《临床放射学杂志》发表论文赏析
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
摘要:目的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。方法回顾性搜集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。结果责任血管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。结论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。
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
基金资助:本研究系2025年度河北省医学科学研究课题计划(编号:20250937)
2025年3期其他文献查阅:
帕金森病伴轻度认知障碍患者大脑皮层结构偏侧化与认知功能的相关性研究
BRAIN评分联合影像组学的诺莫图预测自发性脑出血早期血肿扩大
基于MRI影像组学模型在颅内生殖细胞瘤和颅咽管瘤诊断的应用研究
基于CiteSpace聚类分析深度学习在脑胶质瘤MRI中的应用研究
CT影像特征联合C-TIRADS分类、超微细血流显像鉴别甲状腺结节良恶性的价值分析
pT1~2N1M0期乳腺癌改良根治术后患者预后预测模型的构建
多中心18F-FDG PET/CT影像组学及临床特征预测肺腺癌Ki-67表达水平
基于人工智能的冠状动脉周围脂肪影像组学及衰减指数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发生
基于瘤内及瘤周放射组学特征联合临床特征、能谱CT定量参数的列线图术前预测胃癌周围神经侵犯
透明细胞癌可能性评分鉴别乏脂肪肾血管平滑肌脂肪瘤与肾透明细胞癌的价值研究
基于T2WI影像组学模型预测凶险性前置胎盘合并穿透性胎盘植入
基于CT影像组学的可解释机器学习模型预测肾透明细胞癌WHO/ISUP分级
MR T1-mapping结合动脉自旋标记技术在评估儿童慢性肾脏病肾纤维化和灌注中的应用
优化单体素点分辨波谱在体靶向检测胶质瘤特异性代谢物胱硫醚的研究
MR类似CT限制回波间隔的快速场回波成像技术在强直性脊柱炎骶髂关节骨质结构改变中的诊断价值