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

拓展影像模态诊断能力的应用

本章这一节开篇承接前文已有示例，指出此前的工作已用影像组学客观识别了那些目前仍依赖视觉判断或旨在提升现有影像方案诊断准确度的病变。作者进一步指出，既往文献提示影像中尚存在一些仅靠视觉难以解读的信息；不同影像模态各自依赖不同的物理属性来呈现异常，但其成像的本体往往是同一对象。因此，将影像组学（它增加了可从图像中提取的信息量）视为一种可能用以扩展现有影像方案诊断能力、从而识别出当下使用单一模态无法识别的异常的方法，是合理的假设。

在具体研究证据方面，作者回顾了一项针对 25 例患者 44 处病灶的研究——这些受试者均接受了冠状动脉 CT 血管成像（CCTA）和氟化钠正电子发射断层扫描（NaF-PET），并在侵入性血管造影之前接受了血管内超声（IVUS）和光学相干断层扫描（OCT）检查。在 CT 影像上总共提取了 935 个影像组学参数，并用以识别其他影像模态所揭示的高危斑块形态。采用分层五折交叉验证并重复 1000 次后，结果显示最佳影像组学参数在识别 IVUS 上的衰减斑块方面显著优于最佳常规参数——非钙化斑块体积（AUC 0.72 vs. 0.59，p<0.001）；在 OCT 方面也得到了相似结果，影像组学在识别薄帽纤维粥样硬化（TCFA）方面同样优于常规参数（AUC 0.80 vs. 0.66，p<0.001）。这些结果提示，影像组学在识别其他模态的解剖学易损性参数上可能具备更强的判别能力。值得注意的是，影像组学在识别 NaF-PET 活性方面同样优于常规参数：最佳影像组学参数对 NaF-PET 阳性斑块具有良好的诊断准确性，而常规参数仅为中等准确度（AUC 0.87 vs. 0.65，p<0.001）。作者据此指出，影像组学不仅在识别解剖学易损性方面判别能力更强，而且似乎还能提取出可反映代谢易损性的精细纹理信息，从而有可能基于常规 CT 影像识别 PET 活性。作者通过 Fig. 31.2 展示了上述三类影像组学最佳参数的代表性曲面重建 CT 影像：（a）显示了衰减斑块对应的最佳参数——在高衰减值体素上分箱为 32 等大区间后的分形盒计数维度（组件 30），其识别 IVUS 衰减斑块的 AUC 为 0.72（95% CI 0.65–0.78）；（b）显示了 OCT-TCFA 对应的最佳参数——分箱为 8 等大区间后的高衰减体素分形盒计数维度（组件 8），AUC 0.80（95% CI 0.72–0.88）；（c）显示了 NaF-PET 阳性对应的最佳参数——分箱为 8 等大区间后的高衰减体素表面积（组件 8），AUC 0.87（95% CI 0.82–0.91）。三组 AUC 数值提示影像组学在跨模态识别任务中具有可推广的判别能力。

作者接着介绍了另一项工作——基于非增强低剂量 CT 的心肌梗死影像组学研究。该研究在回顾性病例对照设计中纳入了 27 例急性心肌梗死患者、30 例慢性心肌梗死患者和 30 例对照，从心肌和血液池的手绘感兴趣区中提取了 308 个影像组学特征，并送入 6 种不同的机器学习模型。结果显示，基于影像组学的机器学习模型对鉴别心肌梗死患者与健康对照具有良好的诊断准确性（AUC=0.78）；而在非增强 CT 影像上，肉眼无法主观区分对照组、急性与慢性心肌梗死病例。这些结果意味着纹理分析能够从非增强低剂量 CT 影像中识别出肉眼无法识别的病变，从而提示影像模态的诊断能力可能比我们当下所认为的更加宽广。

用于更佳心血管风险预测的应用

作者在前文已用影像组学客观地识别了此前无法实现的病变之后，进一步提出问题：在提供更准确的疾病分类方法之外，所提取的信息是否对预测患者结局具有额外的价值？

冠状动脉钙化评分是一种安全有效的方法，可用于筛查无症状个体以预测其未来的心血管结局。Agatston 评分提供了一种定量方法以汇总冠状动脉粥样硬化疾病负担，但仅整合了病灶的体积信息和密度，并未纳入纹理或形态信息。因此，研究者从 318 例受试者中提取了 2120 个定量影像组学特征，并据此开发了一个影像组学评分；该评分随后在 306 例个体的验证队列中进行了测试。在同时纳入 Agatston 评分与该影像组学评分的模型中，预测临床事件复合终点（中位随访 9.1 年）的判别能力优于单独使用 Agatston 评分（AUC 0.79 vs. 0.73，p=0.05），差异处于临界显著水平。

作者进一步介绍了一项基于冠周脂肪组织的影像组学研究，旨在从接受 CCTA 的患者中提取新型影像特征以提升预后能力。研究者在 101 例于冠脉 CT 后 5 年内发生主要不良心脏事件的患者和 101 例匹配的无事件对照中，利用 1391 个冠脉周围脂肪影像组学特征开发了脂肪影像组学特征谱；随后在 1575 例连续患者中对该模型进行了预测不良结局的测试。在调整了年龄、性别、收缩压、总胆固醇、高密度脂蛋白、糖尿病、吸烟、体重指数、阻塞性冠状动脉疾病、CT 扫描仪类型、高危斑块特征存在与否以及钙化评分之后，影像组学特征谱评分较高的个体发生不良结局的风险升高 10.8 倍。重要的是，该脂肪影像组学特征谱与高危斑块特征的存在与否无相关性（Rho=0.004，p=0.87）。这些结果表明，影像组学不仅可作为更佳的疾病分类方法，还能帮助在现有方法之外进一步进行结局预测。

利用影像组学对疾病进行精准表型

此前的影像组学分析侧重于让这些技术去执行人类同样能够完成但更高效、更准确的任务。与此不同，影像基因组学（radiogenomics）将放射影像与关于疾病最精确的信息——其遗传学基础——相关联。肿瘤的遗传表型是当代癌症治疗的核心；如能从放射影像中解码疾病表型并将其与基因改变相关联，则有可能彻底改变不仅是肿瘤学、也包括心脏病学的诊断路径。这类技术还有助于将"实验台到病床"（bench to bedside）的结果相连，从而有可能基于在体放射影像识别分子改变和通路。

作者指出，心血管影像领域中的此类分析目前仍较少见，但已有若干提示性结果：炎症过程可以由冠周脂肪的衰减值推导得到。冠脉周围组织的影像组学分析已与炎症（TNFA 表达）、纤维化（COL1A1 表达）和血管性改变（CD31 表达）的基因表达相关联，从而可能带来基于放射影像区分血管病理的可能性。此外，研究者发现不同危险因素对冠状动脉疾病进展具有各自独特的贡献：升高的心血管风险因素、可卡因使用与 HIV 感染之间在所关联的参数上未发现重叠。这一事实提示，与其认为动脉粥样硬化的发生是一张由多种危险因素相互交织而成的复杂网络，不如认为个体危险因素可能对应着特定的已知或未知的疾病进展通路。作者认为，需要进一步研究以证明特定病理过程确实会产生独特的影像组学特征谱。

当前影像组学分析的局限

作者指出，尽管结果令人鼓舞，但影像组学技术在常规临床实践中的稳健性与可推广性仍存在重大顾虑。目前已发表的均为小样本研究，未来需要严格的验证。研究也已表明，影像采集和质量方面的差异会显著影响模型表现；不过也有结果显示，由于分析前对信息做了严格的降尺度处理，影像组学对不同扫描仪设置可能具有稳健性。这些局限性可以通过增大数据集规模与多样性——即扩大用于推断与训练算法的样本基础——加以克服。此外，放射学会已就 AI 研究中的标准化流程发表了推荐意见，可能有助于在不同情境下推广影像组学模型。然而，这些局限性最终只能通过在真实临床场景中评估影像组学实用性的随机对照临床试验来真正解决。另一个悬而未决的问题是与 AI 用于影像判读相关的法律责任：尽管这些算法的表现可与临床专家比肩，但仍存在相当数量的误诊，而当误诊发生时究竟应由谁负责，目前尚无明确共识。

结论

作者总结道，影像组学等 AI 应用有潜力变革心血管影像领域：它们通过提供识别和分类疾病的数值方法，有望提升医疗质量，并提供更精准的诊断与预后。这些变革可能在未来几年内随着软硬件技术整合入商用方案而落地，但更具前景的应用或许是利用这些技术对疾病进行精准表型。影像组学有望通过证明从放射影像中可获取前所未有的细节而彻底改变临床工作流；这种此前不可获得的新信息可能有助于进一步细化疾病分类学，并为大众提供个体化的医疗解决方案。然而，关于这些可喜结果的可推广性，仍有大量工作要做；这些方法仍需依照联邦监管机构的指南证明其临床效用。尽管如此，如果这些技术能够经受住未来严格的评估与验证，它们就有潜力变革的不仅是放射学，还包括我们今天所熟知的医学诊断与治疗流程。

本章个人批注

本章可视为全书关于影像组学方法学的"集大成"章节，作者 Kolossváry 与 Maurovich-Horvat 也是该领域过去十年中最活跃的研究组之一，因此行文明显带有综述者自己的研究印记。整章的论证逻辑非常清晰：先论证影像组学可以"超越视觉"——也就是在传统影像学肉眼判断或常规定量指标失效的环节中提取额外信息；再论证它不仅可改善诊断，还能增强风险预测；再推进一步，论证它或许可与基因表达这类更深层的生物学信息对接；最后坦承局限与监管空白。这种从"诊断→预后→精准表型→局限→展望"的递进，与第 30 章 EAT 综述的"分割→建模"两段式形成了对照，也呼应了全书"由具体到方法学"的整体安排。

让我印象最深的是几组数字：（i）Kolossváry 等在 935 个参数下，用五折 × 1000 次重复交叉验证，对 IVUS 衰减斑块给出 AUC 0.72 vs. 0.59、OCT-TCFA 0.80 vs. 0.66、NaF-PET 阳性 0.87 vs. 0.65——三组对比都呈"影像组学显著优于常规参数"的同一结论，而且效能随任务难度提升而提高，最难的任务（识别代谢活性）反而差距最大；（ii）Mannil 等 87 例的急性/慢性心梗 + 对照三分类研究，仅靠非增强低剂量 CT 加上纹理分析即可达到 AUC 0.78，且作者明确指出"肉眼无法区分"——这恰是"影像组学让不可见变得可见"的最直接例证；（iii）Agatston + 影像组学评分的混合模型与单独 Agatston 评分在 9.1 年随访下仅勉强显著（0.79 vs. 0.73，p=0.05）——这一"临界显著"恰好提示我们在已有的、廉价的 Agatston 评分之上再加影像组学是否真的值得。

本章关于精准表型的论述则非常克制：尽管作者对 radiogenomics 在心血管领域的潜力抱有期待，但明确承认目前"在心血管影像领域中的此类分析仍较少见"；并把 TNFA / COL1A1 / CD31 这类与冠周脂肪影像组学的关联性表述为"潜在可能性"（potential）而非已确立的事实——这种谨慎措辞与第 30 章那种几乎一边倒的乐观语调形成对比，可能是因为作者更清楚自己综述的正是自己工作的领域。Kolossváry 等关于"不同危险因素对应不同影像组学特征、彼此无重叠"的论述也颇为有趣——它实际上是在挑战"复杂网络"这一默认框架，主张每个危险因素可能对应相对独立的疾病通路，但作者随即承认这仍需进一步验证。最后，关于"法律责任"的讨论虽然简短，但点出了一个常被忽略的现实：即使算法效能达标、监管通过，"算法误诊时由谁负责"的问题仍未在临床上、法律上得到解决——这或许是阻碍影像组学真正进入常规流程的最具体障碍。

与上下章的衔接（一段话）

本章紧接第 30 章 EAT 量化之后，是上册心脏 CT 部分中由"具体生物标志物"过渡到"通用方法学"的桥梁章节。第 30 章聚焦于单一生物标志物（EAT）的分割与建模，而第 31 章则把影像组学作为方法学本身在冠脉斑块易损性、心肌梗死识别、冠脉钙化预后、冠周脂肪影像组学、radiogenomics 等多种场景下进行了系统化呈现。读者在第 30 章所看到的"Oikonomou 与 Lin 等基于冠周脂肪影像组学的工作"在本章再次出现，并被嵌入更宏观的论证框架（诊断能力扩展、风险预测提升、精准表型）。本章末尾提出的"标准化、可推广性、随机对照试验验证与法律责任"四大局限，也为后续章节（如第 32 章转入 CMR 指南与 AI 的临床定位、第 33 章及以后各章聚焦具体临床场景）埋下伏笔——它们指向一个共同的认识：方法学的先进性必须通过临床试验与监管落地才能转化为真正的临床实践。可以把本章理解为"影像组学在 CT 上的方法论总览"，它向上承接了具体的脂肪与斑块分析，向下开启了 AI 在其他心血管影像模态（如 CMR）与临床场景中的扩展讨论。