临床放射学杂志

作者：吴琼, 张玉, 陈高松

单位：236600 安徽中医药大学附属太和县中医院

关键词：心肌桥,胸痛,计算机断层扫描血管成像,机器学习

<b>目的</b> 整合心肌桥（MB）患者的冠状动脉计算机断层扫描血管成像（CCTA）影像学特征及临床数据,构建机器学习预测模型以评估胸痛复发风险,并阐释模型的可解释性。<b>方法</b> 采用回顾性队列研究,纳入188例因急性胸痛接受CCTA检查且确诊为MB的患者。通过单因素<em>Logistic</em>回归筛选胸痛复发的潜在预测因子,采用时间序列分层抽样策略将样本划分为训练集（<em>n</em>=146）及独立外部验证集（<em>n</em>=42）。在训练集中构建包括随机森林在内的6种机器学习模型,通过受试者工作特征曲线下面积（AUC）评估模型的预测效能,采用Bootstrap重复抽样法进行内部验证,并在独立测试集中完成外部验证。进一步运用SHAP框架对最优模型的特征贡献度进行可视化解析。<b>结果</b> 研究队列中共有54例（28.72%）患者出现复发性胸痛,其中于MB支近端冠状动脉出现动脉粥样硬化斑块合并胸痛14例（7.45%）。单变量分析显示,年龄、性别、MB分支解剖分型及收缩压为胸痛复发的独立预测因子,而新发冠状动脉斑块及狭窄因素未显示统计学关联。在6种机器学习模型中,随机森林模型展现出最优的预测效能。SHAP可解释性分析表明,舒张期管腔狭窄率、MB分支存在、高龄及女性性别与胸痛复发呈显著正向关联,而与收缩期压缩指数表现为负向关联。该模型在训练集、Bootstrap验证集及独立测试集中的AUC值分别为0.914、0.837及0.805。<b>结论</b> 整合CCTA影像特征与临床参数的机器学习模型可有效预测MB患者的胸痛复发风险,为MB患者的个体化预后评估及临床决策提供理论依据。

来源：2025年第8期

《临床放射学》期刊编辑部

查看临床放射学杂志2025年第8期