论文部分内容阅读
目的（1）基于冠状动脉 CT 血管造影（computed tomography angiography,CTA）图像,提取心外膜脂肪组织（Epicardial adipose tissue,EAT）影像组学特征和冠状动脉周围脂肪（Pericoronary adipose tissue,PCAT）影像组学特征,分别构建心外膜脂肪组织影像组学模型（Epicardial adipose tissue model,MEAT）和冠状动脉周围脂肪影像组学模型（Pericoronary adipose tissue model,MPCAT）。比较 MEAT 和MPCAT 预测 3 年内主要不良心血管事件（major adverse cardiovascular events,MACE）发生的能力。（2）基于患者临床资料筛选有价值的临床特征,在MEAT和MPCAT基础上联合临床特征构建心外膜脂肪组织-临床影像组学模型（Epicardial adipose tissue-clinical model,MEAT-clinical）和冠状动脉周围脂肪组织-临床影像组学模型（Pericoronary adipose tissue-clinical model,MPCAT-clinical）。并比较 MEAT-clinical 和MPCAT-clinical预测3年内MACE发生的能力。方法（1）回顾性分析144例经冠状动脉CTA检查并在冠状动脉CTA检查后3年内发生MACE患者的临床及影像学资料,将其纳入病例组;回顾性分析144例经冠状动脉CTA检查并未在冠状动脉CTA检查3年内发生MACE患者的临床及影像学资料,将其纳入对照组。基于冠状动脉CTA图像分别勾画病例组和对照组感兴趣区域,提取影像组学特征。其中包括一阶特征（first-orderfeatures）,灰度共生矩阵（gray level co-occurrence matrix,GLCM）,灰度区域大小矩阵（gray level size zone matrix,GLSZM）,灰度级运行长度矩阵（gray level run length matrix,GLRLM）,邻域灰度差分矩阵（neighborhood gray tone difference matrix,NGTDM）和灰度依赖性矩阵（gray level dependence matrix,GLDM）。将 288 例患者按照7:3随机分为训练队列（201例）和验证队列（87例）,仅使用训练队列进行特征选择和模型训练。首先使用最大相关最小冗余（maximum relevance minimum redundancy,MRMR）算法和梯度提升决策树（gradient boosting decision tree,GBDT）算法进行特征筛选;其次,通过使用logistic回归对所选特征进行线性组合来计算影像组学评分Radiomics score=∑i=1 N coefiXi+X0;最后,根据影像组学评分构建基于冠状动脉CTA图像的MEAT,MPCAT。对训练队列中的每个模型进行了 5折交叉验证,所有模型都在训练队列和验证队列上进行了评估。为了评估MEAT和MPCAT预测效能,计算了敏感性、特异性、准确性、阴性预测值（negative predictive value,NPV）、阳性预测值（positive predictive value,PPV）和ROC曲线下面积（AUC）。采用Delong检验以比较不同模型的性能,并绘制决策曲线分析（DCA）以评估并比较影像组学模型的临床有效性。（2）对临床危险因素进行logistic回归分析筛选出最相关的临床特征,结合筛选出的临床特征与EAT和PCAT的影像组学评分建立联合模型（MEAT-clinical,MPCAT-clinical）。对训练队列中的每个模型进行了 5折交叉验证,所有模型都在训练队列和验证队列上进行了评估。为了评估MEAT-clinical和MPCAT-clinical预测效能,计算了敏感性、特异性、准确性、NPV、PPV和ROC曲线下面积（AUC）。通过校准曲线和相应的Hosmer-Lemeshow检验验证拟合优度。采用Delong检验以比较不同模型的性能,并绘制决策曲线分析（DCA）以评估并比较影像组学模型的临床有效性。结果（1）MEAT在训练队列的敏感度为0.446,特异度为0.560,准确度为0.502,阳性预测值为0.506,阴性预测值为0.500,受试者工作特征曲线（ROC）分析显示,ROC曲线下面积（AUC）为0.543;MEAT在验证队列的敏感度为0.395,特异度为0.568,准确度为0.482,阳性预测值为0.472,阴性预测值为0.490,AUC为0.538;MPCAT在训练队列的敏感度为0.604,特异度为0.680,准确度为0.642,阳性预测值为0.656,阴性预测值为0.630,AUC为0.690;MPCAT在验证队列的敏感度为0.605,特异度为0.682,准确度为0.644,阳性预测值为0.650,阴性预测值为0.638,AUC为0.703。（2）logistic回归分析结果显示,胆固醇（CHOL）、低密度脂蛋白胆固醇（LDL-C）和甘油三酯（TG）为临床危险因素。MEAT-clinical在训练队列的敏感度为0.713,特异度为0.680,准确度为0.696,阳性预测值为0.692,阴性预测值为0.701,AUC为0.747;MEAT-clinical在验证队列的敏感度为0.651,特异度为0.636,准确度为0.643,阳性预测值为0.636,阴性预测值为0.651,AUC为0.745;MPCAT-clinical在训练队列的敏感度为0.683,特异度为0.740,准确度为0.711,阳性预测值为0.726,阴性预测值为0.698,AUC为0.782;MPCAT-clinical在验证队列的敏感度为0.698,特异度为0.682,准确度为0.690,阳性预测值为0.682,阴性预测值为0.698,AUC为0.781。结论（1）在单一模型比较中,与MEAT相比,MPCAT表现出了更好的预测能力。（2）在单一影像组学模型基础上,结合临床因素,得到影像组学联合临床模型,在联合模型比较中,与MEAT-clinical相比,MPCAT-clinical表现出了更好的预测能力。