《Vascular Health and Risk Management》：Perivascular Adipose Tissue Radiomics Predicts Abdominal Aortic Aneurysm Rupture: A Multicenter Study
编辑推荐：
本研究通过多中心回顾性分析，首次证实基于CT血管造影（CTA）的血管周围脂肪组织（PVAT）影像组学特征可有效预测腹主动脉瘤（AAA）破裂风险。研究纳入192例开发集和36例外部验证集患者，从PVAT区域提取107个影像特征，筛选出18个具有统计学差异的特征，最终通过LASSO回归确定5个代表性特征构建10种机器学习（ML）模型。结果显示模型在内部验证集平均AUC达0.81，外部验证集平均AUC为0.77，其中逻辑回归（LR）模型表现最优（外部AUC=0.88）。研究表明PVAT的形态不规则性、CT值升高及纹理异质性改变可作为AAA破裂的无创生物标志物，为临床风险分层提供了新思路。
摘要
目的
相比稳定性腹主动脉瘤（AAA），破裂前血管周围脂肪组织（PVAT）的炎症反应可能加剧，导致功能和结构改变并表现为影像学差异。影像组学能够提取图像特征，结合机器学习（ML）构建临床决策支持模型。本研究探讨PVAT影像组学特征预测AAA破裂的潜力。
方法
回顾性分析两个中心的主动脉CT血管造影（CTA）图像，包括破裂AAA患者破裂前CTA扫描和稳定性AAA患者图像。图像分为开发集和外部验证集。提取影像组学特征后，对两组间具有统计学显著性的特征进行降维，随后构建10种常见ML模型并进行内外验证。
结果
开发集包含37例破裂患者和155例非破裂患者，外部测试集含6例破裂患者和30例非破裂患者。每位患者提取107个影像特征，其中18个存在组间显著差异。降维后筛选5个代表性特征。模型在内部测试集平均准确率0.76、平均AUC 0.81，外部测试集平均准确率0.73、平均AUC 0.77。
结论
破裂与非破裂AAA患者PVAT特征存在显著差异，支持利用影像组学特征进行破裂预测的可行性。
引言
腹主动脉瘤（AAA）是常见血管疾病，定义为腹主动脉局部永久性扩张超过正常直径50%，通常诊断标准为主动脉直径>3cm。该病导致血管壁结构弱化，可能引发AAA破裂等严重并发症。PVAT是血管外膜周围的脂肪组织，主要分布在大中型动脉周围。血管壁炎症在AAA发病中起关键作用，AAA壁成分可通过分泌生物活性分子调节PVAT结构和功能。因此，血管炎症活动可能影响PVAT，表现为PVAT的影像学差异。
CTA提供AAA尺寸和腔内血流动力学的高分辨率可视化，是AAA诊断和监测的金标准，同时可评估动脉瘤周围脂肪组织。影像组学这一新兴技术整合医学影像和大数据分析，从医学图像中提取高通量特征以挖掘潜在生物信息。ML是用于自动模式识别和预测建模的数学框架，常应用于大数据集。既往研究利用PVAT影像组学特征预测血管内动脉瘤修复术后瘤囊扩张，但尚未有研究探讨PVAT影像组学对AAA破裂的预测价值。
本研究旨在：1）比较破裂AAA患者与稳定性AAA对照组的破裂前PVAT特征；2）基于差异特征开发多种ML模型预测AAA破裂。
方法
患者选择与图像获取
所有患者诊断为AAA或破裂AAA。开发集为2005年7月至2025年5月北京安贞医院患者，外部验证集为2010年7月至2022年7月山东省立医院患者。破裂组纳入标准：1.确诊破裂AAA；2.入院医院接受主动脉CTA；3.可获取破裂前主动脉CTA图像或入院主动脉CTA报告未确认AAA破裂。对照组纳入标准：1.确诊AAA；2.入院医院接受主动脉CTA；3.可获取AAA术前主动脉CTA图像。
图像分割
使用3D Slicer软件手动在肾动脉下方至腹主动脉分叉上方的主动脉边界逐层放置感兴趣区域（ROI）进行AAA分割，在最大横截面测量最大AAA直径。分割后由经验超过25年的血管外科医生操作。随后采用软件"margin"功能将AAA分割边界向外扩展5mm，CT值范围设为-200至0，实现PVAT初步分割；使用"逻辑运算符"功能复制AAA分割并缩小1mm以减少手动分割误差，通过从初始PVAT分割中减去缩小后的分割获得精细PVAT分割。
特征提取
采用3D Slicer的"radiomics"插件从PVAT区域提取放射学特征，包括14个形状特征、18个直方图特征和75个纹理特征。形状特征表征ROI几何形态，反映病变三维空间分布、边界规则性和结构复杂性；直方图特征量化ROI内灰度值整体分布特性；纹理特征描述图像内体素空间分布模式，反映组织结构的异质性、规则性和复杂性。
机器学习
为探讨PVAT影像组学特征是否有助于预测AAA破裂，基于提取特征构建10种常见ML模型，包括逻辑回归（LR）、自适应提升（AB）、装袋法（BAG）、梯度提升（GB）、高斯朴素贝叶斯（GNB）、K近邻（KNN）、线性判别分析（LDA）、二次判别分析（QDA）、随机森林（RF）和支持向量机（SVM）。ML工作流程包括：1.对每个特征进行单变量分析，保留P<0.05的特征；2.将开发数据集随机分为训练集和测试集；3.采用LASSO回归进行特征降维；4.使用保留特征构建上述ML模型；5.在内部验证集评估模型性能；6.在外部验证集评估模型性能。各模型最优概率阈值通过开发集ROC曲线最大化约登指数确定，随后应用于外部验证集计算敏感性和特异性。
统计分析
使用SPSS进行统计分析。连续变量采用独立t检验或Fisher精确检验进行单变量分析；分类变量采用χ2检验；有序数据采用Mann-Whitney U检验进行单变量比较。以双侧P<0.05为统计学显著。
结果
人群特征
开发集包含8699例AAA或破裂AAA患者，其中556例破裂AAA。排除无破裂前CTA图像、破裂前CTA图像已确认动脉瘤破裂或无法获取破裂前CTA图像者后，最终纳入37例破裂AAA患者。非破裂组初始8143例患者，排除无主动脉CTA图像者后，通过倾向评分匹配最终纳入155例非破裂AAA患者。外部验证队列包括15例患者：6例破裂AAA和9例非破裂AAA。
破裂AAA组包括33名男性和4名女性，平均动脉瘤直径68.96±22.51mm；对照组包括145名男性和10名女性，平均动脉瘤直径68.32±12.85mm。排除缺失值后，两组基线特征除年龄外无统计学显著差异。
PVAT差异
每位患者提取107个影像组学特征，其中18个特征显示组间显著差异，包括2个形状特征、5个直方图特征和11个纹理特征。比较分析显示以下参数存在显著差异：球形度、表面体积比、第10百分位数、第90百分位数、均值、中位数、均方根、IDMN、IDN、低灰度级强调、灰度级非均匀性归一化、长游程低灰度级强调、低灰度级游程强调、游程熵、低灰度级区域强调、尺寸区域非均匀性归一化、小区域强调、区域熵。综合影像特征表明破裂斑块组PVAT形态更不规则复杂，整体灰度强度显著更高；纹理异质性方面，虽然整体灰度升高和暗区减少导致某些指标反映的均匀性增加，但灰度分布和区域尺寸异质性反而增强，提示PVAT内部结构空间复杂性随病理改变发生转化。
基于PVAT预测AAA破裂
使用固定随机种子将患者随机分为训练集和内部测试集。对先前显示显著差异的影像组学特征进行LASSO回归，确定最优α值为0.0215，最终筛选5个代表性影像特征。
基于这5个特征构建10种常见ML模型预测AAA破裂。模型平均AUC为0.81，其中6个模型AUC>0.8。随后在外部测试集验证模型，平均AUC为0.77，其中3个模型AUC>0.8。比较内外验证集性能显示，非线性模型如RF、SVM和KNN在内部测试集获得最高准确率，而QDA获得最高敏感性但特异性显著降低；在外部验证中，KNN获得最高总体准确率和特异性但敏感性中等，SVM保持高特异性但敏感性显著下降；LR、LDA和GNB表现出最平衡的外部性能。
年龄差异亚组分析
由于两组年龄差异显著，将该变量与LASSO筛选的影像组学特征共同纳入模型。所有模型性能均出现不同程度下降，内部测试集平均准确率0.69、平均AUC 0.69。
讨论
本研究从破裂AAA患者破裂前CTA图像提取PVAT影像组学特征，并与稳定性AAA患者CTA图像比较，开发多种ML模型并利用外部多中心数据集验证。影像组学分析显示破裂组PVAT体积更大、形态更不规则、密度更高、内部异质性更低。10个ML模型预测AAA破裂，内部验证集平均AUC 0.81，外部验证集平均AUC 0.77，所有模型至少具有中等判别能力。综合考虑各项指标，LR是表现最佳模型，在保持高判别能力的同时获得相对稳定平衡的诊断性能。
这项回顾性多中心研究纳入237例患者。由于AAA隐匿性和破裂发生率低，记录关键形态特征的破裂前CTA图像稀缺，破裂AAA患者常缺乏症状或常规影像随访，急诊条件进一步增加数据收集难度。既往研究受限于小样本量。本研究队列包括监测检测的破裂和急诊入院诊断"AAA破裂"病例，增强模型普适性。对照组所有患者均满足AAA直径手术标准，入院后接受手术治疗，在无腹痛或腹泻等症状情况下，操作性地将这些动脉瘤归类为稳定。
观察到年龄差异，可能反映AAA退行性病理生理。将年龄纳入模型后所有模型性能下降，提示PVAT影像组学本身已捕获大部分破裂相关信息。
PVAT日益被认为不仅是支持结构，还是通过旁分泌和内分泌机制调节血管功能的主动调节器。生理条件下PVAT发挥血管舒张、抗氧化和抗炎作用；病理状态下PVAT发生表型转换：免疫细胞浸润增加、微新生血管形成、脂肪组织纤维化重塑、脂肪细胞肥大/萎缩及结缔组织浸润增加。功能失调的PVAT导致心血管疾病。组织学上，AAA周围PVAT呈现坏死脂肪细胞和无菌炎症浸润，这种病理改变的特征性脂肪组织可能通过作用于邻近动脉瘤主动脉壁促进持续血管损伤过程。一项CT研究发现动脉瘤患者靠近主动脉壁的PVAT比远处脂肪衰减更高，解释为血管周围炎症标志。本研究中破裂组观察到PVAT灰度强度更高，可能对应血管周围脂肪组织内炎症细胞浸润、水肿和纤维化导致的密度增加。不规则形态提示PVAT局灶性重塑，可能标志晚期血管周围变性。内部异质性增加可能反映异质性局部血管周围微环境，表明动态重塑持续进行。这些特征共同识别血管周围环境处于晚期不稳定状态的病变，促进壁弱化和最终破裂。
相反，PVAT受血管状态影响，使其成为可行生物标志物。当前关于PVAT作为生物标志物的诊断和预后效用研究主要集中于冠状动脉疾病。关于AAA中PVAT的研究证明其预测血管内动脉瘤修复术后动脉瘤扩张的潜力。
影像组学差异提示破裂相关PVAT发生褐变，可能减轻炎症。这种表型转变可能解释观察到的影像学差异。影像组学量化像素/体素数据提取特征用于预测建模，揭示视觉评估难以感知的疾病异质性。目前CTA是构建AAA破裂预测模型的主要影像模态，提供动脉瘤形态、腔内血栓特征及与邻近结构空间关系的全面数据。多项研究利用腹主动脉CTA开发AAA破裂预测模型。本影像组学模型内部测试集平均AUC达0.80，最佳模型达0.90；外部测试集平均AUC 0.66，最佳模型0.85。从临床视角，主要权衡在于避免漏诊高风险患者和防止低风险患者不必要干预。本队列中AB和QDA在外部测试集获得极高敏感性，意味着几乎所有破裂AAA病例被标记为高风险，但伴随相对较低特异性和准确率，此类模型可能更适合早期预警或分诊场景。CTA需碘对比剂，存在对比剂肾病风险，尤其肾功能不全患者。本研究利用PVAT构建AAA破裂预测模型，值得注意的是PVAT评估本身不需对比剂，提示非增强CT可能仍具预测价值。此外MRI对脂肪检测灵敏度高于CT，未来研究将结合非增强CT或MRI的PVAT评估进一步完善模型。
研究存在一些局限性：1）回顾性性质和有限样本量可能影响性能估计稳定性，验证结果需谨慎解读；2）手动PVAT分割可能引入主观性；3）本研究CTA检查时间跨度12年，不同时期扫描设备、成像方案和临床实践差异可能引入时间异质性和潜在偏倚。
破裂前PVAT在AAA患者中呈现独特影像组学特征。基于CTA的PVAT机器学习模型显示风险分层潜力，值得进一步前瞻性评估。
结论
本研究证明PVAT影像组学特征可有效区分破裂与未破裂AAA，支持破裂前风险预测。与对照组相比，破裂组PVAT呈现更不规则形态、更高衰减和改变纹理异质性，反映空间复杂性增加。基于PVAT特征构建的机器学习模型获得良好判别性能，内部测试集平均AUC 0.81，外部队列平均AUC 0.77，多个模型显示相对平衡敏感性和特异性及更好普适性。年龄纳入模型导致性能一致下降，提示PVAT影像组学单独已捕获大部分破裂相关信息。这些发现支持PVAT影像组学作为有前景的AAA破裂风险分层影像生物标志物，需更大前瞻性研究验证。
伦理
获北京安贞医院伦理委员会批准，免除知情同意。根据规定，本研究因仅涉及匿名数据提取分析、不干扰患者护理且风险极小而豁免同意，确保数据脱敏和保密措施，遵循赫尔辛基宣言。
利益冲突
作者声明无已知竞争性财务利益或个人关系影响报告工作。
数据共享声明
支持本研究结果的数据可向通讯作者合理索取。
