基于心臟CT成像的影像組學在心臟疾病中的應用及進展

張新偉,吳月,栗巖,李杉,邢艷

冠心病(coronary heart disease,CHD)是指冠狀動脈粥樣硬化導致冠狀動脈管腔狹窄、閉塞的疾病[1],冠狀動脈CT血管成像(coronary computed tomography angiography,CCTA)作為一種非侵入性的檢查手段,目前廣泛應用于CHD的篩查[2]。臨床工作中,盡管后處理軟件可以在一定程度上幫助判斷冠狀動脈狹窄程度、斑塊成分等,但最終診斷仍然依靠臨床醫生的主觀經驗。隨著多學科交叉發展,Lambin等[3]于2012年提出影像組學的概念,影像組學方法可以通過計算機提取數千種肉眼無法觀察的特征信息,最終建立患者影像組學模型。在精準醫療的背景下,影像組學諸多特征無疑為臨床決策提供了有力的證據,建立起了一座醫學影像與臨床的橋梁[4]。心臟疾病包括缺血性心肌病(ischemic cardiomyopathy,ICM)、非缺血性心肌病及心臟其他病變,目前心臟CT影像組學在上述疾病的應用主要是圍繞冠狀動脈斑塊、冠狀動脈周圍脂肪組織(pericoronary adipose tissue,PCAT)及心肌組織展開的,本文就影像組學在心臟CT成像的臨床應用及研究進展進行綜述。

缺血性心肌病

1.缺血性心肌病的診斷

缺血性心肌病是冠心病的晚期階段或特殊類型,評價心肌缺血的金標準為有創血流儲備分數(fractional flow reserve,FFR)[5],隨著影像組學研究興起,研究者嘗試從更多角度去尋找能夠診斷心肌缺血的新手段。冠狀動脈周圍脂肪(pericoronary adipose tissue,PCAT)是有特殊功能的脂肪組織聚集物,毗鄰血管外膜,病理條件下,PCAT分泌諸多炎性因子,在動脈粥樣硬化進展中發揮重要作用[6],根據這一病理基礎,研究者嘗試探究PCAT影像組學模型能否預測心肌缺血。Wen等[7]納入92名疑似冠心病行冠狀動脈CT血管成像(coronary computed tomography angiography,CCTA)、有創冠狀動脈造影(invasive coronary angiography,ICA)和FFR的患者,提取PCAT影像組學特征,以FFR結果為金標準,結果顯示PCAT影像組學模型與傳統指標(管腔狹窄率等)診斷缺血性病變效果相似,但聯合模型診斷效果優于單獨應用管腔狹窄率(AUC:0.81 vs. 0.60)。徐子良等[8]和Feng等[9]得出和上述研究不同的結論,認為PCAT影像組學模型預測心肌缺血優于管腔狹窄率(AUC:0.82 vs. 0.72)。Yu等[10]的研究認為PCAT影像組學模型與CT-FFR模型診斷心肌缺血性能一致(AUC:0.80 vs. 0.77)。上述研究提示PCAT影像組學模型能夠在一定程度上預測心肌缺血,但是該模型是否優于管腔狹窄率及CT-FFR等指標存在爭議,未來尚需進一步驗證。

除了PCAT影像組學模型,對導致心肌缺血的罪犯病變直接進行影像組學分析和對梗死心肌組織進行紋理分析也能夠診斷心肌缺血,Mannil等[11]納入了急慢性心肌梗死患者,用不同算法建模,結果提示紋理分析能很好地區分缺血的心肌組織(AUC=0.78),同時紋理分析能夠識別人眼所不能識別的病變。Hu等[11]提取罪犯病變的影像組學特征,以FFR結果為金標準,結果提示罪犯病變影像組學模型對比傳統模型,區分缺血性病變和非缺血性病變能力更強(AUC:0.67 vs. 0.59)。由此可見,基于CT的影像組學在心肌缺血的診斷過程中提供了重要價值,為心肌疾病的無創檢查提供了一種新的方法。

2.缺血性心肌病的風險預測

冠心病的病變基礎是冠狀動脈斑塊,高危斑塊(high-risk plaque,HRP)破裂會引起嚴重的心血管不良事件事件[13](major adverse cardiovascular event,MACE),一些冠心病患者冠脈管腔未見明顯狹窄,但存在HRP,依然有潛在的MACE風險[14,15],所以準確地識別高危斑塊,對CHD患者的危險分層及風險預測起決定性的作用。Kolossvry等[16]納入了30名有“餐巾環征”的患者,提取斑塊的影像組學特征,結果顯示20.6%的影像組學特征對識別“餐巾環征”有良好的效能,遠超傳統影像學特征(平均AUC:0.80 vs. 0.625),結果還表明高階特征比一階特征有更好的預測價值。Chen等[17]和Kolossvry等[18,19]的其他研究也表明基于CCTA的影像組學特征能很好地診斷冠狀動脈粥樣硬化和高危斑塊。Lin等[20]從另一角度進行了罪犯斑塊的研究,提取了急性心肌梗死患者中罪犯斑塊的影像組學特征,通過不同的機器學習算法建模,結果顯示傳統影像學模型聯合影像組學特征時,診斷罪犯斑塊的能力得到了提升(AUC值由0.76上升至0.86),其中最有診斷價值的是高階影像組學特征(紋理特征和幾何特征),這和Kolossváry等[18,19]的研究結果相同。Kwiecinski等[21]的研究提示罪犯斑塊影像組學特征是預測心肌梗死的獨立因素。上述研究提示影像組學特征能更精準地識別冠狀動脈斑塊,與傳統影像學特征相互補充,這進一步提升了CCTA診斷高危及罪犯斑塊的價值,改善了冠心病風險分層的能力,給臨床提供更多的信息。

PCAT在病理基礎上與冠脈炎癥相關,所以為了驗證PCAT影像組學特征能否預測MACE,Oikonomou等[22]開發了脂肪影像組學(fat radiomic profile,FRP)模型,篩選出MACE患者的PCAT高危影像組學特征,結果顯示FRP為MACE獨立的預測因子,預測能力超過傳統危險因素。Kotanidis等[23]進一步用FRP模型評估了冠狀動脈鈣化積分<100的低?；颊?進一步驗證了PCAT影像組學模型發現潛在MACE的能力。Si等[24]和Lin等[25]的研究同樣證實PCAT影像組學模型預測MACE能力優于冠脈周圍脂肪衰減指數(fat attenuation index,FAI)及傳統模型。Shang等[26]研究顯示罪犯斑塊的PCAT影像組學模型診斷急性冠脈綜合征(acute coronary syndrome,ACS)效果良好(AUC為0.84)。上述研究展示了影像組學在PCAT領域預測MACE的能力,為冠心病患者提供了更準確的危險分層,需要指出的是,上述實驗PCAT影像組學特征的提取標準并不統一,但是結果均提示基于PCAT的影像組學模型預測MACE能力更強,將該技術廣泛應用于臨床,能早期發現潛在MACE風險,使高?；颊吣芨绲玫脚R床治療,減少晚期并發癥及痛苦。

3.缺血性心肌病的療效評估

Antonopoulos等[27]基于CCTA開發了FAI,該研究指出PCAT的CT值是反映冠狀動脈炎癥的生物標記物,FAI數值與冠狀動脈炎癥相關,后續多項研究[28-30]說明在在他汀類藥物治療冠心病或生物制劑治療中重度銀屑病時,FAI數值會降低,意味著治療后冠狀動脈炎癥減輕,FAI的測定來源于PCAT。所以有研究[22]嘗試探究PCAT影像組學特能否評估冠心病的治療療效,但在患者發生急性心肌梗死6個月后復查CCTA,提取PCAT影像組學特征后,發現特征并未產生明顯變化,這提示PCAT影像組學特是否能反應冠心病療效尚不確定,一方面可能影像組學特征在冠脈炎癥發生后是恒定不變的,另一方面可能研究者們隨訪時間不足或因為技術原因未能觀察到這種變化。使用PCAT影像組學特征隨訪治療療效是一種很好的思路,但目前尚未證實它的價值。

非缺血性心肌病

目前對非缺血性心肌病的研究主要依靠MRI和超聲檢查,CT影像組學在非缺血性心肌病中有一定應用,但是應用范圍較窄,主要應用于非缺血性心肌病的診斷,對于該類疾病的風險預測和療效評估鮮有報道?；颊叽嬖谛募⊙?、肥厚性心肌病等疾病時,紋理分析能發現病變心肌與正常心肌的影像組學特征差異。Kay等[31]在肥厚性心肌病患者的CT平掃圖像中提取左心室心肌的影像組學特征建模,結果顯示影像組學模型診斷左室肥厚的AUC達0.73～0.76。Qin等[32]同樣納入肥厚性心肌病患者,在CCTA圖像中提取左心室影像組學特征,結果同樣顯示左心室的影像組學模型能很好診斷肥厚性心肌病,尤其是伴心肌纖維化時診斷效果最好(AUC=0.94),這有助于更好地判斷疾病嚴重程度。影像組學在心肌組織的應用可以幫助患者行CCTA后得到“一站式”全面的評估。

部分研究者也指出了影像組學在非缺血性心肌病應用中的新方向。房顫患者存在普遍的心肌纖維化和變性,從而心肌收縮功能障礙,導致血栓形成,影響預后,田欣等[33]分割出左心房與左心耳之間的心肌組織,成功用Lasso法提取影像組學特征,提供了一種影像組學分析思路,未來有待于進一步對房顫患者的預后進行評估。蘇銘等[34]在CCTA掃描中使用心電門控4D強化掃描技術,提取了左心室心肌組織在20個時相內的影像組學特征,找到隨心動周期變化而變化的特征,這可能和心肌內毛細血管壓力不同有關,證明了影像組學特征動態觀察左心室灌注、評估左心室心肌功能的可行性。這些研究從不同的角度指出影像組學在非缺血性心肌病的應用前景,可能會對疾病的診斷、風險預測、治療起到一定作用,但是多數研究都停留于起步階段,未來有待于深入探索。

其他病變

心臟病變除了缺血性心肌病和非缺血性心肌病,還包括一些其他病變,如心臟腫瘤、心內血栓、循環淤血等,影像組學在上述疾病的診斷中發揮了較大價值。血栓和心臟循環淤血均可導致腦卒中的發生,對二者進行鑒別診斷,明確病因并對癥治療,對圍手術期預防并發癥的預防有重要意義,普通CCTA可以較好地診斷左心耳血栓,但一般要進行雙對比劑(早期、晚期)的掃描,患者接受輻射較多。Chun等[35]在CCTA圖像中提取充盈缺損部位的影像組學特征,篩選出診斷血栓的wavelet_LHL特征,結果顯示影像組學模型能很好地鑒別左心耳血栓和體循環淤血(AUC為0.78),與醫生主觀診斷準確率相似,并且避免了額外輻射。Qian等[36]用影像組學模型鑒別心臟粘液瘤和心臟血栓,結果顯示AUC約為0.95,超過醫師主觀診斷的能力。Ebrahimian等[37]提取影像組學特征區分心臟血栓和混合偽影,雖然二者的CT值存在較大差異,再結合影像醫生的臨床經驗,不難對疾病做出鑒別診斷(AUC=0.80),但影像組學模型仍然展現了更高的診斷準確率(AUC=0.85)。上述研究提示影像組學對于心內病變的區分有較大價值,應用于臨床診斷時,有助于降低患者誤診率,降低患者檢查的輻射劑量。

不足與展望

1.圖像數據的標準化

影像組學特征提取缺乏嚴格的標準化流程,對于同一病灶,因為機器不同、掃描協議不同、對比劑劑量不同,得到的圖像數據也不同。有研究指出[38],專家與非專家之間圖像分割存在差異,與軟件自動勾畫的病灶相比,圖像差異更大。人員培訓缺乏標準化,自動分割的準確性不足等問題,會影響影像組學的普適性和重復性,未來更為先進的機器分割算法可能會解決這一現象[39],因為計算機總會得出相同的結論。Ibrahim等[40,41]初步嘗試建立影像定量測量評分,揭示定量參數對成像的影響,如機型、管電流、曝光時間等,也可能解決圖像參數不同導致組學特征不一致的問題,但這一方法有待在長久的實踐中進一步驗證。

2.多中心、多學科合作

目前影像組學在CCTA中的應用多局限于單中心、小樣本、回顧性研究,缺乏長期隨訪的研究隊列,未來有待于多個中心聯合,進行長隊列的前瞻性研究,進行外部驗證,進一步證明影像組學在心臟領域的作用。計算機領域的繁榮同時推動影像組學的發展,但帶來的是知識壁壘的增加,這就更需要不同專業人士的緊密配合,互相協作,填補不熟悉領域的空白,使多學科交叉發展成為趨勢,最終使患者受益。

3.影像組學在平掃中的應用

有研究[42]指出基于CT平掃的PCAT影像組學征象能提示非鈣化斑塊的存在,特別是對于對比劑過敏或腎功能不全的患者,平掃對于心臟疾病的診斷是一種優勢,如該技術能應用于心臟疾病初篩,使患者早于CCTA行CT平掃檢查,患者受到的輻射劑量會更少,同時又節約公共醫療資源,從這個角度看來,影像組學在心臟CT平掃中有廣闊的應用前景,值得繼續探索。

4.人工智能與影像組學的聯系

機器學習作為人工智能的核心技術,在影像組學領域展現了巨大潛力,研究者借助機器學習作為計算工具,完成圖像分割、回歸、建模等任務,減輕了圖像處理的工作量,同時減少了人為主觀因素的干擾,增加客觀性和可靠性。深度學習技術的發展,也為影像組學模型的建立提供了一種新手段,部分研究者[43,44]將深度學習算法(如卷積神經網絡)應用在上述步驟中,降低了對圖像分割的精準度要求,影像組學模型的診斷性能也得到了較大提升。目前,機器學習已經成為醫學影像學分析的主要工具,為影像組學的研究提供了諸多便利,值得廣泛推廣。

總之,影像組學在心臟CT成像中的臨床應用已涉及許多方面,尤其是在冠心病領域具有重要價值,超過了以往對疾病的傳統認知。雖然目前影像組學技術仍存在一定不足,但隨著計算機領域和醫學影像領域的發展,兩者相輔相成,一定會讓影像組學技術得以高質量發展,使醫生能更準確地診斷、預測、評估患者疾病,使患者能得到更精準的治療。