健心知著
2022.10.19
第209期
基于冠脉CT斑块动态特征
的机器学习模型
预测急性冠脉综合征风险
刘健、孙浩宁、聂文畅
北京大学人民医院
健心荐语
既往研究中，动脉粥样硬化斑块或急性冠脉综合征（ACS）事件的关联主要通过侵入性技术进行评估，包括冠状动脉造影、血管内超声（IVUS）或光学相干断层显像（OCT）等。同时亦有大量疑似冠状动脉疾病的患者接受了无创性的冠脉CT血管造影（CCTA）作为初步筛查，CCTA中的斑块特征与急性冠脉综合征（ACS）事件之间的关系尚需研究。
文章介绍
本研究旨在通过分析连续CCTA来探讨斑块特征与未来心血管事件风险的相关性，并通过机器学习（ML）方法构建新的模型来预测随后的ACS事件。本文于2022年6月发表于Eur Heart J Cardiovasc Imaging杂志。
研究方法
研究者回顾了12年间多次CCTA的患者，纳入了其中在随访CCTA后平均1年内有过ACS记录的患者，共计101名。并匹配了101名无ACS事件的患者作为对照组。由CCTA核心实验室分析两组患者的基线及随访CCTA图像中的斑块解剖、成分和血流动力学参数的变化[例如管腔狭窄、斑块体积、坏死核心、钙化和基于冠脉CT的血流储备分数（CT-FFR）]。研究者基于27个斑块特征，通过机器学习构建ACS事件的预测模型。
图1：研究流程图
研究结果
ACS组和对照组间，患者的基线解剖、成分和血流动力学参数无显著差异（如图2）。
202例患者的302处病变中，随访和基线CCTA之间，ACS罪犯病变较其他病变管腔狭窄率、重塑指数和坏死核心比例均显著更高（如图3）。
在血流动力学参数方面，ACS罪犯病变和其他病变的基线CT-FFR相似（P=0.815），而随访CT-FFR较低（0.783±0.005 vs 0.823±0.004，P<0.01）。ACS罪犯病变的CT-FFR大多降低了0.04–0.08（63.64%），而其他病变的CT-FFR改变大多为-0.01到0.02（71.42%）。
对所有解剖、特征和血流动力学参数的多变量logistics分析表明，管腔狭窄[OR 2.160（1.165–4.005），P=0.002]，CT-FFR[OR 2.960（1.270–6.989），P=0.001]，坏死核心比例[OR 2.469（1.262–4.827），P=0.003]，重塑指数[OR 4.667（1.712–9.724），P=0.002]，斑块体积[OR 3.000（1.126–7.993），P=0.026]与ACS事件的发生独立相关。
图2：入组患者的基线特征
图3：非罪犯病变和罪犯病变的基线解剖和成分特征比较
基线和随访CCTA中的斑块解剖参数的预测能力相对较低[AUC 0.664，95%CI 0.542–0.785；AUC 0.759，95%CI 0.586–0.818]，而其动态变化的预测性能可有显著改善（AUC 0.794，95%CI 0.687–0.901）。同样，斑块特征和CT-FFR的动态变化同样也可能改善预测性能。
图4：基于不同斑块特征的传统预测模型
研究者使用SHAP方法解读预测结果，结果显示钙化和坏死核心的变化是罪犯病变的最强预测因子，其次是CT-FFR、斑块体积的变化和随访时的CT-FFR。相较于结合其他五个预测因素的logistic回归模型（AUC 0.878）和纳入所有斑块参数的logistic模型（AUC 0.890），包含前五个重要斑块特征的XGBoost模型显示出较高的预测能力（AUC 0.918，如图5）。
图5：不同预测模型的性能比较。（A） SHAP法预测罪犯病变的特征重要性排序。（B）斑块变量的重要性评分。（C） 传统模型、logistics回归和XGBoost模型的性能比较
结 论
对斑块特征动态变化的非侵入性评估增强了高危斑块的识别能力。整合一些特定的病变特征（如CT-FFR、坏死核心、重塑指数、管腔狭窄和斑块体积）可以有助于进一步识别罪犯病变。简化重要变量的XGBoost模型显示出良好的性能，并且具有更好的预测能力。
点评
本研究进一步证明了CCTA作为一项无创性检查，在识别高危病变中的重要作用。同时，多次CCTA检查之间的动态变化对于心血管事件风险表现出了更好的预测效能，这对于ACS的早期预防和干预有着重要意义。且研究者指出，图像中的大量斑块特征存在复杂的相互关系，这使得研究者很难用传统方法构建模型，而机器学习算法可以方便地处理超大量的图像数据集，有效识别斑块的高危特征，并准确建立诊断或预测模型。
