01文献学习今天分享的文献是由上海市第一人民医院放射科张佳胤教授等团队于2026年2月6日在《European Heart Journal - Cardiovascular Imaging》中科院1区topIF6.6上发表的研究“Development and validation of a computed tomography myocardial perfusion imaging radiomic model for major adverse cardiovascular events prediction: a multicenter study”即计算机断层扫描心肌灌注成像放射组学模型预测主要不良心血管事件的开发与验证——一项多中心研究该研究旨在开发并验证一个结合临床风险因素、冠状动脉CT血管成像CCTA特征与CT心肌灌注成像CT-MPI多参数影像组学特征的联合模型用于预测主要不良心血管事件。研究共纳入784名来自8家医院的患者构建了三个逐步复杂的预测模型结果显示加入影像组学特征的模型3在预测MACE方面显著优于仅依赖临床和常规影像参数的模型且具有良好的外部验证性能和模型可解释性。创新点①首次构建多参数CT-MPI影像组学模型整合MBF、FE、PCBV等多参数全面刻画心肌灌注特征。②引入梯度提升生存分析GBSA与Boruta算法有效捕捉非线性关系提升特征选择与预测性能。③开发交互式网络工具实现影像组学评分的实时计算与个体化生存预测促进临床转化与应用。临床价值①显著提升MACE预测准确性C指数达0.898优于传统临床与影像模型助力精准风险分层。②整合宏观与微循环信息全面评估冠脉病变指导个体化治疗决策改善患者预后。③模型高度可解释通过影像组学特征揭示与MACE相关的灌注模式增强临床信任与推广性。图 1研究整体流程概览图第一阶段影像数据处理与放射组学特征提取输入CT-MPI原始影像数据手动勾画心肌感兴趣区ROI和感兴趣体积VOI掩码处理生成8类CT-MPI灌注参数图MBF、MBV、FE、PCBV、TTS、TTP、TTT、EEV对参数图进行重采样、标准化等预处理以消除异质性输出从多参数图中提取高通量放射组学特征含一阶特征、纹理特征等。第二阶段变量收集与放射组学特征筛选/建模常规变量收集临床危险因素年龄、性别、BMI、糖尿病等、冠脉成像参数CACS、CAD-RADS、HRP、MBF值放射组学特征筛选先通过ICC检验ICC0.8保留稳健特征再用改进的Boruta算法GBSA替代随机森林筛选与MACE相关的关键特征放射组学模型训练用梯度提升生存分析GBSA训练筛选后的特征得到放射组学评分。第三阶段模型构建、验证与多维度评估模型构建依次构建Model1临床冠脉特征、Model2Model1MBF、Model3Model2放射组学评分验证队列训练集、内部验证集、外部验证集评估指标量化指标C-index、时变AUCt-AUC、Brier评分、AIC值、生存分析Kaplan-Meier曲线、临床效能校准曲线、决策曲线分析临床转化开发在线交互式工具。02研究背景和目的研究背景冠状动脉疾病CAD是全球范围内导致死亡和残疾的主要原因之一准确的预后预测对于患者的风险分层和治疗策略制定至关重要。目前冠状动脉CT血管成像CCTA是评估CAD解剖结构最广泛使用的无创影像学方法其评估指标如冠状动脉狭窄程度依据CAD-RADS分级和高危斑块HRP特征已被证实为重要的预后标志物。然而传统CCTA无法评估病变的功能学意义特别是心肌灌注状态。近年来CT心肌灌注成像CT-MPI技术的发展使得心肌血流量MBF的绝对定量成为可能并且已有多项研究证实其定量MBF值在识别心肌缺血和预测主要不良心血管事件MACE方面优于传统CT参数。尽管如此现有研究大多局限于MBF这一单一参数及其固定阈值而CT-MPI还能提供心肌血容量MBV、流量提取分数FE、灌注毛细血管血容量PCBV和开始时间TTS等多个能反映微循环灌注信息的参数这些参数中蕴含的潜在预后价值尚未被充分挖掘。因此如何综合利用CT-MPI提供的多参数信息更全面地刻画心肌灌注特征以提升对MACE的预测能力是当前研究中一个亟待解决的问题。研究目的本研究旨在开发并验证一种结合临床危险因素、冠状动脉粥样硬化特征以及基于CT-MPI多参数图的影像组学特征的联合模型用于预测可疑CAD患者的主要不良心血管事件MACE。研究假设从MBF、MBV、FE、PCBV、TTS等多个CT-MPI参数图中提取的影像组学特征能够超越单一MBF的数值限制同时捕捉大血管和微血管水平的灌注信息从而更全面地表征心肌灌注的异质性。为此本研究将构建三个逐步递进的预测模型模型1仅包含临床危险因素和常规CT特征模型2在模型1基础上纳入MBF值模型3则在模型2基础上进一步整合从多参数CT-MPI图中提取的影像组学评分。通过在多个心开展内外部验证比较各模型的预测性能评估影像组学特征的增量预后价值。此外为了促进研究成果的临床转化本研究还计划部署两个交互式网络工具用于实时计算影像组学评分和个体化生存概率从而提高模型的临床可及性和实用性。03数据和方法研究数据样本量784名患者552名内部队列232名外部队列时间范围2016年11月至2023年1月纳入标准胸痛、中高CAD风险、接受CCTACT-MPI检查排除标准心肌病、既往心梗/血运重建、早期血运重建、图像质量差、失访MACE事件122例15.56%包括心源性死亡、心梗、晚期血运重建、再住院等图 2患者筛选流程图技术方法图像采集第三代双源CT采用一站式扫描策略钙化积分动态负荷CT-MPICCTA参数提取8种CT-MPI参数图MBF、MBV、FE、PCBV、TTS等影像组学特征提取使用PyRadiomics提取特征并筛选ICC 0.8Boruta算法GBSA模型构建模型1临床常规影像变量DM CAD-RADS ≥3模型2模型1 MBF值模型3模型2 影像组学评分模型评估C-index、时间依赖性AUC、Brier评分、校准曲线、决策曲线、Kaplan-Meier曲线、SHAP可解释性分析敏感性分析排除再住院等软终点后验证模型稳定性工具开发部署两个Web应用用于风险评分和生存预测04实验结果模型3在所有数据集中表现最佳训练集 C-index: 0.898内部验证集 C-index: 0.844外部验证集 C-index: 0.840时间依赖性AUC模型3在1年、3年、5年预测中均优于模型1和2影像组学评分的HR为7.93P 0.001为最强独立预测因子SHAP分析显示FE_90th percentile、MBF_10th percentile等特征贡献最大敏感性分析确认模型稳健性Web工具已上线便于临床应用图 3GBSA放射组学模型的SHAP汇总图图 4Model2和Model3的Kaplan-Meier生存曲线含log-rank检验和HR值图 5放射组学模型预测MACE的代表性病例对比分析图05研究结论本研究成功开发并验证了一个结合临床风险因素、冠状动脉解剖特征及CT心肌灌注成像CT-MPI多参数放射组学特征的联合模型用于预测主要不良心血管事件MACE。通过对784例疑似冠心病患者的多中心数据分析该联合模型在训练集、内部验证集及外部验证集中的C指数分别达到0.898、0.844和0.840显著优于仅包含临床和常规影像参数的模型以及仅加入心肌血流量MBF的模型。研究证实从CT-MPI多参数图谱中提取的放射组学特征能够同时捕捉与大血管和微血管循环相关的灌注信息超越了传统单一MBF阈值的评估方式。此外通过Boruta算法和梯度提升生存分析GBSA筛选出的特征具有良好的可解释性能够反映心肌灌注异质性和微循环功能障碍。敏感性分析和外部验证进一步证实了该模型的稳健性和泛化能力。最终研究团队开发了基于网络的交互工具便于临床实时风险分层和个体化预后评估推动了该模型的临床转化应用。综上该研究为冠心病患者的精准风险分层提供了一种无创、全面且可解释的新型影像学预测工具。参考文献Zhong Z, Li D, Liu S, Ling R, Chen P, Kong W, Zhu M, Tian Y, Yang F, Wang G, Yu Y, Zhao Y, Chen B, Zhang Z, Li Y, Guo L, Xu Y, Zhang J. Development and validation of a computed tomography myocardial perfusion imaging radiomic model for major adverse cardiovascular events prediction: a multicenter study. Eur Heart J Cardiovasc Imaging. 2026 Feb 6:jeag044. doi: 10.1093/ehjci/jeag044.