第30章：基于人工智能的心脏脂肪量化（Artificial Intelligence-Based Quantification of Cardiac Fat）

引言：EAT 评估的意义与现有局限

本章开篇承接前文，指出心外膜脂肪组织（epicardial adipose tissue, EAT）的评估目前在心血管风险分层领域正日益受到关注。作者强调 EAT 量化与冠心病（CAD）及心肌梗死等多种心血管病理相关，并已被探索用于结构性病变（如心律失常）和代谢性疾病的评估。在 EAT 的量化手段方面，CT 因具备空间分辨率高、采集快速且可同时获得 EAT 体积与密度等参数而成为首选方式；而 MRI 虽然可避免电离辐射，并已在心肌评估中发挥作用，却因可及性有限、扫描时间长、成本高（若仅为 EAT 评估而进行心脏 MRI）等局限，在临床上难以作为常规的 EAT 评估手段。基于此，作者认为 AI 方法在克服上述 EAT 评估障碍方面具有潜在价值。

EAT 分割

作者指出，迄今为止针对 EAT 的 AI 应用主要目标可归为两大核心：（i）EAT 分割；（ii）建立包含 EAT 衍生参数的临床模型。现有 AI 工作均聚焦于 CT 影像。在分割任务上，手工分割 EAT 在实际中面临多重困难。其一，手工分割极为耗时：CT 切片厚度可低于 1 mm，单次扫描往往包含多达几百幅图像；即便每十层分割一次以节省时间，也可能引入误差并降低定量估计的可重复性。其二，EAT 的可重复性并非总能保证，因为 EAT 的外缘由心包界定，而心包在影像上往往仅呈现为纤细的薄层；心包之外另有一层脂肪，可能成为混杂因素。因此，作者建议由经验丰富的心血管影像医师执行分割。

针对上述困难，多项研究尝试以 AI 自动化完成 EAT 分割。Rodrigues 等 2017 年的研究提出了一种在非增强门控 CT 上自动分割 EAT 的深度学习框架，其方法包括阈值化脂肪组织（HU 介于 −200 与 −30 之间）、随后进行图像配准、特征提取，并以这些特征对脂肪体素进行分类；金标准由经验丰富的人工读片者手工分割提供。研究在来自 20 例患者的 878 张图像上训练了若干 AI 模型（66% 划分并采用十折交叉验证），其中随机森林算法表现最佳，准确率达到 98.5%，处理时间略超过一分钟。

Commandeur 等 2018 年开发了一种可在非增强门控 CT 上自动分割 EAT 的全卷积神经网络（CNN）。其方法以图像输入第一个全卷积网络提取特征，再通过稠密层与上采样区分心包内外结构并分割 EAT；第二个 CNN 接收第一个网络的输出，生成心包囊的概率图，进而调整并阈值化分割结果。作者在 250 例由具有 3 年以上心血管影像经验的读片者手工分割的非增强门控 CT 上以十折交叉验证训练模型，最终模型的 Dice 相似系数（DSC）为 0.823（四分位区间 0.779–0.860），偏倚介于 1 至 2 cm³ 之间，相关系数为 0.924（p<0.001），在标准个人电脑上的分割时间低于 30 秒。

同一团队在 2020 年发表了进一步的工作，在更大规模的多中心数据上对稍作修改的全卷积神经网络进行再训练与测试。该方法在较深层引入残差学习以识别包含心脏的切片，并在心包内部以 −190 至 −30 HU 的脂肪阈值进行分割；金标准仍来自有经验的人工分割。训练集来自三个中心、四个队列的 614 例非增强门控 CT（570 例受试者），采用十折交叉验证与 80%–10%–10% 的训练/验证/测试划分；模型在第四个队列的 236 例新 CT 上做最终测试，EAT 体积与金标准呈高度一致（r=0.975, p<0.001），偏倚约为 2 cm³，使用 GPU 时中位处理时间约 2 秒，仅使用 CPU 时约 7 秒。

He 等提出的方法则针对增强门控 CT，使用一种带注意力门的三维 U-Net 全卷积网络来分割 EAT。模型在 200 例接受增强心脏 CT 的患者上以五折交叉验证训练，金标准由两位有经验的读片者手工分割；交叉验证中相关系数达 0.949，平均体积差异约为 8 cm³。

作者将上述研究的主要特征与结果汇总在 Table 30.1 中，并指出关于 EAT 总体体积的结果非常令人鼓舞，提示 AI 方法可以高精度、小体积偏倚且在短时间内完成 EAT 分割；这将为把 EAT 评估纳入 CT 影像生物标志物（如已进入临床实践并常被纳入放射学报告的冠脉钙化评分）打开通路。未来的进展还包括开发可适用于 MRI 等其他模态的 AI 方法，并验证这些方法在 EAT 密度评估（鉴于其在心血管风险评估中的潜在作用）方面的表现。

涉及心外膜脂肪组织的临床模型

另一类与 EAT 相关的 AI 应用旨在建立可帮助厘清 EAT 参数临床角色与适用范围的研究模型；当数据规模不断扩大、且需构建能整合多变量的复杂模型时，AI 可提供不可替代的助力。

Otaki 等 2015 年的研究开发了一种 AI 模型，利用非增强 CT 上测算的 EAT 体积预测静息-负荷 82Rb PET 所检测的心肌血流储备受损情况。作者回顾性收集了 85 例无 CAD 病史的患者，使用集成提升机器学习算法 LogitBoost 并采用十折交叉验证，按血流储备是否受损（≤2.0）对患者分类。模型纳入了年龄、性别、心血管危险因素、钙化评分和 EAT 体积等多个变量，最终 AUC 为 0.73，显著优于单独使用钙化评分（AUC=0.66, p=0.008）或单独使用 EAT 体积（AUC=0.67, p=0.002）的结果。

Commandeur 等的工作旨在基于临床变量、钙化评分和 EAT 体积预测患者心肌梗死与心源性死亡的远期风险。他们在 1912 例接受非增强门控心脏 CT 评估钙化评分的无症状受试者上，使用极端梯度提升（XGBoost）模型并以十折交叉验证训练；终点事件基于长达 14.5 年的随访，期间 76 例发生了心血管不良事件或死亡；模型最终 AUC 为 0.82（95% 置信区间 0.77–0.87）。

前述工作主要聚焦于 EAT 体积（已被确立为心血管风险生物标志物）。其他研究则尝试开发纳入 EAT 密度的 AI 模型，尤其是涉及心包周围脂肪组织（pericoronary adipose tissue, pCAT）的分析。

Oikonomou 等提出了一种纳入 pCAT 影像组学分析的 AI 模型以预测心血管风险。作者对接受增强心脏 CT 的患者进行了 pCAT 影像组学建模，其中 101 例在随后 5 年内发生了不良事件，每例扫描提取 1391 个影像组学特征。他们以随机森林算法对患者按是否发生不良事件进行分类，在 202 例患者上以 80%–20% 的训练-测试划分与五折交叉验证训练模型，AUC 为 0.774（95% CI 0.622–0.926）；随后在 1575 例连续患者上验证，相比传统模型风险预测准确性显著提升。

Lin 等分析了 pCAT 的影像组学特征与心肌梗死之间的关系，前瞻性纳入 60 例急性心肌梗死患者、60 例稳定型 CAD 患者和 60 例匹配的无 CAD 健康对照（均接受增强心脏 CT）。每位患者提取 1103 个影像组学特征，并以 XGBoost 分类器在十折交叉验证下识别心肌梗死患者，AUC 达 0.87（95% CI 0.82–0.93）。

作者总结，关于涉及 EAT 评估的临床模型的工作结果印证了 EAT 特征可助力心血管风险分层，并提示这类工具可帮助更好地确立 EAT 的临床角色。影像组学分析在 pCAT 上表现出较高的性能，而对整体 EAT 的研究目前仍较为有限。

结论

作者总结道，EAT 评估正日益受到广泛关注，因为它在心血管风险分层方面显示潜力——不仅与 CAD 及其相关病变（如心肌梗死）有关，也与心律失常等结构性病变以及代谢性疾病相关。在这一背景下，AI 的价值在于既能帮助克服 EAT 分割本身的繁琐与耗时难题（需要经验丰富的读片者），又能协助构建整合多种已确立与潜在风险因素（如 EAT 体积与密度）的预测模型，从而在临床层面获得更高性能，助力心血管精准医学的塑造。

需要注意的是，目前已开展的 EAT 相关 AI 任务均在 CT 影像上进行。原因有二：其一，EAT 体积是与 CAD 患病率升高及心血管风险升高相关的生物标志物，而心脏 CT 已是低风险 CAD 患者（风险评估最具价值的群体）工作流程中成熟的一步；其二，EAT 密度基于 CT 计算，所获值以 HU 为单位、始终以水为标准，而 MRI 的信号强度为任意单位，依赖于磁场强度、序列类型及参数与射频线圈。因此，涉及 EAT 密度评估的应用必须基于 CT 影像。然而，考虑到 EAT 体积的变化亦可能与通常通过 MRI 评估的其他心肌病变相关，研发能在 MRI 上分割 EAT 的 AI 系统可能具有潜在价值；尽管 MRI 图像强度未标准化，AI 方法或许可弥补这一固有局限，同时仍保持临床相关性。

本章个人批注

本章是全书少有的、几乎完全围绕一个单一影像生物标志物（EAT）展开的章节，节奏紧凑、信息密度高。作者以"分割—建模"两条主线分别综述了过去十余年的代表性工作，并刻意将 pCAT 与整体 EAT 区分开来讨论，这与近年文献中两者逐渐分化的趋势相吻合。值得注意的是，已发表的 EAT 相关 AI 工作几乎全部基于 CT，这背后既有影像可及性的考量，也有 EAT 密度本质上是 HU 这一物理事实的硬约束——这提示 MRI 上的 EAT 评估必须依靠 AI 弥补信号强度非标准化的不足，否则难以建立可重复的量化体系。我个人对几个具体数字印象较深：Commandeur 2018 的 DSC 0.823、2020 多中心版本的 r=0.975 与中位处理时间 2–7 秒，以及 Lin 等基于 pCAT 影像组学的 0.87 AUC——这组数据让"AI 让 EAT 进入常规报告"这一愿景显得并非空想。但也要看到，pCAT 与整体 EAT 之间的工作量极不均衡：前者近年涌现多项影像组学研究，后者基本仍停留在体积+少数密度的层面，这或许与 pCAT 解剖边界更清晰、信号噪声更易控制有关。临床转化层面，Otaki 与 Commandeur 的两个 AUC（0.73 vs 0.82）显示加入 EAT 后模型确有提升，但仍未到"可独立决策"的水平，需要与传统评分（如钙化评分、临床变量）联合使用。

与上下章的衔接（一段话）

本章位于上册心脏 CT 应用部分的尾声，紧接第 29 章 TAVR 规划 CT 之后，作者将焦点从"结构"切换到"代谢与影像生物标志物"。本章同时承担两个过渡功能：一方面延续第 24–27 章围绕冠脉（钙化、斑块、CAD-RADS、CT-FFR）展开的"AI 提取冠脉相关定量信息"主题，把视角从冠脉管腔本身扩展到冠脉周围脂肪；另一方面又把"分割—建模"这一典型 AI 应用范式从瓣膜、冠脉迁移到脂肪组织，为下一章（第 31 章 Kolossváry 与 Maurovich-Horvat 的 Cardiac CT 影像组学综述）做了直接铺垫——pCAT 影像组学的多项工作（Oikonomou、Lin）在本章被详细展开，下一章则会把影像组学方法学与更广泛的冠脉病变应用一并系统化。因此本章可视为"具体生物标志物"与"通用方法学"之间的桥接：先让读者看到一个有临床意义的具体案例，再交由下一章讲解其背后的影像组学技术框架。