕对于指导临床的重要意义。

CMR 评估心梗后心肌结构和功能两种最常见的序列是电影序列和LGE 序列，前者对于评估收缩功能、心室容积和射血分数至关重要，后者可量化评估瘢痕区域[16]。但部分患者难以耐受造影剂以及较长的检查时间，因此，应用非增强序列影像组学评估心肌瘢痕成为近年来国内外学者研究的热点。

Baessler 等[17]研究了基于心脏磁共振电影序列纹理分析诊断亚急性和慢性缺血性心肌病，依据LGE 的观察结果将具有亚急性或慢性缺血性心肌瘢痕的患者纳入实验组，并根据之前的显示的瘢痕大小将病人分为两个亚组，小瘢痕组有48 例患者，大瘢痕组有72 例患者，同时收集60 名正常人的影像资料作为对照组。之后对电影序列中某一层图像进行ROI 的勾画，提取特征并筛选后得到五个特征，包括1 个一阶特征，1 个二阶特征以及2 个高阶特征。结果表明，在大疤痕和小疤痕亚组中，模型对于区分缺血性瘢痕和正常心肌的能力最佳，准确度最高特征的曲线下面积为0.93[17]。

Larroza 等[18]研究了基于CMR 电影序列纹理分析区分慢性心肌梗死患者的存活节段、非存活节段及远程片段，在提取的所有特征中，2D+t LBP 得到了最佳的结果，曲线下面积为0.849。Zhang 等[19]研究基于非增强MR 序列深度学习诊断慢性心肌梗死，结果显示AUC 为0.94。

Larroza 等[20]还提出了一种基于CMR 影像组学用来区分急、慢性心肌梗死方法。该研究背后的病理依据是急、慢性心肌梗死病理成分的不同，急性心肌梗死主要表现为水肿，而慢性心肌梗死主要表现为纤维化，水肿和纤维化可能影响心肌在CMR 的灰度级，但仅依靠肉眼观察难以评估。这项回顾性研究收集了44 例患者的影像资料，结果表明应用支持向量机的影像组学模型可以区分急、慢性心肌梗死。尽管以上研究并非大样本，但其结论均展示出影像组学对缺血性心脏病精准诊断的巨大前景。

4 影像组学在心律失常风险评估中的应用

心律失常指心脏搏动的频率、节律、起源部位、传导速度异常的一组疾病，包括生理性和病理性心律失常。心律失常发作时可以表现为无症状、心悸、呼吸短促甚至晕厥[21]。

4.1 影像组学在肥厚型心肌病继发心律失常风险评估中的应用

当结构性心脏病改变了心脏的传导结构时，会导致心律失常发作，这在肥厚型心肌病患者中十分常见。Amano 等[22]应用LGE 序列纹理特征对肥厚型心肌病患者与室性快速心律失常病史之间的关系进行了研究。在提取的100 多个特征中，仅有1 个纹理特征（entropy LL）在区分有无室性快速心律失常病史的患者方面取得了有希望的结果（AUC=0.72），但诊断效能仍然低于视觉评估的LGE（AUC=0.96）[22]。费京乐[23]应用基于LGE 影像组学鉴别肥厚型心肌病患者有无室性心律失常，结果显示准确度最高的算法模型为XGBoost，AUC 值为0.94。

4.2 影像组学在急性心肌梗死继发心律失常风险评估中的应用

心律失常是急性冠脉综合征常见的并发症，大约有70%～90%患有急性心肌梗死的病人发生心律失常，常表现为室颤或多形性室速[24]。急性心肌梗死发作后，可使心肌细胞不应期延长，电传导减慢，导致心律失常的发作[25]。

左心室射血分数和心肌瘢痕等标志物可用于评估心律失常的风险。就心肌瘢痕而言，影响心梗患者心律失常风险的两个主要特征是瘢痕大小以及瘢痕不均匀性[26]。Kotu 等[27]收集了20 名高风险患者和34 名低风险患者，应用并比较了两种方法评估心肌梗死后心律失常的风险，一种是基于LGE 的影像组学模型，应用了多种机器学习算法；另一种是基于左心室射血分数和心肌瘢痕大小的传统分类方法，之后对两种方法的诊断效能进行比较。结果显示，基于放射组学的模型与传统模型诊断效果相近，这表明影像组学模型可应用于心律失常风险管理中。

5 不足与展望

目前，在常规临床工作中，CMR 诊断决策主要根据独立参数（左心室射血分数等）得出，但此类独立功能参数的诊断和预后价值较低。同时，诊断依靠肉眼观察，这使得临床工作严重依赖医生水平，并且缺乏统一的标准。

人工智能则对CMR 诊断显现出巨大潜力，与以往传统的统计学方法相比，人工智能能够处理大量影像学数据并将临床信息整合在一起。随着人工智能算法的迭代更新，影像数据逐年积累以及全球医疗系统的数字化转型浪潮的到来，人工智能在医学领域必将对传统的医学工作带来巨大变革。因此，继续将影像组学技术落地于各类医疗场景，完成临床实践是研究人员重要的工作内容，从而为各类心脏疾病患者制定诊疗决策铺平道路。

人工智能目前在CMR 中的应用处于起步阶段，仍有许多亟待解决的问题。IBSI 为影像组学制订了一定的标准，但针对CMR 的标准并未建立。

综上所述，深度学习模型的可解释性以及影像组学的标准化和规范化，是未来研究的重要课题。人工智能在CMR 中的应用有望彻底改变患者疾病监测和治疗模式，是实现精准医疗重要的一环。