基于冠状动脉计算机断层扫描血管造影的冠状动脉脂肪组织放射学不同机器学习模型的斑块进展的预测
Jingjing Pan1, Qianyu Huang1, Jiangming Zhu1
1Medical College of Wuhan University of Science and Technology, Wuhan, Hubei 430065, China.
European journal of radiology open
|March 4, 2025
概括
机器学习模型使用冠状动脉CT血管学冠状动脉脂肪组织 (PCAT) 放射学有效预测冠状动脉斑块进展. 脂肪衰减指数和PCAT体积的变化也表明未来的斑块增长.
科学领域:
- 心血管成像 - 心血管成像
- 无线电学 (Radiomics) 是一种辐射学.
- 机器学习 机器学习
背景情况:
- 冠状动脉疾病 (CAD) 管理需要准确预测斑块的进展.
- 冠周脂肪组织 (PCAT) 放射学为动脉样硬化疾病提供了新的见解.
- 冠状动脉计算机断层扫描血管学 (CCTA) 是CAD评估的关键成像方式.
研究的目的:
- 开发和验证机器学习模型,用于预测冠状动脉斑块进展 (PP),使用CCTA的PCAT放射学.
- 评估不同机器学习算法 (逻辑回归,K-最近邻居,随机森林) 应用到PCAT放射学的预测价值.
- 评估PCAT放射学特征和PP的常规参数的独立和联合预测能力.
主要方法:
- 从97名患有127个冠状动脉斑块的患者获得的序列CCTA数据的回顾性分析.
- 93个PCAT放射学特征的提取和分析,随后进行尺寸缩小和特征选择.
- 使用后勤回归,KNN和RF的PCAT放射学模型的开发和性能评估 (AUC,精度,灵敏度,特异性),与传统的参数模型一起.
主要成果:
- 使用PCAT放射学的随机森林 (RF) 模型在基线CCTA时显示出高预测性能 (AUC=0.971训练,0.821验证).
- 在后续的CCTA中,增加的脂肪衰减指数 (FAI) 和减少的PCAT体积被确定为PP的独立预测因素.
- 结合增加FAI和减少PCAT量的组合模型实现了最佳预测能力 (AUC = 0.907培训,0.882验证).
结论:
- 基于射频的PCAT放射学模型在基线CCTA预测PP方面显示出极好的潜力.
- 随访CCTA时FAI和PCAT体积的变化是斑块进展的重要独立预测因素.
- 结合FAI和PCAT体积指标可以更好地预测冠状动脉斑块的进展.
