姓名: 叶坤林

医院（或学校）: 广东省第二人民医院

论文类别: 医疗健康人工智能技术研发

科室: 人工智能医疗应用研究所

论文摘要: 目的： 血管周围脂肪组织（PVAT）的炎症被认为是驱动冠状动脉斑块形成的关键因素。 本研究旨在基于这一病理生理学联系，筛选出与冠状动脉斑块相关的关键PVAT影像组学特征，并评估其作为反映局部血管炎症状态的无创影像标志物的潜力。 方法： 本回顾性队列研究纳入了2021年5月至2022年12月间102例患者的208个冠状动脉节段（含斑块与非斑块）。所有患者均接受了标准化的冠脉CT血管造影（CCTA）扫描。由两名放射科医师使用3D Slicer软件手动勾画冠状动脉节段的血管周围脂肪组织（PVAT）作为感兴趣体素（VOI），并通过组内相关系数（ICC）评估了勾画的一致性。随后，采用PyRadiomics软件包从PVAT区域中提取了851个影像组学特征。为处理数据不平衡问题，应用了合成少数类过采样技术（SMOTE）。通过最小绝对收缩与选择算子（LASSO）和递归特征消除（RFE）算法相结合的方式筛选出最关键的影像组学特征，并基于此构建了影像组学评分（Radscore）。同时，结合逐步逻辑回归筛选的临床危险因素，分别建立了临床模型、Radscore模型及联合模型。采用五折交叉验证进行模型训练与优化，最后通过校准曲线、ROC分析和决策曲线分析评估模型的区分效能与临床实用性，并构建了列线图以实现个体化预测。 结果：筛选出12种区分斑块与非斑块血管节段的关键PVAT影像组学特征，这些特征主要为反映组织形态与异质性的高阶纹理及形状特征，例如original_shape_sphericity（球形度）、original_glszm_Zoneentropy（区域熵）及Wavelet-HHL_glcm_sumentropy（小波变换后和熵）。基于此构建的Radscore在训练集和验证集的AUC分别为0.897（95%CI：0.88-0.92）和0.717（95%CI：0.63-0.81）。联合模型（Radscore+临床指标）性能更优，在验证集和独立测试集的AUC分别为0.783（95%CI：0.69-0.87）和0.903（95%CI：0.83-0.98），且显著优于临床模型（p<0.001）。整合关键特征的列线图表现出良好的校准度和区分度（训练集C-index：0.825；测试集C-index：0.907）。 结论：基于CCTA的PVAT影像组学可较为有效地筛选出与冠状动脉斑块存在显著相关的PVAT影像组学特征。由于斑块的形成与发展和血管周围炎症密切相关，这些影像组学特征有望成为评估局部血管炎症的无创工具。集成了这些特征的联合模型及列线图为精准评估动脉粥样硬化负荷及进行临床风险分层提供了新方法。