心血管疾病（CVD）是全世界最常见的发病和死亡原因，准确的风险分层在确保有针对性的预防策略中具有关键作用。现有的疾病预测算法依赖于人口统计学和临床变量，已用于预测选定的主要心血管疾病。

心血管磁共振（CMR）是量化心血管结构和功能的参考模式，已广泛用于临床和研究领域。CMR提供了丰富的表型，可以对临床前器官层面的重塑进行表征。因此，人们对将成像生物标志物纳入心血管疾病预测算法的兴趣越来越大。然而，现有的CMR图像分析方法只限于简单的体积测量或定性评估。这些传统的CMR指标（左心室射血分数或最大舒张末期室壁厚度）已经显示出早期检测心脏恶化和亚临床疾病特征的潜力。

放射组学是一种定量的图像分析方法，可以提取有关心室形状和心肌特征的高度详细的信息，从而从现有的标准医疗图像中提供新的信息。放射性组学特征可作为临床模型的预测变量，通常使用机器学习（ML）方法开发。与无监督的ML算法相比，放射组学分析的一个关键优势是模型的可解释性；也就是说，放射组学特征可以追溯到心脏的形态学和组织水平的改变。CMR放射组学处于发展的早期阶段，到目前为止，现有的工作主要集中在证明该技术在疾病识别方面的可行性。据我们所知，以前没有研究过CMR放射组学模型对心血管疾病事件预测的价值。

近日，发表在European Radiology杂志的一项研究评估了CMR放射组学在预测四种主要心血管疾病的可行性和临床效用：心房颤动（AF）、心力衰竭（HF）、心肌梗塞（MI）、卒中，并建立了包含传统血管风险因素（VRFs）和传统CMR指标的监督性ML模型，为临床进行准确的患者风险分层提供了支持。

研究从英国生物库中确定了在连续的纵向随访中发生房颤、HF、MI或卒中的参与者，并获得了每个参与者的CMR指数和血管危险因素（VRFs）以及CMR图像。计算出三部分感兴趣区域（ROI）：右心室腔、左心室（LV）腔以及收缩末期和舒张末期的LV心肌。从ROI的三维体积中提取放射组学特征。为每一例心血管疾病（CVD）的结果建立了七个综合模型。每个模型都是用VRF、CMR指数和放射组学特征以及它们的组合建立的。使用支持向量机进行分类。评估模型的性能，并报告了准确性、敏感性、特异性和AUC。 

使用VRF+CMR+Rad模型的房颤预测模型（准确率：0.71，AUC 0.76）获得最佳结果。然而，AUC与VRF+Rad模型相似。加入CMR指标后，HF显示出最明显的改善（VRF+CMR+Rad：0.79，AUC 0.84）。此外，只在VRF中加入放射组学特征，几乎达到了类似的良好表现（VRF+Rad：准确率0.77，AUC 0.83）。观察入院MI和卒中的预测模型达到的改善略小。 

图 ROC曲线显示了单独的血管危险因素和血管危险因素与放射组学特征的组合在所有事件结果预测模型中的判别能力。与单独的血管危险因素（VRF）和放射组学特征（橙色）相比，血管危险因素（VRF）和放射组学特征（蓝色）的组合在预测房颤和HF方面达到了更好的表现（P < 0.05）。缩略语。房颤，心房颤动；HF，心衰；MI，心肌梗死

本项研究证明了使用CMR衍生的放射组学特征来预测关键的心血管疾病结果的可行性。同时，放射性组学特征提供了比VRFs更多的信息及改进。这种改进在房颤和高频预测中最为突出，这突出表明了放射组学模型的性能取决于疾病的病因和机制。

原文出处：

Esmeralda Ruiz Pujadas,Zahra Raisi-Estabragh,Liliana Szabo,et al.Prediction of incident cardiovascular events using machine learning and CMR radiomics.DOI:10.1007/s00330-022-09323-z

Tags： European Radiology：使用机器学习和CMR放射组学预测心血管事件的发生