基于深度学习左心耳放射组学特征预测房颤射频消融术后复发的多中心研究

为解决房颤射频消融术(RFCA)后高复发率问题，浙江大学医学院附属第四医院等团队开展多中心回顾性研究，通过nnUNet分割左心耳(LAA)并提取放射组学特征，结合临床变量构建预测模型。研究证实LAA体积每增加1单位复发风险增加5.8%(aHR 1.058)，融合深度学习(DL)放射组学的联合模型AUC达0.92，为术前决策提供量化工具。

　　

心房颤动（Atrial Fibrillation, AF）作为临床最常见的心律失常，正成为全球公共卫生负担。尽管射频导管消融（Radiofrequency Catheter Ablation, RFCA）已成为AF治疗的一线方案，但术后30-50%的年复发率始终困扰着临床。传统肺静脉隔离（Pulmonary Vein Isolation, PVI）策略对非肺静脉起源的异常电活动束手无策，而左心耳（Left Atrial Appendage, LAA）已被证实是重要的异位起搏源。更棘手的是，LAA复杂的梳状肌结构在AF中会发生显著体积增大和纤维化重构，这些形态学改变与消融预后密切相关，但常规CT检查难以捕捉细微特征。

针对这一临床困境，浙江大学医学院附属第四医院联合台州医院的研究团队创新性地将深度学习（Deep Learning, DL）与放射组学（Radiomics）相结合，开展了一项跨越三家三甲医院的多中心研究。他们开发了基于nnUNet的LAA自动分割系统，并首次构建了融合LAA形态特征与临床参数的复发预测模型，相关成果发表于《BMC Medical Imaging》。这项研究不仅揭示了LAA体积每增加1mL会使复发风险提升5.8%的量化关系，更提供了AUC达0.92的精准预测工具，为个体化治疗策略制定带来新突破。

研究团队采用三大关键技术：首先运用nnUNet架构开发LAA自动分割模型（Dice系数0.89）；其次通过Pyradiomics提取1197个放射组学特征，经LASSO回归筛选关键指标；最后采用Vision Transformer（ViT）网络提取深度学习特征，并通过Grad-CAM验证特征聚焦区域。研究纳入2016-2022年480例接受RFCA的AF患者，随访至2023年12月，采用7:3比例分层随机划分训练集与测试集。

左心耳分割
nnUNet模型在冠状位、矢状位和轴位均展现优异分割性能，与人工标注的相关系数达0.993（p<0.001）。该技术解决了传统手动测量耗时且主观性强的问题，为后续定量分析奠定基础。

放射组学模型构建
从CTA图像提取的1197个特征经筛选保留10个关键指标，线性支持向量机（Linear_SVM）模型表现最优。值得注意的是，基于放射组学特征构建的Rad_sign在测试集AUC为0.617，提示单纯影像特征预测效能有限。

深度学习特征可视化
通过Grad-CAM技术证实，ViT网络注意力机制精准聚焦于LAA区域（图4），表明模型确实学习到LAA特异性特征而非噪声。DL_sign在测试集的AUC提升至0.858，显示深度学习捕捉到人眼难以识别的微妙模式。

复发风险因素分析
多因素Cox回归显示：左房直径（Left Atrial Diameter, LAD）每增加1mm风险增加6.3%（aHR 1.063）；左房体积（Left Atrial Volume, LAV）每增加1mL风险增加6.0%（aHR 1.060）；LAA体积（Left Atrial Appendage Volume, LAAV）每增加1mL风险增加5.8%（aHR 1.058）。这些数据首次量化了LAA结构重构与复发风险的剂量效应关系。

预测模型性能
融合DL_sign、Rad_sign与临床变量（AF类型、LAD）的联合模型展现卓越性能：训练集AUC 0.97，测试集AUC 0.92，显著优于传统CAAP-AF（0.694）、APPLE（0.655）等评分系统。决策曲线分析（Decision Curve Analysis, DCA）证实该模型具有临床实用价值。

亚组分析稳健性
按年龄（65岁为界）、性别、AF类型、LAA增大（cutoff 10.74mL）等分层后，模型AUC保持0.87-0.93区间，证明其广泛适用性。敏感性分析排除早期复发病例后结论仍稳定。

这项研究具有三重里程碑意义：其一，建立的nnUNet分割模型实现LAA自动化精准测量；其二，揭示LAA体积是独立于左房大小的复发预测因子；其三，开创性融合DL放射组学与临床参数，将预测准确率提升至新高度。临床实践中，该模型可识别高风险患者，指导术者考虑追加LAA电隔离，有望将"一刀切"的PVI策略推向精准医疗时代。

局限性包括样本量偏小（480例）、未纳入传统LAA分型（如"鸡翅型"），且早期复发可能包含良性心律失常。未来需扩大样本验证，并探索LAA特征与电生理参数的关联机制。值得关注的是，研究团队开发的PixelMedAI平台为医学影像分析提供了可扩展的技术框架，这种"影像组学+深度学习"的双引擎模式或可推广至其他心脏结构评估领域。