编辑推荐：
研究人员为挖掘低剂量 CT 衰减校正（CTAC）扫描潜在价值，开展相关研究，发现综合多模态方法可提升死亡率预测准确性。
在心血管疾病的诊疗领域，心肌灌注闪烁显像（Myocardial perfusion scintigraphy，MPS）广泛用于评估冠状动脉疾病（Coronary artery disease，CAD） ，全球每年有超 1500 - 2000 万次扫描。在心肌灌注成像（Myocardial perfusion imaging，MPI）过程中，低剂量非对比计算机断层扫描衰减校正（Computed tomography attenuation correction，CTAC）扫描常被用于校正软组织衰减，以提高诊断准确性，美国核心脏病学会指南也推荐使用 CT 进行衰减校正。然而，由于 CTAC 图像质量存在局限，其包含的关于其他可见器官的大量额外信息在临床报告中常常未被充分利用。虽然已有方法可从 CTAC 扫描中获取冠状动脉钙（Coronary artery calcium，CAC）和心外膜脂肪组织（Epicardial adipose tissue，EAT）的信息，但许多其他潜在的临床重要特征，如心外结构，其对 MPI 的附加价值尚未得到系统评估。
为了挖掘 CTAC 扫描的全部潜在价值，来自美国西达赛奈医学中心（Cedars-Sinai Medical Center）等机构的研究人员开展了一项研究，旨在开发一种基于整体人工智能（Artificial intelligence，AI）的方法，利用 SPECT/CT MPI 混合图像中包含的所有可能信息来预测全因死亡率，并单独评估 CTAC 图像在此方面的价值。该研究成果发表在《npj Digital Medicine》杂志上。
研究人员在本研究中运用了多种关键技术方法。在数据来源上，利用了参与 REFINE SPECT 注册研究的 4 个站点（卡尔加里大学、耶鲁大学、哥伦比亚大学、渥太华大学心脏研究所）的患者 CTAC 扫描数据，扫描时间在 2009 年至 2021 年之间。在图像分析方面，通过专用软件自动量化心肌灌注图像的相关参数，如总灌注缺损（Total perfusion deficit，TPD）等；使用 TotalSegmentator 多结构分割深度学习模型对 CTAC 上可见结构进行分割，并利用 PyRadiomics 软件包提取放射组学特征；运用已验证的深度学习模型进行冠状动脉钙评分和心外膜脂肪组织评分。此外，采用极端梯度提升（XGBoost）模型进行死亡率分类，并通过 10 折交叉验证和网格搜索法优化模型参数。
研究结果如下：
- 患者特征：研究共纳入 10983 名参与者，其中 500 名用于 EAT 模型训练和验证，最终研究队列包含 10480 名参与者。在中位 2.9 年的随访期内，651 名（6.2%）患者死亡。正常心肌灌注的患者更年轻，女性更多，患高血压、糖尿病和血脂异常的比例更低。
- 模型性能：在所有患者中，整合了 CTAC 多结构分割、定量图像分析（放射组学）、深度学习的冠状动脉钙和心外膜脂肪组织评估的 AI CTAC 模型，预测全因死亡率的受试者工作特征曲线下面积（Area under the curve，AUC）为 0.78，优于单独的 EAT 模型（AUC 0.56）和冠状动脉钙模型（AUC 0.64）。AI 混合模型（结合 CTAC 和 MPI 特征）的 AUC 为 0.79，略优于 AI CTAC 模型，但差异有统计学意义。在正常灌注患者和无冠状动脉钙化患者中，AI CTAC 模型同样表现出色。进一步亚组分析发现，All 模型在不同性别、年龄组中表现可比，在年龄 < 65 岁的个体中性能更好，在黑人和白人组中的差异未达统计学意义。
- 与结局的关联及多变量模型：经多变量分析调整相关因素后，异常灌注患者死亡风险更高（调整后风险比（Hazard ratio，HR）1.71，95% 置信区间（Confidence interval，CI）1.46 - 2.01） ，CAC>400 也与死亡风险增加相关（调整后 HR 2.11，95% CI 1.67 - 2.65） 。AI 评分可改善患者死亡风险的重新分类，总体净重新分类改善率为 16.1%（95% CI 12.4 - 19.8） 。
- 结构特异性风险评估：研究发现肺部是影响死亡率预测的最重要特征。部分患者因心外结构（如肺部和主动脉）被判定为高死亡风险，如一位 66 岁男性患者，其右肺下叶的实性肿块显著增加了死亡风险。
研究结论和讨论部分指出，本研究证明了对 CTAC 扫描进行整体解剖、功能和临床评估，有助于提高混合灌注 MPI 患者全因死亡率的预测能力。AI 模型整合多结构分割、放射组学特征提取和深度学习的量化方法，提升了多模态心肌灌注死亡率的预测水平。与仅使用 MPI 信息相比，综合多模态方法能显著改善死亡率预测。虽然该研究存在一定局限性，如回顾性研究、CTAC 采集协议不统一、部分器官数据缺失、缺乏死亡原因信息、种族数据有限等，但它仍为心血管疾病的风险分层提供了新的思路和方法，有助于医生更全面地评估患者风险，充分发挥混合 SPECT/CT 成像的潜力。
