编辑推荐：
为探究慢阻肺（COPD）患者心血管疾病（CVD）的诊断模型，研究构建影像组学列线图，其比临床因素和视觉冠状动脉钙化评分更具优势。
慢性阻塞性肺疾病（Chronic Obstructive Pulmonary Disease，COPD）如今已成为全球范围内导致发病和死亡的重要原因之一。在中国，其发病率随着吸烟率的上升和人口老龄化而逐渐增加，给社会带来了沉重的经济负担。更糟糕的是，COPD 患者常常伴有各种合并症，其中心血管疾病（Cardiovascular Disease，CVD）最为常见。这两种疾病紧密相关，相互影响，COPD 患者心脏功能受损很大程度上是由肺过度充气的机械因素导致，而吸烟、衰老和炎症则是连接它们的常见因素和机制。近一半的 COPD 患者住院和死亡都与 CVD 有关，同时 CVD 的存在和进展还可能引发 COPD 的急性加重。因此，早期诊断 COPD 患者是否合并 CVD 显得尤为重要。
以往预测 CVD 的研究大多基于人口统计学和临床变量，但广泛使用的 QRISK3 评分工具在 COPD 患者中却低估了 CVD 的风险。胸部 CT 成像在 COPD 患者的评估中起着重要作用，基于此的影像组学技术为检测 CVD 提供了新的可能。影像组学通过高通量定量特征提取和数据分析，将医学图像转化为高维数据，以支持决策。此前虽有研究利用全肺影像组学列线图来识别 COPD 患者的 CVD，但纵隔结构包括心血管系统本身，其在识别 CVD 方面的价值尚未得到充分研究。此外，传统的基于胸部 CT 视觉评分的冠状动脉钙化（Coronary Artery Calcium，CAC）在预测 COPD 患者 CVD 方面效果有限。
为了解决这些问题，海军军医大学第二附属医院、同济大学附属同济医院和浙江大学医学院附属邵逸夫医院的研究人员开展了一项多中心研究。该研究成果发表在《BMC Pulmonary Medicine》上。
研究人员为开展此项研究，运用了以下几个主要关键技术方法：首先，从三个中心的 CSD-COPD 队列中选取符合条件的住院 COPD 患者，收集临床数据并进行胸部 CT 扫描。其次，通过深度学习模型 U-net（R231）自动分割全肺，利用 TotalSegmentator 模型和 3D U-net 对纵隔进行分割。然后，对图像进行预处理后，使用 Pyradiomics 软件提取影像组学特征，并通过 LASSO 逻辑回归进行特征选择和模型构建。最后，构建临床模型、影像组学模型和联合模型，并通过多种统计分析方法评估模型性能。
研究结果如下：
- 患者临床因素和视觉 CACS 模型建立：通过单因素和多因素逻辑回归分析，确定年龄、中性粒细胞百分比、血细胞比容、GOLD 分期和视觉 CACS 为与 CVD 相关的因素，并据此构建临床因素模型和视觉 CACS 模型12。
- 一致性评估：手动和自动纵隔分割的平均 Dice 系数为 0.98±0.02，表明自动分割效果良好3。
- 特征提取、选择和影像组学特征构建：从 CT 图像中提取大量全肺和纵隔影像组学特征，经过一系列筛选，分别构建了基于 12 个特征的肺影像组学模型、基于 6 个特征的纵隔影像组学模型。并且发现肺 - 纵隔联合模型的 6 个特征与纵隔模型相同，因此后续主要研究肺和纵隔影像组学模型4。
- 影像组学列线图的开发和模型性能评估：将肺和纵隔影像组学模型与临床因素结合构建联合模型并制成列线图。结果显示，两个联合模型校准良好，在训练、内部验证和外部验证队列中，影像组学模型和联合模型的 AUC 均显著高于临床因素模型和视觉 CACS 模型。其中，纵隔联合模型的 AUC 最高，在识别 COPD 患者 CVD 方面表现更优56。
- 亚组分析：在不同 GOLD 分期的 COPD 亚组中，肺和纵隔联合模型均表现出稳定的性能，纵隔联合模型在所有模型中始终表现最佳78。
研究结论和讨论部分表明，基于胸部 CT 的列线图，尤其是基于纵隔特征的列线图，在识别 COPD 患者的 CVD 方面比临床因素和视觉冠状动脉钙评分具有更好的区分能力。这一成果为 COPD 患者 CVD 的早期诊断提供了新的有效工具，有助于提高疾病管理的及时性和准确性。然而，该研究也存在一些局限性，如研究为回顾性研究，模型的有效性需要在未来前瞻性研究中进一步确认；样本量有限，无法对 CVD 亚型进行分层分析等。尽管如此，此项研究仍然为后续相关研究奠定了重要基础，未来可在扩大样本量、开展前瞻性研究等方面进一步优化模型，使其更好地应用于临床实践。
