CT冠脉周围脂肪衰减结合机器学习算法诊断冠心病心肌缺血的临床研究

作     者：陆意歌 何玮 林泓言 何芙蓉 张涵博 谭尧 朱鸿明 

作者机构：复旦大学附属中山医院血管外科 复旦大学血管外科研究所 同济大学附属东方医院 国家放射与治疗临床医学研究中心 复旦大学基础医学院 

出 版 物：《中国动脉硬化杂志》 (Chinese Journal of Arteriosclerosis)

年 卷 期：2024年

学科分类：0831[工学-生物医学工程（可授工学、理学、医学学位）] 100207[医学-影像医学与核医学] 1006[医学-中西医结合] 1002[医学-临床医学] 1001[医学-基础医学(可授医学、理学学位)] 08[工学] 1010[医学-医学技术（可授医学、理学学位）] 100201[医学-内科学(含：心血管病、血液病、呼吸系病、消化系病、内分泌与代谢病、肾病、风湿病、传染病)] 100106[医学-放射医学] 100602[医学-中西医结合临床] 10[医学] 

基　　金：国家自然科学基金面上项目(82070365) 

主　　题：冠心病 动脉粥样硬化 血管周围脂肪衰减 血流储备分数 

摘      要：目的：基于冠状动脉计算机断层扫描（CT）衍生的血管周围脂肪衰减指数（FAI）评估心肌缺血尚不完善，本研究探讨利用机器学习算法结合FAI与斑块信息评估稳定性冠心病患者心肌缺血的可行性。方法：回顾性分析2019年4月至2021年10月于复旦大学附属中山医院进行术前冠状动脉CT血管成像（CCTA）和有创冠脉造影（ICA）及血流储备分数（FFR）测量患者的临床及影像学资料，筛选出206例稳定性冠心病（CAD）患者。使用半自动斑块分析软件Coronary Plaque Analysis 5.0（德国西门子医疗）测量斑块及管腔的定量指标和斑块周围FAI，并手动勾画距冠状动脉开口处10mm起始的长为40mm的冠状动脉测量冠脉周围FAI。比较FFR≤0.8和FFR0.8的稳定性CAD患者的斑块特征、斑块周围FAI和冠脉周围FAI的差异，并通过受试者工作特征（ROC）曲线评估利用机器学习算法结合斑块周围FAI、冠脉周围FAI和斑块特征对稳定性CAD患者心肌缺血（FFR≤0.8）的诊断效能。结果：本研究共纳入206例稳定性冠心病患者，分为心肌缺血组（FFR ≤ 0.8，50例）和非心肌缺血组（FFR 0.8，156例）。分析结果显示，心肌缺血组患者的斑块周围FAI均值为-69.28 ± 5.65 HU，显著高于非心肌缺血组的-80.10 ± 7.75 HU（P0.001）。使用机器学习模型进行进一步分析，包括XGBoost、随机森林和逻辑回归模型，这些模型的诊断心肌缺血的准确率均超过0.8。其中，XGBoost模型表现最佳，准确率达到0.903，F1值为0.774，AUC为0.931，表明其在诊断心肌缺血中具有高度的有效性。结论：FAI结合机器学习算法XGBoost模型是诊断心肌缺血的新方法，在评估稳定性冠心病患者的心肌缺血中具有更良好的诊断价值。