基于CTPA影像组学的机器学习模型在肺循环血流动力学定量评估中的创新应用

本研究针对肺动脉高压(PH)诊断依赖有创右心导管术(RHC)的临床困境，北京安贞医院团队开发了基于CT肺动脉造影(CTPA)影像组学特征的机器学习模型。通过整合5个二维特征和30个影像组学特征，构建的XGBoost模型可非侵入性预测平均肺动脉压(mPAP)等6项血流动力学参数(ICC达0.87)，PH分类准确率达AUC-PR 0.99，为肺循环功能评估提供了创新解决方案。

　　

肺动脉高压(PH)这个隐匿的"肺部杀手"正威胁着全球约1%人群的健康，未经治疗患者中位生存期仅2.8年。尽管右心导管术(RHC)是血流动力学评估的金标准，但其有创性、操作风险和高成本限制了临床应用。传统超声检查又受操作者经验影响，存在低估肺动脉收缩压(sPAP)等问题。CT肺动脉造影(CTPA)虽能显示肺动脉形态，但单纯测量主肺动脉直径等指标预测平均肺动脉压(mPAP)的敏感性不足。如何突破现有技术瓶颈，实现精准无创的肺循环功能评估，成为亟待解决的临床难题。

北京安贞医院团队在《International Journal of Cardiology》发表的研究给出了创新答案。研究人员收集了345例同期接受CTPA和RHC检查的患者数据，采用nnU-Net框架自动分割肺动脉，通过PyRadiomics提取129个影像组学特征。经过Spearman相关性分析和PCA降维后，构建了整合5个二维特征和30个影像组学特征的XGBoost预测模型。关键技术包括：多中心CTPA图像标准化处理、基于深度学习的肺动脉自动分割、影像组学特征提取与筛选、机器学习算法建模等。

研究结果显示，在271例PH患者和74例对照中，影像组学模型预测mPAP、sPAP等参数的ICC值显著优于传统二维模型(0.74-0.87 vs 0.27-0.59)。特别值得注意的是对肺动脉楔压(PAWP)的预测达到最高ICC 0.87，这对鉴别WHO 2型PH具有重要价值。Bland-Altman分析证实预测值与RHC测量值具有良好一致性。在PH诊断方面，模型展现出91%的敏感性和特异性，AUC-PR达0.99，显著优于传统CT形态学指标。

讨论部分指出，该研究首次实现了基于CTPA的肺循环多参数血流动力学定量评估，突破了既往研究仅关注单一参数或特定PH亚型的局限。影像组学特征通过捕捉血管重塑的微观异质性，比传统形态学参数更能反映病理生理改变。作者也坦承研究的局限性，包括单中心回顾性设计、缺乏外部验证等，未来计划通过多中心合作扩大样本量，并整合右心结构和全肺血管网络的三维建模。

这项研究的临床意义在于：为PH早期筛查提供了便捷安全的无创工具；通过全面评估mPAP、PVR等关键参数，有助于病因鉴别和治疗决策；其自动化分析流程可大幅缩短诊断时间。随着进一步验证，这种融合人工智能和影像组学的新方法，有望改写肺循环功能评估的临床实践指南。