跳转至

第 31 章 心脏 CT 中的影像组学（Radiomics in Cardiac CT）

作者

  • Márton Kolossváry, MD, PhD（通讯作者）—— Cardiovascular Imaging Research Center, Massachusetts General Hospital, Boston, MA, USA；本章第一作者，国际心血管影像组学领军学者，"napkin-ring sign 影像组学" 系列研究的核心 PI。
  • Pál Maurovich-Horvat, MD, PhD, MPH —— MTA-SE Cardiovascular Imaging Research Group, Heart and Vascular Center, Semmelweis University, Budapest, Hungary。

本章位于 Part III 心脏应用部分，承接第 25、30 章的"冠脉斑块 / EAT"主题，系统性介绍影像组学（radiomics）方法学本身——这一与 DL 并列的 AI 范式。属于"方法学综述"性质的章节，是连接 Part I（技术）与 Part III（应用）的方法学桥梁。Kolossváry 团队是国际心血管影像组学的代表，几乎每章都引用他们的工作。

内容概述

影像组学（radiomics）的核心思想是从医学影像 ROI 提取预定义数学算子（纹理、形状、强度）描述的定量特征（数百至数千个），再用 ML 模型建立这些特征与临床表型的映射。区别于 DL（端到端学习特征表示），影像组学是"特征工程 + 经典 ML"路线。本章按"基础 → 方法 → 应用 → 局限"四段论组织：

  1. 基础：图像 ROI 的三个核心属性——强度（intensity）、纹理（texture）、形状（shape）；第一阶 / 高阶 / 形状特征的定义。
  2. 方法学关键工具：灰度共生矩阵（GLCM）、灰度游程矩阵（GLRLM）、分形维数等纹理算子；开源工具 pyradiomics（Python）、RIA（R）。
  3. 应用 A - 病理识别与分类：napkin-ring 征（Kolossváry 2017, AUC 0.73 vs. 0.65）[X16]、心肌梗死（Hinzpeter 2017, AUC 0.90）[X17]、人工瓣膜 pannus vs. thrombus（Kolossváry 2019）[X18]、AMI vs. 稳定 CAD（Lin 2020, AUC 0.87）[X19]。
  4. 应用 B - 跨模态能力扩展：从 CCTA 影像组学预测 IVUS / OCT / NaF-PET 表型（Kolossváry 2019, AUC 0.72/0.80/0.87）[X20]、非增强 CT 识别 MI（Mannil 2018, AUC 0.78）[X21]。
  5. 应用 C - 风险预测：Framingham 心脏研究的冠脉钙化影像组学（Eslami 2020, AUC 0.79 vs. 0.73）[X24]、pericoronary fat 影像组学预测 MACE（Oikonomou 2019, 10.8 倍风险）[X25]。
  6. 应用 D - 放射基因组学（radiogenomics）：影像特征与基因表达（TNFA、COL1A1、CD31）的关联 [X25][X32][X33]。

本章也坦诚列出影像组学的核心局限：小样本、跨扫描仪差异、特征数 >> 样本数、缺乏 RCT 验证。

核心方程与概念

1. 影像组学的三阶特征

第一阶（first-order / histogram）：仅描述强度分布，丢弃所有空间信息。常见参数： - 均值、方差、偏度、峰度 - 能量 \(E = \sum_i |\text{HU}(i)|^2\) - 熵 \(H = -\sum_i p(i) \log p(i)\)（直方图概率分布）

高阶（higher-order / texture）：通过 GLCM、GLRLM 等矩阵描述体素空间关系。

形状（shape）：表面积 / 体积比、球形度（sphericity）、分形维数。

2. GLCM 与 GLRLM 矩阵

GLCM（Gray-Level Co-occurrence Matrix）：\(G \in \mathbb{R}^{N_g \times N_g}\)，\(N_g\) 为不同灰度级数。 $\(G(i,j) = |\{(p,q) : \text{距离为 } d \text{ 时，} I(p) = i \text{ 且 } I(q) = j\}|\)$

Haralick 1973 [X11] 提出 14 个 GLCM 特征，如对比度、相关性、能量、同质性等。

GLRLM（Gray-Level Run-Length Matrix）：\(R(i, n)\) = 灰度为 \(i\)、连续长度为 \(n\) 的"游程"数。Galloway 1975 [X12] 提出短游程强调（SRE）、长游程强调（LRE）、游程非均匀性（RLNU）等。

3. 影像组学工作流

ROI segmentation → Feature extraction (GLCM/GLRLM/shape) → 
Feature normalization (z-score or min-max) → Feature selection 
(LASSO / mRMR / RFE) → ML classification (RF / SVM / LR) → 
Cross-validation → External validation

特征选择步骤至关重要：在 4440 个特征 / 30 例样本的极端不平衡中，未经选择会立刻过拟合。

4. napkin-ring 征识别（Kolossváry 2017, [X16]）

30 例含 napkin-ring 征 + 30 例对照（匹配钙化、狭窄、位置、扫描参数），4440 个影像组学特征。 - 20.6% (916/4440) Bonferroni 校正后显著 - 0% 传统定性 / 定量参数显著 - 最佳影像组学特征 AUC 显著高于传统（0.73 vs. 0.65, p = 0.04） - 聚类分析识别 44 个独特结构成分

这证明影像组学能"看见"人眼看不见的纹理。

5. 心肌梗死 CT 识别（Hinzpeter 2017, [X17]）

20 例急性 MI + 20 例对照。在 308 个心 ROI 特征中： - 直方图：2/4 显著 - GLCM：3/4 显著 - GLRLM：6/11 显著

多元 LR 模型 AUC = 0.90 区分 MI vs. 对照。

6. 非增强低剂量 CT 识别 MI（Mannil 2018, [X21]）

27 例急性 MI + 30 例慢性 MI + 30 例对照。308 个特征 + 6 种 ML 模型。 - 区分 MI 与对照 AUC = 0.78 - 视觉判读在非增强 CT 上完全无法识别 MI

这证明纹理分析能从"无视觉信息"的图像中提取"亚视觉"信号。

7. 跨模态映射（Kolossváry 2019, [X20]）

44 个斑块，935 个 CCTA 影像组学特征，预测 IVUS、OCT、NaF-PET 模态下的"高危表型"：

预测目标 最佳影像组学特征 AUC 最佳常规参数 AUC p
IVUS 衰减斑块 0.72 0.59 < 0.001
OCT 薄帽纤维粥样瘤 0.80 0.66 < 0.001
NaF-PET 活性 0.87 0.65 < 0.001

核心结论：CCTA 影像组学可预测其他模态的高危表型——这意味着 CCTA 单模态检查可能提供多模态信息。

8. 冠脉钙化影像组学风险预测（Eslami 2020, [X24]）

Framingham 心脏研究：318 例训练 + 306 例验证，2120 个特征 + radiomic score。 - 中位 9.1 年随访 - radiomic score + Agatston 联合 AUC = 0.79 vs. Agatston 单独 0.73, p = 0.05（borderline） - 影像组学带来"亚视觉"风险信息

9. Pericoronary fat 影像组学（Oikonomou 2019, [X25]）

1391 个 pCAT 影像组学特征 + 101 例 MACE + 101 例对照训练 + 1575 例外部测试。 - 影像组学得分高者 MACE 风险 10.8 倍（调整后） - 与高危斑块视觉特征 Rho = 0.004（p = 0.87）—— 影像组学信息独立于视觉 - 与 TNFA 炎症基因、COL1A1 纤维化基因、CD31 血管生成基因表达相关

10. 关键概念辨析

  • 影像组学 vs. DL：影像组学用预定义算子（特征数 10²–10⁴），DL 用 CNN 自动学习特征（参数 10⁶–10⁸）。影像组学可解释（知道每个特征含义），DL 黑盒。影像组学需要较少样本（数十到数百），DL 需要更多（数千）。
  • 影像组学 vs. 传统定量参数：传统定量（如 HU 均值、Agatston 评分）只描述"体积 + 密度"，影像组学描述"纹理 + 形状 + 灰度空间关系"。后者是"亚视觉"信息。
  • 影像组学的"维度灾难"：4440 特征 / 30 例样本是经典陷阱。Bonferroni 校正、cross-validation、外部验证集是必备工具。
  • 跨扫描仪可重复性：Berenguer 2018 [X36] 证明 CT 重建参数（核、切片厚度）显著影响影像组学特征；这是临床落地的关键瓶颈。
  • 影像组学的"金标准"问题：影像组学需要 ROI 标注 / 病理 / 临床终点作为"标签"。但人工标注本身的观察者间差异是误差源。
  • 放射基因组学（radiogenomics）：影像特征 ↔ 基因表达，是影像组学的"上游"应用。在肿瘤学已经成熟（乳腺、神经胶质瘤），心血管领域刚刚起步。
  • 影像组学的"perivascular fat 范式"：Oikonomou 2019 把 pCAT 影像组学与基因表达连接——这是心血管影像组学最深刻的方法学贡献。

关键结论

  • 影像组学用预定义数学算子从 ROI 提取定量特征（强度 / 纹理 / 形状），用经典 ML 建立与表型映射——区别于端到端 DL [X10]。
  • Kolossváry 2017 [X16] 在 napkin-ring 征上证明 4440 特征中 20.6% 显著区分，0% 传统参数显著，最佳 AUC 0.73 vs. 0.65——影像组学可"看见"人眼看不见的纹理。
  • Hinzpeter 2017 [X17] 在 20 例 MI vs. 20 例对照上证明 308 特征 AUC 0.90——影像组学可识别 MI。
  • Kolossváry 2019 [X20] 证明 CCTA 影像组学可预测 IVUS 衰减斑块（AUC 0.72）、OCT TCFA（0.80）、NaF-PET 活性（0.87）——单模态检查提供多模态信息。
  • Mannil 2018 [X21] 在非增强低剂量 CT 上证明影像组学识别 MI AUC 0.78，而视觉判读无法识别。
  • Kolossváry 2019 [X18] 影像组学在 39 例人工瓣膜阻塞中区分 pannus vs. thrombus 显著优于视觉——是"放射学-组织学"桥梁。
  • Lin 2020 [X19] AMI vs. 稳定 CAD 的 pCAT 影像组学 AUC 0.87，6 个月后无变化（稳定表型）。
  • Eslami 2020 [X24] Framingham 心脏研究：CCTA 钙化影像组学 2120 特征 + Agatston AUC 0.79 vs. 0.73（p = 0.05）—— borderline 提升。
  • Oikonomou 2019 [X25] pCAT 影像组学 1391 特征在 1575 例外部测试中预测 MACE 风险 10.8 倍，独立于高危斑块视觉。
  • Oikonomou 2019 [X25] 影像组学特征与 TNFA、COL1A1、CD31 基因表达相关——是心血管放射基因组学的开山之作。
  • 影像组学的核心局限：小样本、跨扫描仪差异、特征数 >> 样本数、缺乏 RCT 验证 [X35][X36]。
  • Kolossváry 团队 2019 [X37][X38] 证明图像重建算法与血管壁分割影响影像组学——需要标准化（IBSI [X40]）。

挑战和开放性问题

  • 小样本与高维度的永恒矛盾：影像组学研究通常 50–500 例，特征 1000+，极易过拟合。需要多中心 + 外部验证。
  • 跨扫描仪可重复性：Berenguer 2018 [X36]、Meyer 2019 [X35] 证明 CT 重建参数（核、剂量、切片厚度）显著影响影像组学特征值，跨厂商 / 跨中心部署困难。
  • 手工 ROI 标注的观察者间差异：影像组学的"金标准"是人工分割，而人工分割本身就是误差源。
  • 特征选择与可解释性：LASSO、RFE 等选择方法各有偏好，最终模型的可解释性受方法选择影响。
  • IBSI 标准化的早期阶段：Zwanenburg 2020 [X40] 提出的 image biomarker standardization initiative 是必要但不充分条件——需要更多中心遵循。
  • RCT 验证稀缺：影像组学目前全部是回顾性研究，前瞻性 RCT 几乎没有。
  • 法律与责任归属：Liu 2019 [X41] 综述显示 AI 在某些任务上达到专家水平，但仍有相当数量的误诊——出现误诊时责任不明确。
  • 放射基因组学在心血管领域的不成熟：肿瘤学已经有成熟 radiogenomics 工作（如乳腺 MRI + mTOR 通路），心血管领域尚在起步。
  • pericoronary fat 影像组学的"黑盒"问题：Oikonomou 2019 的 10.8 倍 MACE 风险难以向患者解释——临床落地需要可解释性工具。
  • 跨人群泛化：现有研究以北美 / 欧洲人群为主，亚洲人冠脉斑块特征、pericoronary fat 分布可能不同。
  • 影像组学与 DL 的融合：纯影像组学 vs. 端到端 CNN vs. CNN 提取特征 + 经典 ML 分类器——哪种最优仍无定论。
  • 临床整合路径：影像组学评分要进入常规 CT 报告，需要 PACS 集成、自动触发、医师友好界面等工程改造。
  • 计算成本：4440 特征 / 5000 例患者的影像组学研究需要高性能计算，临床部署时仍需简化模型。
  • 与心血管事件链的因果关系：影像组学特征与 CAD 风险的"相关性"已被证明，但"因果性"（即干预影像组学特征是否能降低风险）未知。

个人反思与批判性分析

  • Kolossváry 团队的方法学领导地位：本章第一作者来自 MGH，通讯作者来自 Semmelweis University，但两家深度合作——几乎所有"心血管影像组学"重要论文都有他们的参与。读者应意识到这是"内行专家撰写的内行综述"，独立验证稀缺。
  • 4440 特征 / 30 例的极端不平衡：Kolossváry 2017 自身 [X16] 的设计是"匹配 30 vs. 30 例"，在 4440 特征上做多重比较校正——这是教科书式的"高维小样本"案例。Bonferroni 校正是必要但保守的方法，可能漏掉真实信号。
  • 影像组学 vs. DL 的"哲学对立"：本章作者团队（包括 Maurovich-Horvat 2020 [X6]）多次比较影像组学与 DL——结论是"互补而非替代"。但读者应警惕，影像组学在小样本上有优势，DL 在大数据上有优势——两者的"最优分工"仍未明确定义。
  • Oikonomou 2019 的"10.8 倍"风险需谨慎解读：10.8 倍 MACE 风险是 HR（hazard ratio），意味着影像组学得分高者的相对风险。但绝对风险（事件率）未明确，临床决策需要绝对风险而非相对风险。
  • 跨模态映射的"单模态优势"：Kolossváry 2019 [X20] 证明 CCTA 影像组学可预测 IVUS、OCT、NaF-PET 表型——这是非常重要的发现，但作者也承认这是"相关性预测"，不等于"替代检查"。临床落地时仍需多模态确认。
  • pCAT 影像组学的"独立于视觉"价值：Oikonomou 2019 [X25] 中 pCAT 影像组学与高危斑块视觉特征 Rho = 0.004——这是核心证据，说明影像组学提供"独立"信息。但 pCAT 本身的临床意义（与 perivascular fat inflammation 相关）需要 Antonopoulos 2017 [X32] 等基础研究做支撑。
  • "非增强 CT 识别 MI"的临床价值有限：Mannil 2018 [X21] AUC 0.78 看似不错，但临床上急性 MI 患者通常做增强 CT（CTA）或 MRI——非增强低剂量 CT 主要用于钙化评分，不是 MI 评估。在该场景中用影像组学"反推 MI"的临床整合路径不清晰。
  • 影像组学的"领域迁移"挑战：肿瘤学影像组学（如乳腺、肺）已相对成熟，心血管影像组学仍处于早期。肿瘤学的方法（如 LASSO、mRMR）直接迁移过来，但心血管影像的物理特性（运动、对比剂、HU 范围）需要定制。
  • "放射学-组织学"桥梁的过度乐观：Kolossváry 2019 [X18] 标题为 "Radiomics: the link between radiology and histology?"——这是修辞性提问。影像组学特征与组织学的对应关系仍需大量验证，"bridge"一词可能过于乐观。
  • "AI 万能"风险：本章坦诚列出了影像组学的局限（小样本、跨扫描仪、RCT 缺失），但读者应意识到这些局限的"严重性"：一个没有 RCT 验证的 AI 工具进入临床，需要卫生经济学评估 + 风险监管框架，本章对这些讨论不足。
  • 与第 25、30 章的协同：本章是"影像组学方法学"综述，与第 25 章（冠脉斑块影像组学）、第 30 章（EAT / pCAT 影像组学）有显著方法学重叠。读者读完本章后，对影像组学的"价值与陷阱"会有更立体的认知。
  • Kardio 影像组学的"研究阶段"现实：影像组学在心血管领域整体仍处于研究阶段，临床应用（如风险评分、决策支持）尚未进入常规实践。读者应将其视为"未来 5–10 年的潜在方向"而非"现在可用的工具"。

重要参考文献

  • [X6] Kolossvary M, De Cecco CN, Feuchtner G, Maurovich-Horvat P. Advanced atherosclerosis imaging by CT: radiomics, machine learning and deep learning. J Cardiovasc Comput Tomogr. 2019;13:274-80.
  • [X10] Kolossvary M, Kellermayer M, Merkely B, Maurovich-Horvat P. Cardiac computed tomography radiomics: a comprehensive review on radiomic techniques. J Thorac Imaging. 2018;33:26-34.
  • [X11] Haralick RM, Shanmugam K, Dinstein IH. Textural features for image classification. IEEE Trans Syst Man Cybern. 1973;SMC-3:610-21.
  • [X12] Galloway MM. Texture analysis using gray level run lengths. Comput Graphics Image Proces. 1975;4:172-9.
  • [X14] Lu MT, et al. Central core laboratory versus site interpretation of coronary CT angiography. Radiology. 2018;287:87-95.
  • [X15] Maroules CD, et al. Coronary artery disease reporting and data system (CAD-RADS). J Cardiovasc Comput Tomogr. 2018;12:125-30.
  • [X16] Kolossvary M, et al. Radiomics versus visual and histogram-based assessment to identify atheromatous lesions at coronary CT angiography. an ex vivo study. Radiology. 2019;293:89-96.
  • [X17] Hinzpeter R, et al. Texture analysis of acute myocardial infarction with CT: first experience study. PLoS One. 2017;12:e0186876.
  • [X18] Kolossvary M, Maurovich-Horvat P. Radiomics: the link between radiology and histology? Circ Cardiovasc Imaging. 2019;12:e009990.
  • [X19] Lin A, et al. Myocardial infarction associates with a distinct pericoronary adipose tissue radiomic phenotype. JACC Cardiovasc Imaging. 2020;13:2371-83.
  • [X20] Kolossvary M, et al. Identification of invasive and radionuclide imaging markers of coronary plaque vulnerability using radiomic analysis of coronary CT angiography. Eur Heart J Cardiovasc Imaging. 2019;20:1250-8.
  • [X21] Mannil M, von Spiczak J, Manka R, Alkadhi H. Texture analysis and machine learning for detecting myocardial infarction in noncontrast low-dose CT: unveiling the invisible. Invest Radiol. 2018;53:338-43.
  • [X22] Mitchell JD, Paisley R, Moon P, Novak E, Villines TC. Coronary artery calcium and long-term risk of death, myocardial infarction, and stroke. JACC Cardiovasc Imaging. 2018;11:1799-806.
  • [X23] Agatston AS, et al. Quantification of coronary artery calcium using ultrafast CT. J Am Coll Cardiol. 1990;15:827-32.
  • [X24] Eslami P, et al. Radiomics of coronary artery calcium in the Framingham heart study. Radiol Cardiothorac Imaging. 2020;2:e190119.
  • [X25] Oikonomou EK, et al. A novel machine learning-derived radiotranscriptomic signature of perivascular fat improves cardiac risk prediction using coronary CT angiography. Eur Heart J. 2019;40:3529-43.
  • [X32] Antonopoulos AS, et al. Detecting human coronary inflammation by imaging perivascular fat. Sci Transl Med. 2017;9.
  • [X33] Antoniades C, Antonopoulos AS, Deanfield J. Imaging residual inflammatory cardiovascular risk. Eur Heart J. 2020;41:748-58.
  • [X35] Meyer M, et al. Reproducibility of CT radiomic features within the same patient: influence of radiation dose and CT reconstruction settings. Radiology. 2019;293:583-91.
  • [X36] Berenguer R, et al. Radiomics of CT features may be nonreproducible and redundant: influence of CT acquisition parameters. Radiology. 2018;288:407-15.
  • [X37] Kolossvary M, et al. Effect of image reconstruction algorithms on volumetric and radiomic parameters of coronary plaques. J Cardiovasc Comput Tomogr. 2019;13:325-30.
  • [X38] Kolossvary M, et al. Effect of vessel wall segmentation on volumetric and radiomic parameters of coronary plaques. J Cardiovasc Comput Tomogr. 2020.
  • [X40] Zwanenburg A, et al. The image biomarker standardization initiative: standardized quantitative radiomics. Radiology. 2020;295:328-38.
  • [X41] Liu X, et al. A comparison of deep learning performance against health-care professionals in detecting diseases from medical imaging. Lancet Digit Health. 2019;1:e271-97.