《Canadian Journal of Cardiology》：3D Cardiac Magnetic Resonance Substrate Features-Based Machine Learning Model for Post-myocardial Infarction Risk Stratification: a Multicenter Study
编辑推荐：
本研究旨在解决心肌梗死后主要不良心血管事件风险分层不精准的临床难题。研究人员开发了一种集成了三维心脏磁共振基质特征的、可解释的机器学习模型。结果表明，该模型在训练集、内部测试集和外部验证集中均展现出优异的预测性能，显著优于仅基于临床或传统功能指标的模型，为个体化心血管风险管理提供了精准工具。
论文解读
心肌梗死是导致全球范围内死亡和残疾的主要原因之一。即使患者成功接受了及时的血管再通治疗，他们在未来依然面临着发生主要不良心血管事件的高风险。在心肌梗死后心力衰竭相关的死亡中，超过一半可归因于继发于室性心律失常的心脏性猝死。因此，准确识别出心肌梗死后那些存在高风险、特别是带有致心律失常基质的患者，对于优化治疗策略、改善临床结局至关重要。
心脏磁共振成像，特别是延迟钆增强（LGE）技术，已成为评估心肌梗死后瘢痕和致心律失常基质的“金标准”。它能够清晰地区分梗死核心区和边缘带及其空间分布特征，这些特征与主要不良心血管事件的发生密切相关。然而，传统的分析方法大多局限于对二维断层影像的评估，难以全面刻画瘢痕组织的三维结构、边缘带及其相关的电生理特性。近年来，三维心脏影像后处理软件ADAS 3D的出现，为从LGE图像中提取高精度的三维基质特征提供了新工具。它能够重建基于信号强度的三维瘢痕模型，精确定义梗死核心、边缘带以及“异常传导走廊”（即穿过边缘带内核心瘢痕组织，两端连接存活心肌，且长度超过5毫米的通路）。与此同时，机器学习技术凭借其强大的模式识别能力，使得整合复杂的三维CMR基质特征与多模态临床数据成为可能。因此，本研究旨在开发一种融合了三维CMR基质特征的机器学习预测模型，以预测心肌梗死后患者的主要不良心血管事件，旨在实现更精准的风险分层，并为个体化治疗策略提供决策支持。
本项研究发表在《Canadian Journal of Cardiology》上。研究人员采用了一项多中心回顾性研究设计，纳入了292名接受了心脏磁共振检查的心肌梗死患者作为最终队列，并使用来自三个其他中心的数据进行外部验证。研究的主要终点是主要不良心血管事件的复合事件。技术方法上，研究人员利用ADAS 3D软件从LGE图像中自动量化了包括核心瘢痕质量、边缘带质量、异常走廊质量、负荷和长度在内的三维基质特征。通过单变量逻辑回归和Boruta算法进行特征筛选，最终确定了9个关键预测因子。研究构建并比较了八种机器学习算法，其中TabPFN模型表现最佳，被用于构建最终的多模态预测模型。模型性能通过受试者工作特征曲线下面积、决策曲线分析和校准曲线等进行全面评估。此外，应用SHAP方法对模型进行了解释，以阐明各特征对预测结果的贡献。
研究结果
患者特征
在入组的292名心肌梗死患者中，中位随访35个月期间，有91名患者经历了主要不良心血管事件。基线特征显示，队列平均年龄为56±18岁，男性占73.6%。关键的CMR三维基质特征中，边缘带质量的中位数为13.68克，走廊质量的中位数为0.88克，走廊长度的中位数为23.68毫米。
关键特征与共线性
通过两阶段特征选择（单变量逻辑回归和Boruta算法）并结合方差膨胀因子分析，最终确定了9个无强共线性的关键预测因子：3个临床变量（高密度脂蛋白、慢性肾脏病、三尖瓣反流程度），2个CMR功能特征（左心室射血分数、左心室整体圆周应变），以及4个三维基质特征（边缘带质量、走廊质量、走廊负荷和走廊长度）。
模型构建与评估
在八种机器学习模型中，TabPFN模型在训练集、内部测试集和外部验证集中展现出最佳的综合性能。研究人员随后使用TabPFN算法构建了六个多模态预测模型进行对比。
模型比较
对比六个多模态模型发现：
- •
模型4（临床特征 + 三维基质特征） 在训练集、内部测试集和外部验证集中均表现出最优的预测稳定性和泛化能力。其在外部验证集中的3年时间依赖AUC为0.791。
- •
模型3（仅三维基质特征） 表现中等，其外部验证AUC为0.761，超过了仅含临床特征或仅含CMR功能特征的模型，凸显了三维基质特征独立的预后价值。
- •
模型1（仅临床特征） 和模型2（仅CMR功能特征） 表现最差，模型2在外部验证集中的AUC仅为0.537，低于随机分类阈值。
- •
决策曲线分析 表明，包含三维基质特征的模型在广泛的阈值范围内提供了显著的净临床获益。
模型解释
根据最优模型（模型4）预测的风险三分位数将患者分为低、中、高风险组，Kaplan-Meier生存曲线显示三组患者的生存结局存在显著差异。
SHAP分析量化了各特征对预测结果的贡献。全局解释显示，走廊质量和走廊负荷是对模型输出贡献最大的两个特征，其次是重度三尖瓣反流、高密度脂蛋白和慢性肾脏病等。
此外，SHAP力图可视化了个体患者的预测逻辑，直观展示了每个特征如何推高或降低特定患者发生主要不良心血管事件的预测概率。
研究结论与讨论
本研究首次基于多中心真实世界数据，开发并验证了一个利用三维CMR基质特征预测心肌梗死患者主要不良心血管事件复合风险的可解释机器学习模型。结果表明，三维CMR基质特征（尤其是异常走廊相关参数和边缘带质量）在主要不良心血管事件风险预测中扮演关键角色。基于TabPFN算法构建的模型在内部测试集和外部验证队列中均表现出良好且稳定的性能，其预测能力显著优于传统的临床特征和CMR左心室功能指标。
讨论部分强调了三维基质特征，特别是走廊参数（代表穿过瘢痕组织的缓慢传导通道，被认为是室性心律失常的结构基质）和边缘带质量（反映心肌异质性），相较于传统指标如左心室射血分数和整体圆周应变，具有更优的预后预测价值。集成临床特征与三维基质特征的模型（模型4）取得了最佳平衡的性能与泛化能力，而整合了所有特征的模型（模型6）并未展现出最高性能，提示过度的特征输入可能导致冗余和过拟合。
尽管本研究存在区域性选择偏倚、未对低频子事件进行竞争风险分析等局限性，并且模型目前不直接用于临床决策，仍需前瞻性验证，但其结论具有重要意义。它证明了基于三维CMR基质特征的机器学习模型能够显著改善心肌梗死后主要不良心血管事件的预测，提供了一种超越传统方法的、可解释且个性化的风险分层工具，为未来实现更精准的心血管疾病个体化管理奠定了坚实基础。
