《JACC: Cardiovascular Imaging》：Aortic and Cardiac Structure From Routine CT Predict Cardiovascular Risk Beyond PREVENT and Coronary Calcium
编辑推荐：
本研究旨在解决现有心血管疾病（CVD）风险评估工具（如PCE、PREVENT）不精确且数据不完整的问题。研究人员利用常规胸部CT，通过深度学习分割心脏和主动脉，提取放射组学特征，开发了一种新的风险评分。结果表明，该放射组学评分对主要不良心脏事件（MACE）的区分度优于PREVENT评分，且与冠状动脉钙化（CAC）评分互补，能识别出临床评分遗漏的高危患者，为指导强化一级预防提供了新途径。
心血管疾病是全球首要死因，其有效预防依赖于精准的风险评估。然而，目前广泛使用的临床风险预测工具，如汇集队列方程（PCE）和最新的“心血管疾病事件风险预测”（PREVENT）方程，虽然纳入了传统风险因素，但其预测仍存在不精确性。更棘手的是，在电子健康记录中，许多患者缺乏计算这些风险评分所需的完整变量。与此同时，常规影像检查，尤其是非对比剂胸部计算机断层扫描（CT），在日常临床中应用广泛，其中蕴含了大量未被充分利用的解剖和结构信息。这引发了一个关键的科学问题：能否从这些常规获得的CT图像中，自动化地提取心脏和主动脉的结构特征，并构建一个超越现有临床评分和冠状动脉钙化（CAC）评分的、更强大的心血管风险预测模型？
为了回答这个问题，由Daniel W. Oo、Matthias Jung等人领导的研究团队开展了一项雄心勃勃的研究，成果发表在心血管影像领域的顶级期刊《JACC: Cardiovascular Imaging》上。他们的核心理念是，将人工智能驱动的影像分析转化为一种“机会性筛查”工具，在不增加额外检查负担的情况下，深度挖掘常规胸部CT的潜在价值，从而实现更个体化、更精准的心血管风险管理。
研究者们运用了几个关键的技术方法来完成这项研究。首先，他们利用了两个大型队列的数据：来自国家肺部筛查试验的13,437例肺癌筛查胸部CT用于模型开发；来自麻省总医院布里格姆医疗保健系统的14,577例因常规临床护理获取的非对比剂、非心电门控胸部CT用于外部验证。其次，他们采用了一个名为TotalSegmentator的公开深度学习模型，来自动识别和分割每张CT图像中的四个心腔（左心房、左心室、右心房、右心室）和主动脉。然后，使用PyRadiomics软件从每个分割出的区域中提取了70个描述其大小和形状的放射组学特征。接着，他们使用最小绝对收缩和选择算子（LASSO）Cox比例风险模型，基于这些特征和性别，开发了一个预测心血管死亡风险的放射组学评分。最后，在外部验证队列中，他们将这个放射组学评分与标准的PCE、PREVENT评分以及通过深度学习算法自动估算的CAC评分进行了系统的比较，评估指标包括区分度、校准度和风险重分类能力。
研究结果部分通过一系列严谨的分析，揭示了放射组学评分的强大预测能力。
在“放射组学特征与心血管死亡率的关联”部分，研究发现，左心室的大小和形状是预测心血管死亡率最强的特征。例如，左心室体积每增加一个标准差，心血管死亡风险增加61%；左心室短轴长度增加一个标准差，风险增加63%。此外，主动脉表面积与体积之比（每增加一个标准差，风险降低27%）和左心房扁平度（每增加一个标准差，风险增加45%）也与风险显著相关。这些发现为模型的生物学合理性提供了支撑。
在“放射组学风险模型开发与NLST内部测试”部分，研究团队在训练集上建立的LASSO模型稳定地筛选出了一组最具预测价值的特征。在独立的内部测试集上，放射组学评分展现了良好的区分度。
在“放射组学、PCE、PREVENT和CAC评分对MACE的区分度”部分，外部验证的结果令人印象深刻。在全队列中，放射组学评分对MACE的区分度显著高于PREVENT评分。更重要的是，放射组学评分与CAC评分具有互补价值。当两者结合时，其区分度达到最高。
研究通过具体的案例图示，展示了放射组学、CAC和PREVENT评分结果存在差异的患者，其心脏结构分割图像合理，直观地说明了不同评分关注点的差异。
在“风险分层”部分，研究将放射组学评分按性别特异性阈值分为低、中、高风险组，结果显示MACE的累积发生率随风险等级升高而呈现明显的梯度上升。尤为关键的是，放射组学评分能够在各个CAC风险分层内部进一步区分风险。例如，在CAC=0（无钙化）的患者中，高风险放射组学评分者的MACE发生率是低风险者的3倍多。这表明，即使冠状动脉没有明显钙化，心脏和主动脉的结构异常也可能提示着较高的心血管事件风险。这种分层能力同样体现在与PREVENT评分的比较中。
在“他汀类药物适用性”部分，研究模拟了临床决策场景。在符合当前指南建议进行风险评估的患者中，使用PREVENT评分界定为“他汀适用”的高风险阈值时，放射组学评分能进一步识别出其中风险更高或更低的亚组。更重要的是，在75%因缺少风险因素而无法计算PREVENT评分的患者中，放射组学评分仍能有效工作，成功识别出其中12%的高危患者，这些患者的MACE发生率是低风险患者的2-3倍。这为解决临床常见的数据缺失问题提供了实用方案。
在“讨论”部分，作者深入阐述了本研究的价值和意义。他们强调，准确的心血管风险评估是一级预防的基石。本研究的主要发现在于，从常规非对比剂胸部CT中自动提取的心脏和主动脉结构放射组学特征，能够提供超越传统风险因素和CAC评分的预测信息。研究开发的这个可解释的机器学习模型，其价值体现在多个层面：对于已有完整临床风险评分的患者，它可以作为“风险增强因子”，帮助进一步细分风险，指导更个性化的预防策略；对于大量因数据缺失而无法进行传统风险评估的患者，它提供了一种全新的、基于现有影像数据的筛查工具，可自动在后台运行，识别高危个体，从而触发临床干预。研究者认为，该模型有望被整合到机会性筛查工作流中，重新利用已有的CT研究，以最小的临床工作流程干扰，实现大规模的心血管风险初筛。
当然，作者也客观地指出了研究的局限性：这是一项回顾性研究，需要前瞻性临床试验来验证其临床效用；模型主要在非西班牙裔白人吸烟者中开发，需要在更多样化的人群中进行验证；模型虽然特征可解释，但并未阐明这些结构特征导致MACE的具体生理机制，这为未来研究留下了空间；此外，在本研究的医院系统队列中，患者合并症负担较高，导致PCE/PREVENT评分的表现低于社区队列中的报告，未来需要在普通人群中进一步比较。
综上所述，这项研究开创性地证明，利用人工智能从常规胸部CT中量化心脏和主动脉结构，可以构建一个强大的、超越现有标准护理评分的心血管风险预测工具。这项技术将常见的诊断性影像转变为预防性医学的宝贵资源，为实现更精准、更普适的心血管疾病一级预防开辟了新的道路。正如作者所展望的，这种“机会性筛查”模式，有望在未来成为电子健康记录系统中的标准辅助功能，默默守护每一位接受过胸部CT检查患者的血管健康。
