第 30 章心脏脂肪的 AI 量化（Artificial Intelligence-Based Quantification of Cardiac Fat）

作者

Caterina B. Monti, MD, PhD（通讯作者）—— Department of Biomedical Sciences for Health, Università degli Studi di Milano, Milan, Italy。
Davide Capra, MD —— 同上。
Francesco Secchi, MD, PhD / Francesco Sardanelli, MD —— Università degli Studi di Milano + Unit of Radiology, IRCCS Policlinico San Donato, San Donato Milanese, Milan, Italy。
Marina Codari, MSc, PhD —— Department of Radiology, School of Medicine, Stanford University, Stanford, CA, USA。

本章位于 Part III 心脏应用部分，承接第 25–29 章的"冠脉 + 瓣膜 + 主动脉"主题，转向心脏脂肪组织（epicardial adipose tissue, EAT）——一个新兴的 CAD 风险生物标志物。属于"应用 + 方法学"双重性质的章节，是 AI 在心血管影像中"外延应用"的代表——从结构（瓣膜、冠脉）到功能性生物标志物（脂肪体积、密度、影像组学特征）。与第 25 章（冠脉斑块）、第 31 章（影像组学）有显著交叉。

内容概述

心外膜脂肪组织（EAT）是位于心外膜与脏层心包之间的脂肪层，约占心脏总容积的 15–20%（健康人 < 125 mL）。EAT 与冠脉紧密接触，通过脂肪酸（FFA）代谢、adiponectin / leptin / TNF-α 等细胞因子调节心肌生理与动脉粥样硬化。本章按"基础生理 → 影像评估（TTE / CT / MRI）→ AI 应用（分割 + 临床模型）"四段论组织：

EAT 生理学：褐色 → 白色 → 米色（beiging）的年龄转变，thermogenin（UCP1）介导的能量耗散，adiponectin 的抗动脉粥样硬化作用。
TTE 评估：右心室周围 EAT 厚度测量，5 mm 为高风险阈值；操作者依赖性高。
CT 评估：HU 阈值 -190 ~ -30，EAT 体积与密度（radiodensity）作为心血管风险生物标志物。
MRI 评估：稳态自由进动（SSFP）电影序列，无需对比剂，但信号强度不标准化。
AI 应用 - 分割：Rodrigues 2017（随机森林 [X22]）、Commandeur 2018（双 CNN [X23]）、Commandeur 2020（多中心 [X24]）、He 2020（3D U-Net with attention gates [X25]）。
AI 应用 - 临床模型：Otaki 2015（LogitBoost + 心肌血流储备 [X26]）、Commandeur 2019（XGBoost + 14.5 年随访 [X27]）、Oikonomou 2019（pCAT 影像组学 [X29]）、Lin 2020（XGBoost + 心肌梗死 [X30]）。

EAT 密度作为生物标志物存在矛盾结果：冠脉周围（pCAT）密度升高与 CAD 炎症相关，但整体 EAT 密度在 CAD 中可能下降（脂肪沉积增加而密度减低）—— 这一矛盾源于"局部炎症 vs. 全身脂肪沉积"的对抗效应。

核心方程与概念

1. EAT 体积与密度的影像学定义

EAT 在 CT 上的识别阈值： $$\text{EAT} = \left\{ \mathbf{x} : -190 \leq \text{HU}(\mathbf{x}) \leq -30 \right\}$$

EAT 体积： $$V_{\text{EAT}} = \int_{\text{pericardial sac}} \mathbb{1}[\text{EAT}(\mathbf{x})] \, dV$$

健康人 $V_{\text{EAT}} \approx 15\text{–}20\% \times V_{\text{heart}}$，通常 < 125 mL。

EAT 平均密度（radiodensity）： $$\bar{\rho}_{\text{EAT}} = \frac{1}{V_{\text{EAT}}} \int \text{HU}(\mathbf{x}) \, dV$$

冠脉周围脂肪（pCAT）密度升高 = 局部炎症 / 纤维化 / beiging。

2. EAT 厚度（TTE 测量）

\[d_{\text{EAT, RV}} = \text{右心室游离壁脂肪厚度} \quad \text{（垂直于 RV 壁）}\]

阈值：$d_{\text{EAT, RV}} \geq 5 \,\text{mm}$ 为心血管风险升高 [X11][X12]。

3. Commandeur 2018 双 CNN 分割 [X23]

两阶段级联 CNN：

第一阶段（特征提取 + 粗分割）： $$P(\text{EAT vs. non-EAT} | \mathbf{x}) = f_{\text{CNN}_1}(\mathbf{x}; \theta_1)$$

第二阶段（精细化心包边界）： $$P(\text{pericardium} | \mathbf{x}) = f_{\text{CNN}_2}(\text{output}_1; \theta_2)$$

最终分割： $$\text{segmentation} = \mathbb{1}[\text{EAT probability} > 0.5] \cap \mathbb{1}[\text{inside pericardium}]$$

结果：在 250 例非增强 CT 上训练，dice = 0.823 (IQR 0.779–0.860)，相关系数 0.924，体积偏差 1–2 cm³，处理 < 30 秒。

4. Commandeur 2020 多中心研究 [X24]

614 例训练（来自 3 个中心）+ 236 例外部测试（第 4 个中心）。ResNet + 残差学习 + HU 阈值 -190 ~ -30。

结果：r = 0.975 (p < 0.001)，体积偏差 ~ 2 cm³，GPU 处理 2 秒 / CPU 处理 7 秒。

5. He 2020 3D U-Net with attention gates [X25]

针对增强 CT 的 3D U-Net。Attention gate 机制让网络聚焦于"难分割"区域（如心包边界）： $$\text{att}(\mathbf{x}) = \sigma\left(\mathbf{W}_a \cdot [\mathbf{x}; \mathbf{g}] + b_a\right) \odot \mathbf{x}$$

其中 $\mathbf{x}$ 为特征图，$\mathbf{g}$ 为门控信号（来自更粗尺度）。在 200 例患者上 5-fold CV，r = 0.949，体积差异 ~ 8 cm³。

6. EAT 临床预测模型

Otaki 2015（LogitBoost + 心肌血流储备 [X26]）：85 例无 CAD 史患者，82Rb-PET 测 CFR，LogitBoost 集成 ML 模型预测 CFR ≤ 2.0。包含 EAT 体积 + 年龄 + 性别 + 心血管风险因素 + 钙化评分。AUC = 0.73，显著高于单独钙化评分（AUC 0.66, p = 0.008）或 EAT 体积（AUC 0.67, p = 0.002）。

Commandeur 2019（XGBoost + 14.5 年随访 [X27]）：1912 例无症状患者，XGBoost 模型预测 14.5 年心血管不良事件。AUC = 0.82 (95% CI 0.77–0.87)。其中 76 例发生 MACE 或死亡。

Oikonomou 2019（pCAT 影像组学 [X29]）：1391 个 pCAT 影像组学特征 + 随机森林分类器。202 例训练（80/20 split + 5-fold CV）+ 1575 例外部测试。AUC 0.774 (95% CI 0.622–0.926) 显著优于传统风险模型。

Lin 2020（XGBoost + 心肌梗死 [X30]）：60 例 AMI + 60 例稳定 CAD + 60 例健康对照。每例 1103 个影像组学特征 + XGBoost + 10-fold CV。识别 AMI 患者 AUC = 0.87 (95% CI 0.82–0.93)。

7. 关键概念辨析

EAT vs. PAT：EAT 在心包内（脏层心包与心外膜之间），PAT 在心包外（壁层心包外）。两者生理与代谢特性不同，AI 分割时 PAT 经常被误纳入 EAT。
EAT 体积 vs. EAT 密度：体积反映脂肪总量，密度反映脂肪组织状态（炎症、纤维化、beiging）。两者在 CAD 中的方向相反：体积升高 = 全身脂肪沉积，pCAT 密度升高 = 局部炎症。
pCAT（pericoronary adipose tissue）：冠脉周围脂肪，是影像组学（radiomics）的主要靶点。Oikonomou 2019 证明其影像组学特征可预测心血管风险。
棕色 vs. 白色 vs. 米色脂肪：棕色（婴儿）→ 白色（成人）→ 米色（UCP1 表达，可被诱导"browning"）。EAT 倾向于米色化。
UCP1（thermogenin）：线粒体内膜蛋白，解偶联氧化磷酸化与 ATP 合成，把能量以热的形式耗散。是棕色 / 米色脂肪的分子标志物。
Adiponectin 的双面性：抗动脉粥样硬化（刺激 NO 合成、抗炎）vs. 全身低 adiponectin = 代谢综合征风险高。
"beiging"的代谢意义：把白色脂肪"诱导"为米色脂肪可增加能量消耗，被认为是肥胖 / 代谢综合征治疗的潜在靶点。

关键结论

EAT 体积是 CAD 和心血管风险的独立生物标志物，正常 < 125 mL（健康人 15–20% 心脏体积）[X15]。
EAT 在 CT 上的 HU 阈值 -190 ~ -30 是国际共识；TTE 上 5 mm 是高风险阈值。
Rodrigues 2017 [X22] 随机森林 EAT 分割准确率 98.5%，处理 1–2 分钟。
Commandeur 2018 [X23] 双 CNN 在 250 例上 dice 0.823，相关系数 0.924，< 30 秒处理。
Commandeur 2020 [X24] 多中心验证 236 例外部测试 r = 0.975，处理 2–7 秒——可作为临床实时工具。
He 2020 [X25] 3D U-Net + attention gates 在增强 CT 上 r = 0.949，处理 8 cm³ 体积差异。
Otaki 2015 [X26] LogitBoost + EAT + 钙化 + 临床变量预测 CFR AUC 0.73，显著优于单参数。
Commandeur 2019 [X27] XGBoost + 14.5 年随访预测 MACE / 死亡 AUC 0.82。
Oikonomou 2019 [X29] pCAT 影像组学（1391 特征 + RF）AUC 0.774，外部验证（1575 例）显著优于传统风险模型。
Lin 2020 [X30] XGBoost + pCAT 影像组学识别 AMI 患者 AUC 0.87。
EAT 密度作为生物标志物存在矛盾结果：pCAT 密度升高 = CAD 炎症，整体 EAT 密度可能下降（脂肪沉积增加）。
AI 使 EAT 评估从"研究工具"转向"临床可及"——可与冠脉钙化评分（CAC）联合进入常规放射学报告。

挑战和开放性问题

EAT vs. PAT 的边界识别：心包膜薄、tenuous，部分区域甚至不可见。AI 模型在心包边界识别上仍有 dice 系数 ~ 0.82 的限制。
EAT 密度的"方向矛盾"：pCAT 密度升高 vs. 整体 EAT 密度可能下降——这反映"局部炎症 vs. 全身脂肪"的对抗效应，临床如何权衡是开放问题。
EAT 测量的可重复性：TTE 操作者依赖性高；CT 切片厚度、对比剂、心脏相位（收缩 / 舒张）影响测量。
影像组学维度灾难：1391（Oikonomou）/ 1103（Lin）个特征 >> 数百例样本，特征选择与过拟合是潜在风险。
CT 辐射暴露：低剂量平扫 CT 可降低辐射，但 EAT 量化对图像质量要求较高。
MRI EAT 分割的研究稀缺：所有 AI 分割都在 CT 上做，MRI 上仍以手工 / 半自动为主。MRI 优势（无辐射、可重复测量信号强度）未被充分利用。
跨人群泛化：现有研究以北美 / 欧洲人群为主，亚洲人 EAT 分布与 CAD 关系可能不同。
EAT 治疗的转化医学：AI 证明 EAT 是生物标志物，但"如何降低 EAT 体积 / 调节 EAT 功能"的临床干预手段仍不成熟。
多模态 EAT 评估：EAT 体积 + EAT 密度 + 影像组学 + 临床变量 + 钙化评分的真正多模态联合推理尚未系统化。
与新型降糖药 / 减重药的相互作用：GLP-1 受体激动剂（如 semaglutide）显著降低 EAT 体积，但 AI 预测模型是否需要更新仍未验证。
运动干预对 EAT 的影响：运动训练降低 EAT 体积与炎症，但 EAT 测量的时序稳定性（baseline → 干预 → 终点）数据稀缺。
AI 工具的临床整合路径：EAT 量化要进入常规 CT 报告，需要 PACS 集成、自动触发、回写结构化字段等工程改造。

个人反思与批判性分析

"EAT 密度矛盾"的方法论根源：本章坦诚指出 EAT 密度研究"results appear somewhat conflicting"——这是科学诚实性的体现，但读者应警惕：pCAT 密度升高 vs. 整体 EAT 密度下降是两个不同的物理量（一个是局部炎症标志，一个是全身脂肪负荷），把它们放在一起比"哪个有预测价值"是 confused comparison。
样本规模 vs. 特征数：Oikonomou 1391 特征 / 202 例、Lin 1103 特征 / 180 例——特征数 >> 样本数是影像组学的"经典陷阱"。LASSO / 随机森林特征选择虽可降低过拟合，但独立验证集的 AUC 0.77–0.87 仍需谨慎解读。
Commandeur 团队的"封闭循环"：Commandeur, Slomka, Dey 等核心 PI 在多篇研究（[X23][X24][X27]）中重复出现，他们的方法、训练集、参考标准高度耦合，独立验证稀缺。
TTE EAT 厚度的"5 mm 阈值"国际通用性：Lima-Martínez 与 Iacobellis 2013 [X11][X12] 的 5 mm 阈值来自委内瑞拉与意大利小样本，亚洲人阈值可能不同。
"可解释性"的缺位：影像组学 / 深度学习 EAT 模型本质上是"黑盒"，医生难以向患者解释"为什么你的 EAT 高风险"。这与 CAD-RADS（Ch 26）面临的"AI 可解释性"问题同源。
"无辐射"的 MRI 优势未充分发挥：所有 AI EAT 工作都在 CT 上做，但 MRI 在 EAT 评估上有显著优势（无辐射、可多次扫描追踪干预效果）。这是 AI 工具发展的"短视"。
"AI 让 EAT 进入临床"的真实价值：本章的真正贡献不是"AI 准确性提升"，而是"AI 让 EAT 评估从 1–2 小时人工分割降到 2–7 秒自动处理"——这才是临床整合的瓶颈。
临床干预的"上游"问题：EAT 已被证明是 CAD 风险标志物，但"低 EAT 饮食 / 运动 / 药物"的临床路径尚未建立。AI 在诊断 / 风险预测上的进展，未匹配治疗学的进步。
与第 25、29、31 章的协同：本章是 EAT 综述，与第 25 章（冠脉斑块）、第 29 章（主动脉瓣）、第 31 章（影像组学方法）形成"心外膜 vs. 主动脉"的两端，影像组学方法论是共同基础。

重要参考文献

[X8] Alvey NJ, Pedley A, Rosenquist KJ, et al. Association of fat density with subclinical atherosclerosis. J Am Heart Assoc. 2014;3(4).
[X11] Lima-Martínez MM, Paoli M, Donis JH, et al. Punto de corte de espesor de tejido adiposo epicárdico para predecir síndrome metabólico en población venezolana. Endocrinol Nutr. 2013;60(10):570-6.
[X12] Iacobellis G, Assael F, Ribaudo MC, et al. Epicardial fat from echocardiography: a new method for visceral adipose tissue prediction. Obes Res. 2003;11(2):304-10.
[X15] Spearman JV, Renker M, Schoepf UJ, et al. Prognostic value of epicardial fat volume measurements by computed tomography: a systematic review of the literature. Eur Radiol. 2015;25(11):3372-81.
[X22] Rodrigues ÉO, Pinheiro VHA, Liatsis P, Conci A. Machine learning in the prediction of cardiac epicardial and mediastinal fat volumes. Comput Biol Med. 2017;89:520-9.
[X23] Commandeur F, Goeller M, Betancur J, et al. Deep learning for quantification of epicardial and thoracic adipose tissue from non-contrast CT. IEEE Trans Med Imaging. 2018;37(8):1835-46.
[X24] Commandeur F, Goeller M, Razipour A, et al. Fully automated CT quantification of epicardial adipose tissue by deep learning: a multicenter study. Radiol Artif Intell. 2019;1(6):e190045.
[X25] He X, Guo BJ, Lei Y, et al. Automatic segmentation and quantification of epicardial adipose tissue from coronary computed tomography angiography. Phys Med Biol. 2020;65(9):095012.
[X26] Otaki Y, Hell M, Slomka PJ, et al. Relationship of epicardial fat volume from noncontrast CT with impaired myocardial flow reserve by positron emission tomography. J Cardiovasc Comput Tomogr. 2015;9(4):303-9.
[X27] Commandeur F, Slomka PJ, Goeller M, et al. Machine learning to predict the long-term risk of myocardial infarction and cardiac death based on clinical risk, coronary calcium, and epicardial adipose tissue. Cardiovasc Res. 2019.
[X28] Hell MM, Ding X, Rubeaux M, et al. Epicardial adipose tissue volume but not density is an independent predictor for myocardial ischemia. J Cardiovasc Comput Tomogr. 2016;10(2):141-9.
[X29] Oikonomou EK, Williams MC, Kotanidis CP, et al. A novel machine learning-derived radiotranscriptomic signature of perivascular fat improves cardiac risk prediction using coronary CT angiography. Eur Heart J. 2019;40(43):3529-43.
[X30] Lin A, Kolossváry M, Yuvaraj J, et al. Myocardial infarction associates with a distinct pericoronary adipose tissue radiomic phenotype. JACC Cardiovasc Imaging. 2020;13(11):2371-83.

第 30 章 心脏脂肪的 AI 量化（Artificial Intelligence-Based Quantification of Cardiac Fat）

作者