基于无监督机器学习的缺血性心肌病心脏磁共振表型聚类揭示预后显著差异的亚组

《The International Journal of Cardiovascular Imaging》：Unsupervised phenotypic clustering of cardiac MRI data reveals distinct subgroups associated with outcomes in ischemic cardiomyopathy

本研究针对缺血性心肌病(ICM)患者临床预后高度异质性的难题，采用无监督机器学习方法对心脏磁共振(CMR)衍生变量进行表型聚类分析。研究人员通过KAMILA算法成功识别出两个具有显著预后差异的ICM亚组，其中高风险组(Cluster 2)发生复合终点事件的风险比低风险组(Cluster 1)高出近4倍(HR=3.96)。SHAP分析进一步揭示缺血性瘢痕负荷、球形指数和中壁纤维化为关键预测因子。该研究为ICM的精准风险分层和个体化治疗提供了新的思路和方法。

　　

在心血管疾病领域，缺血性心肌病(Ischemic Cardiomyopathy, ICM)始终是一个令人困扰的难题。尽管现代医学在诊断和治疗策略上取得了长足进步，但ICM患者的临床进程却表现出惊人的多样性——有些患者能够长期保持稳定，而另一些则会快速进展为严重的心力衰竭、恶性心律失常甚至死亡。这种显著的异质性使得传统的风险分层方法显得力不从心，因为它们往往依赖于孤立的临床或影像学参数，难以捕捉驱动疾病进展的复杂因素相互作用。

心脏磁共振(Cardiac Magnetic Resonance, CMR)成像技术的出现为这一困境带来了转机。作为一种无创的影像学手段，CMR能够提供关于心肌结构、功能和组织特征的详尽信息，包括左心室射血分数(Left Ventricular Ejection Fraction, LVEF)、心室容积和心肌瘢痕负荷等关键参数。然而，如何整合和解读这些多维数据，并将其转化为对临床实践有指导意义的信息，仍然是一个重大挑战。

正是在这样的背景下，曼彻斯特大学Nucifora教授团队开展了一项创新性研究，成果发表在《The International Journal of Cardiovascular Imaging》。研究人员假设，通过无监督机器学习技术对CMR衍生变量进行聚类分析，可能揭示ICM患者中存在的不同表型亚组，这些亚组或许对应着不同的疾病阶段和预后轨迹。

研究团队纳入了319名临床稳定的ICM患者，所有患者均来自UHSM CMR研究(ClinicalTrials.gov NCT02326324)——一项在曼彻斯特威森肖医院进行的前瞻性观察性注册研究。ICM的诊断标准包括经CMR证实的左心室收缩功能障碍(LVEF < 50%)，并满足以下至少一项条件：心肌梗死病史、血运重建治疗史、冠状动脉造影证实的显著狭窄或存在缺血性晚期钆增强(Late Gadolinium Enhancement, LGE)表现。

研究的关键技术方法包括：采用KAMILA聚类算法同时处理连续型和分类型CMR变量；通过轮廓分析、组内平方和和间隙统计确定最佳聚类数；使用主成分分析(Principal Component Analysis, PCA)可视化聚类结果；应用Cox回归和Kaplan-Meier生存分析评估预后价值；利用SHAP值解释特征重要性。

Identification of phenotypic subgroups

KAMILA聚类分析成功识别出两个截然不同的ICM表型。Cluster 1包含219名患者，表现为相对较好的心脏功能：LVEF较高(43.0±6.3%)、心室容积较小(左心室舒张末期容积指数96.7±16.3 mL/m²)、瘢痕负荷较低。相比之下，Cluster 2的100名患者则显示出疾病更为晚期的特征：LVEF显著降低(28.0±7.3%)、心室明显扩大(舒张末期容积指数139.0±29.0 mL/m²)、心肌质量增加(78.1±19.2 g/m²)，且中壁纤维化的发生率更高(17.3%对6.8%)。

主成分分析结果证实了两个聚类之间的清晰分离，前两个主成分累计解释了62.6%的总体方差(PC1: 46.2%, PC2: 16.4%)。雷达图分析进一步凸显了聚类间在多维参数上的显著差异。

Prognostic implications

经过中位13个月的随访，37名(12%)患者出现了复合终点事件。生存分析显示，Cluster 2患者发生复合结局的风险几乎是Cluster 1患者的4倍(风险比HR=3.96)。Kaplan-Meier曲线清晰展示了两组间生存结局的显著差异(log-rank p<0.001)。即便在考虑非心血管死亡的竞争风险后，Cluster 2的复合结局亚分布风险比(Subdistribution Hazard Ratio, SHR)仍高达3.48。

SHAP分析为理解各个变量对预后的相对重要性提供了深入见解。缺血性瘢痕负荷(占左心室质量的百分比)、球形指数和中壁纤维化被确定为最具影响力的预测因子。这些发现与它们在不良重塑和致心律失常性中已确立的作用相一致。

Methodological considerations and study limitations

研究采用KAMILA算法处理混合数据类型的方法学优势显著，但同时也存在若干局限性。样本量相对较小和随访时间较短可能影响聚类结果的稳定性，单中心设计限制了结果的普适性，未考虑随访期间治疗策略的潜在影响，以及缺乏与常规风险预测模型的直接比较，都是需要在未来研究中完善的方向。

Clinical implications

本研究发现的ICM表型分层具有重要临床意义。高风险表型(Cluster 2)患者可能受益于更积极的治疗策略，如早期考虑先进心衰疗法或加强心律失常监测。而低风险表型(Cluster 1)患者则可采用标准药物治疗和定期监测。将无监督聚类整合入临床实践有望推动ICM的个体化医疗进程。

Conclusions

该研究证实了无监督机器学习在识别ICM患者不同表型亚组中的价值。基于CMR变量识别出的两个聚类在心脏功能、结构重塑和预后方面存在显著差异，强调了聚类方法在改善风险评估和个体化治疗规划方面的潜力。通过整合多维数据并应用先进分析技术，本研究为理解ICM异质性和改善患者预后提供了新框架。未来研究应聚焦于验证这些发现、探索潜在机制并将这些见解转化为临床实践。