基于心脏磁共振成像与机器学习的儿童肺动脉高压血流动力学无创预测：探索性先导研究

这篇综述探索了深度学习（DL）结合心脏磁共振（CMR）成像在儿童肺动脉高压（PAH）中预测平均肺动脉压（mPAP）和肺血管阻力指数（PVRi）的潜力。研究通过四折分层交叉验证，证实DL模型在测试集上对mPAP和PVRi严重程度分类的AUC分别达0.82和0.73，优于传统机器学习方法，为减少侵入性心导管检查提供了新思路。

　　

引言

肺动脉高压（PAH）是一种以肺血管重塑和右心室衰竭为特征的致命性疾病，其诊断和监测依赖侵入性心导管测量的平均肺动脉压（mPAP）和肺血管阻力指数（PVRi）。然而，心导管检查对儿童风险较高，而心脏磁共振（CMR）虽安全却无法直接获取血流动力学参数。本研究首次探索深度学习（DL）从CMR电影图像中预测儿童PAH血流动力学的可行性。

方法

研究纳入荷兰国家儿科PAH注册库中33名特发性PAH患儿的40次CMR检查，采用四折分层分组交叉验证。终点指标为离散化的mPAP（低≤40 mmHg，高40-70 mmHg，极端>70 mmHg）和PVRi（低≤10 WU·m²
，高10-30 WU·m²
，极端>30 WU·m²
）。模型输入包括CMR中段短轴切片25帧电影图像（经N4偏场校正和128×128 mm²
裁剪）及6项临床指标（如左室收缩末期容积指数LVESVi）。DL模型架构通过超参数优化确定，包含卷积块、长短时记忆（LSTM）层和全连接层。

结果

DL模型在测试集上表现最优：mPAP预测AUC达0.82，极端组真阳性率（TPR）为11/14；PVRi预测AUC为0.73，高/极端组TPR分别为14/15和7/12。值得注意的是，最优DL模型仅依赖连续CMR帧的空间模式，未使用时序特征或临床指标。传统机器学习（如随机森林）则出现显著过拟合（测试AUC_mPAP
=0.54）。

讨论

该研究首次证实CMR-DL模型可捕捉儿童PAH的血流动力学特征，其性能与成人研究中相位对比CMR的DL模型（AUC 0.86）相当。PVRi预测难度可能源于其依赖心输出量，而CMR电影图像缺乏血流信息。未来需整合肺动脉4D-flow或相位对比成像以提升PVRi预测。研究局限性包括样本量小（n=40）和离散化导致的临床信息损失，但为后续大样本回归建模奠定了基础。

结论

这项先导研究为儿童PAH的无创监测提供了概念验证，通过CMR-DL模型实现了mPAP的可靠预测，有望减少心导管使用。后续需扩大队列、验证跨中心泛化性，并探索肺动脉参数与连续变量建模，以推动临床转化。