eCAPRI评分：基于深度学习全自动提取影像组学特征，显著提升TAVI术后1年死亡率预测效能

《European Radiology》：eCAPRI: a novel tool combining clinical and imaging data for post-TAVI mortality prediction

为解决经导管主动脉瓣置换术（TAVI）术后患者预后差异大、传统风险评分（如EuroSCORE）预测能力有限的问题，研究人员开展了“eCAPRI”评分系统的开发与验证研究。该研究通过深度学习模型全自动提取胸主动脉钙化（TAC）体积，并整合了体表面积（BSA）校正的右心室（RV）体积、肺动脉（PA）最大直径及L3水平腹部肌肉面积等影像学生物标志物。结果显示，eCAPRI评分在预测1年全因死亡率方面表现优异，其曲线下面积（AUC）达0.731，显著优于CAPRI评分（AUC=0.669）和EuroSCORE Logistic评分（AUC=0.588），且校准度更佳。该研究为TAVI患者的标准化风险分层提供了强有力的工具，支持更精准的临床决策。

　　

在过去的十年里，经导管主动脉瓣置换术（TAVI）已成为治疗重度主动脉瓣狭窄（AS）的重要方法，尤其适用于外科手术风险高或中危的患者。尽管手术成功率很高，但仍有高达25%的高危患者在术后1年内出现不良结局，这主要归因于患者复杂的合并症负担。因此，准确预测TAVI术后患者的生存风险，对于优化患者选择、避免无效治疗至关重要。

目前，临床上广泛使用的EuroSCORE等传统风险评分在预测TAVI术后结局方面表现不佳。为了弥补这一缺陷，Lantelme等人开发了CAPRI评分，该评分通过结合临床风险因素和胸主动脉钙化（TAC）体积，显著提高了1年死亡率的预测能力。然而，CAPRI评分中的TAC体积需要人工在CT图像上进行勾画，这是一个耗时且主观的过程，严重阻碍了其在临床中的广泛应用。

为了解决这一问题，并进一步提升预测的准确性，Pierre-Jean Lartaud及其团队在《European Radiology》杂志上发表了一项研究，旨在开发一种增强版的CAPRI评分——eCAPRI。该评分不仅利用深度学习模型实现了TAC体积的全自动测量，还整合了从术前CT中自动提取的多个影像学生物标志物，以期实现更精准、更高效的TAVI术后风险分层。

关键技术方法

本研究主要采用了以下关键技术方法：

1. 1.
   数据来源与队列构建：研究纳入了TAVI-Lyon回顾性数据集中的957名患者，这些患者在2013年至2021年间接受了TAVI手术，并进行了术前胸腹盆增强CT扫描。该数据集被随机分为训练集（765名患者）和验证集（192名患者）。
2. 2.
   深度学习模型开发：研究人员训练了一个3D U-Net深度学习模型，用于全自动分割胸主动脉钙化（TAC）。该模型在训练时使用了掩码二元交叉熵损失函数，通过排除脊柱和心脏瓣膜等区域的干扰，专注于学习钙化的视觉特征，从而实现了高精度的自动化分割。
3. 3.
   影像学生物标志物提取：利用预先训练好的分割模型，从CT图像中全自动提取了多个影像学生物标志物，包括心脏各腔室（左心室、右心室等）的体积、肺气肿体积、主动脉和肺动脉的最大直径，以及L3水平腹部肌肉的横截面积等。
4. 4.
   eCAPRI评分构建：采用与原始CAPRI评分相同的方法学，通过单变量Cox回归、变量相关性分析和4折交叉验证，从候选的生物标志物中筛选出最优组合，并将其与CAPRI的原始变量结合，构建了最终的eCAPRI评分。

研究结果

1. 全自动主动脉钙化分割

深度学习模型在1111例CT扫描的验证集上表现优异，TAC分割的平均Dice系数达到了0.777±0.108。散点图和Bland-Altman图分析显示，模型预测的钙化体积与人工标注的“金标准”之间具有良好的一致性。尽管模型在极低钙化体积的病例中表现稍差，且偶尔会受到上腔静脉硬化伪影或气管钙化的干扰，但整体上证明了全自动TAC分割的可行性和准确性。

2. eCAPRI评分

• •
  生物标志物筛选：通过单变量Cox回归分析，研究人员发现体表面积（BSA）校正的右心室（RV）体积、肺动脉（PA）最大直径和L3水平肌肉面积等生物标志物与1年全因死亡率显著相关。经过多变量分析和交叉验证，最终选定了BSA校正的右心室体积、BSA校正的肺动脉最大直径和L3水平肌肉面积这三个生物标志物，将其纳入eCAPRI评分。
• •
  预测性能评估：在验证集上，eCAPRI评分在预测1年全因死亡率方面表现出色，其曲线下面积（AUC）达到了0.731。这一结果显著优于CAPRI评分（AUC=0.669）和EuroSCORE Logistic评分（AUC=0.588），且差异具有统计学意义（p=0.034）。此外，eCAPRI评分的校准曲线更接近理想状态，Brier评分（0.079）也低于其他两个模型，表明其预测风险与实际观察到的风险更为匹配。

结论与讨论

本研究成功开发并验证了eCAPRI评分，这是一个用于预测TAVI术后1年全因死亡率的增强版风险分层工具。eCAPRI的核心优势在于其全自动化和多维度整合能力。首先，它通过深度学习模型实现了胸主动脉钙化（TAC）体积的全自动测量，解决了原始CAPRI评分临床应用的主要障碍。其次，它整合了三个具有重要临床意义的影像学生物标志物：BSA校正的右心室（RV）体积（反映右心重构）、BSA校正的肺动脉（PA）最大直径（反映肺动脉高压）和L3水平肌肉面积（反映肌肉减少症和衰弱）。这些生物标志物从不同角度补充了患者的整体健康状况，从而显著提升了预测的准确性。

从临床角度看，eCAPRI评分具有巨大的应用潜力。由于所有TAVI候选者术前都会进行增强CT扫描，eCAPRI评分所需的所有输入数据在常规诊疗中已经存在。通过将全自动分割和生物标志物提取技术整合到放射科工作站或医院PACS系统中，eCAPRI可以作为一个后台工具，在不增加临床医生工作量的情况下，提供标准化的风险评估。这将有助于多学科医疗团队更准确地识别出可能从TAVI中获益的患者，以及那些手术可能无效的高风险患者，从而支持更个性化的治疗决策。

尽管eCAPRI评分表现优异，但本研究也存在一些局限性。例如，研究队列仅包含欧洲人群，其在不同种族人群中的普适性有待进一步验证。此外，随着TAVI技术和器械的不断进步，未来的研究需要评估这些变化对评分性能的影响。尽管如此，eCAPRI评分代表了将先进影像分析技术整合到常规TAVI术前评估中的重要一步，为改善患者预后和优化医疗资源分配提供了有力的工具。