冠状动脉CT血管造影影像组学用于冠心病研究进展

高雪莲,王 瑞,张宏凯,杜 俣,张天浩,徐 磊*

(1.首都医科大学附属北京安贞医院医学影像科,2.心内科12病房 北京市心肺血管疾病研究所 冠心病精准治疗北京市重点实验室 首都医科大学冠心病临床诊疗与研究中心,北京 100029)

冠心病(coronary artery disease,CAD)为冠状动脉管腔狭窄、阻塞致心肌缺血、缺氧而引起的心脏病,是全球范围内临床最常见心脏病及主要致死病因之一[1]。冠状动脉CT血管造影(coronary CT angiography,CCTA)对于诊断CAD及评估患者风险分层、制定治疗方案具有重要价值[2],但难以避免操作者因素影响。利用影像组学可将图像信息转化为数据信息,并将其中的重要特征引入机器学习(machine learning,ML)模型进行定量分析,深度挖掘其潜在临床价值[3-4]。本文针对CCTA影像组学用于CAD研究进展进行综述。

1 识别冠状动脉斑块

冠状动脉粥样硬化病变、尤其高危斑块破裂或侵蚀可导致继发血栓形成、引发急性冠脉综合征(acute coronary syndrome,ACS)而威胁患者生命;准确识别冠状动脉斑块具有重要临床意义。CCTA中,高危斑块常见表现包括“餐巾环征(napkin-ring sign,NRS)”、低衰减斑块、管腔阳性重构及点状钙化等[5]。KOLOSSVRY等[6]分析60例稳定型心绞痛(stable angina pectoris,SAP)患者的CCTA资料,于每例提取4 440个影像组学特征,其中916个(916/4 440,20.63%)在NRS与非NRS斑块间有显著差异、440个鉴别NRS斑块的曲线下面积(area under the curve,AUC)>0.80。CCTA影像组学识别高危冠状动脉斑块的效能优于血管内超声成像及光学相干断层扫描[7]。除能静态识别冠状动脉斑块外,基于CCTA影像组学还可观察不同心血管危险因素对冠状动脉斑块形态特征的影响[8],为临床早期干预提供重要依据。

近年来,ML和卷积神经网络(convolutional neural network,CNN)模型日益广泛用于识别冠状动脉斑块。基于CCTA图像构建的随机森林(random forest,RF)、支持向量机、逻辑回归及K邻近算法等多种传统ML模型用于识别冠状动脉粥样硬化的AUC为0.73～0.78,其识别晚期病变的效能高于直接视觉评估(AUC为0.65～0.66)[9-10]。JIN等[11]基于CCTA图像构建的CNN模型鉴别冠状动脉钙化斑块、非钙化斑块及混合斑块的准确率、敏感度、特异度及AUC分别为87.0%、83.2%、91.4%及0.87,提示CNN可有效提高在CTA图像中分割冠状动脉、检测及提取目标斑块的效率及准确度,有利于及早识别高危斑块并制定最优诊疗方案。利用CCTA影像组学模型还能获得有价值的增量信息,揭示CAD潜在病理机制。LIN等[12]基于CCTA分析急性心肌梗死(acute myocardial infarction,AMI)患者罪犯与非罪犯斑块及CAD稳定斑块特征,发现引入ML模型可显著提高识别罪犯斑块的效能,使AUC由0.76升至0.86。

2 评估血管周围脂肪组织

冠状动脉周围炎症是影响CAD预后的重要危险因素;随着炎性因子水平升高,冠状动脉周围脂肪组织(pericoronary adipose tissue,PCAT)中的水与脂肪含量发生变化而影响CT值。基于PCAT影像组学识别AMI及预测心血管风险优于传统CT。OIKONOMOU等[13]根据CCTA所示PCAT特征构建的影像组学模型预测验证集CAD患者5年内发生主要不良心血管事件(major adverse cardiovascular events,MACE)的AUC为0.77,具有中等效能。LIN等[14]联合临床及CCTA PCAT特征构建的ML模型鉴别AMI与稳定型CAD的AUC为0.87;同时发现AMI患者接受经皮冠状动脉介入治疗(percutaneous coronary intervention,PCI)前、后6个月近段右冠状动脉(right coronary artery,RCA)及非罪犯病变周围PCAT衰减值无明显差异,可能原因在于PCAT已存在不可逆形态学改变,认为PCAT特征不仅能提示AMI,亦可作为严重心血管事件的稳定标志物。SI等[15]对比单一血管周围衰减指数(fat attenuation index,FAI)及以FAI-PCAT联合影像组学模型预测AMI的效能,二者在训练集的AUC分别为0.53及0.97,在验证集分别为0.50及0.95。有学者[16]报道,联合临床及CCTA所示RCA近段PCAT特征构建的影像组学模型对于鉴别高危与非高危斑块具有良好效能,可佐证冠状动脉血管周围炎症与粥样斑块间存在一定关联,并共同促进CAD发生、发展。

3 识别缺血性病变

心肌缺血与冠状动脉狭窄程度、供应心肌范围及侧支循环等诸多因素有关,使冠状动脉解剖狭窄与心肌缺血严重程度可能不相匹配。通过计算流体力学及以深度学习等算法获得的CCTA功能学参数——血流储备分数(fractional flow reserve,FFR)可提供生理学信息,已成为评价冠状动脉功能性缺血的重要标准[17]。一项多中心回顾性研究[18]基于PCAT特征构建的RF模型评估训练集及验证集冠状动脉功能性缺血的AUC分别为0.83及0.82,显著高于基于FAI特征影像组学模型(AUC均为0.55),提示PCAT影像组学特征或可作为心肌功能性缺血的另一项影像学指标。多名学者[19-22]提出,PCAT影像组学识别缺血性冠状动脉狭窄的效能可媲美CCTA FFR,二者联合可进一步提高诊断准确率。CCTA影像组学用于鉴别疑似心肌缺血者具有应用潜力,可促进功能学评估冠状动脉的普及,尤其值得在基层医疗机构中推广、应用。

此外,CCTA影像组学还可用于观察心肌受累。HINZOETER等[23]利用左心室短轴层面CCTA图像构建的影像组学模型鉴别梗死心肌与正常心肌的AUC达0.90,有助于早期干预高危CAD患者以预防AMI。

4 预测风险分层与指导治疗

作为无创评估CAD手段,CCTA可为影像组学模型同时提供斑块、PCAT及FFR等参数;CCTA影像组学预测CAD风险分层的效能明显优于传统风险评分,有助于合理制定诊疗决策。LING等[24]分别采用CCTA影像组学模型及多中心冠状动脉慢性完全闭塞(chronic total occlusion,CTO)注册评分模型预测PCI治疗CTO成功,其AUC分别为0.920及0.752,提示相比传统解剖学参数,CCTA影像组学模型可更准确地预测CTO治疗结局。

MACE为CAD风险分层的重要评价指标,但目前对基于CCTA影像组学预测CAD患者发生MACE的价值尚存争议。CHEN等[25]前瞻性纳入708例CAD患者,利用CCTA影像组学识别高危斑块以预测MACE,并通过血管内超声加以验证,结果显示高危斑块为MACE的独立危险因素,且预测效能良好。但也有学者[26]认为尽管CCTA影像组学模型可显著提高诊断缺血性病变的效能,但其预测MACE效果欠佳。各项研究结果存在差异,可能与MACE系斑块、血流动力学等多因素共同作用所致,且研究所用设备型号、参数及影像组学构建方法不同有关,有待进一步深入探索。

PCAT衰减值可预测高危斑块破裂及ACS。尚靳等[27]建立的传统PCAT密度模型及PCAT影像组学模型预测训练集CAD患者2年内发生ACS的AUC分别为0.603及0.841,在验证集分别为0.588及0.839。此外,PCAT影像组学模型预测ACS的效能优于斑块评分模型[28],并展现巨大应用潜力。

5 小结与展望

CCTA影像组学可在提高诊断CAD效能、评估风险分层及预测预后的同时减少不必要的侵入性操作,为指导临床决策提供更多支持。但影像组学特征易受影像学设备、参数、图像质量、分割及重建等技术因素影响,在完全转化为临床应用之前,还需进一步优化标准化成像方案及影像组学工作流程,并提高分割图像及提取特征的精确度[29]。此外,现有基于斑块和PCAT表型的影像组学预测MACE事件的研究有限,且不同研究之间结论尚存差异;CCTA影像组学斑块、PCAT及FFR等特征之间的相互作用机制亦待进一步阐明。总之,未来广泛开展心血管CT影像组学研究可能对于一站式评估CAD、制定个体化治疗方案、评估风险分层及预测预后等发挥重要作用,而影像组学与人工智能相结合将是研究热点与发展趋势。

利益冲突:全体作者声明无利益冲突。

作者贡献:高雪莲查阅文献、撰写和修改文章;王瑞指导、审阅文章;张宏凯、杜俣、张天浩查阅文献;徐磊指导、审阅文章、经费支持。