临床放射学杂志

作者：李泽茂, 丁静, 马汝航, 马铁丁, 王雅静, 姜霁洋, 李慕贞, 周伟, 陈伟彬

单位：063000 唐山,华北理工大学附属医院医学影像中心李泽茂、马铁丁、王雅静、姜霁洋、李慕贞、周 伟、陈伟彬; 300071 天津,南开大学医学院李泽茂、丁 静、马汝航

关键词：冠心病,冠状动脉周围脂肪,主要心血管不良事件,影像组学,机器学习

基金：本研究系2025年度河北省医学科学研究课题计划(编号:20250937)

<b>目的</b> 探讨基于人工智能的冠状动脉周围脂肪影像组学及衰减指数(FAI)构建可解释性机器学习模型预测冠心病患者主要心血管不良事件(MACE)发生的应用价值。<b>方法</b> 回顾性搜集2021年1月至2023年9月于华北理工大学附属医院同时行冠状动脉CT血管造影(CCTA)检查及侵入性冠状动脉造影术(ICA)检查的冠心病患者186例,经纳排标准筛选后最终纳入150例,根据MACE发生情况,分为MACE阳性组(n=66)和MACE阴性组(n=84)。按照8∶2比例随机划分为训练集和测试集,依次采用Mann-Whitney U检验及最小绝对收缩与选择算子(LASSO)算法筛选影像组学特征。由极端梯度提升(XGBoost)及随机森林(RF)机器学习算法构建预测冠心病患者MACE发生的模型(共4种,临床独立预测因素构建的XGBoost模型及RF模型;临床独立预测因素-影像组学评分联合数据构建的XGBoost模型及RF模型),绘制受试者工作特征(ROC)曲线并计算曲线下面积(AUC),评价各模型预测冠心病患者发生MACE的效能;以DeLong检验比较各模型间效能的差异。以校准曲线评价四种模型的拟合度。以决策曲线分析评价四种模型的临床应用价值。<b>结果</b> 责任血管FAI、CT_FFR及冠状动脉狭窄程度为冠心病患者发生MACE的独立预测因素(P＜0.05);相较于独立预测因素数据,联合冠状动脉周围脂肪影像组学评分后进一步提高了模型的预测效能。训练集中,由独立预测因素数据及临床独立预测因素-影像组学评分联合数据构建的XGBoost模型AUC值分别为0.94和0.98;准确率分别为0.84和0.93。其RF模型AUC值分别为0.93和0.99;准确率分别为0.87和0.94。测试集中,由独立预测因素数据及临床独立预测因素-影像组学评分联合数据构建的XGBoost模型AUC值分别为0.64和0.91;准确率分别为0.53和0.76。其RF模型AUC值分别为0.74和0.94;准确率分别为0.69和0.84。在测试集中,由临床独立预测因素-影像组学评分联合数据构建的RF模型的AUC值、准确率、灵敏度、特异度、阳性预测值(PPV)和阴性预测值(NPV)均最高。经DeLong检验,在训练集与测试集中,由临床独立预测因素-影像组学评分联合数据构建的模型的诊断效能均优于临床独立预测因素数据构建的模型(P均＜0.05)。在基于同一数据的情况下,训练集和测试集的校准曲线表明,RF分类器较XGBoost分类器拟合度高。测试集临床决策曲线显示,采用RF模型预测冠心病患者MACE发生的净受益最高且风险阈值范围更大。<b>结论</b> 基于人工智能的冠状动脉周围脂肪影像组学及FAI构建可解释性机器学习模型可以较为准确地预测冠心病患者MACE的发生;利用RF算法获得的结合临床独立预测因素及PCAT影像组学评分模型具有最佳的预测效能。

来源：2025年第3期

《临床放射学》期刊编辑部

查看临床放射学杂志2025年第3期