基于左心房复合体CT影像组学与临床特征预测房颤射频消融术后复发的多中心研究

《Frontiers in Medicine》：A computed tomography-based radiomics-clinical model incorporating left atrial and proximal pulmonary vein features predicts recurrence after radiofrequency catheter ablation of atrial fibrillation: a multicenter study

　　

目的： 开发并验证一种基于冠状动脉CT血管成像（CCTA）的影像组学-临床联合模型，用于预测心房颤动（AF）患者射频导管消融（RFCA）后的晚期复发。 方法： 这项回顾性多中心研究纳入了在两个中心（中心A，n=238；中心B，n=141）接受首次RFCA并于术前完成CCTA的379例患者。来自中心A的患者按7:3比例随机分为训练队列（n=166）和内部验证队列（n=72），而中心B的患者则作为外部验证队列。研究人员采用基于nnU-Net v2框架的TotalSegmentator模型，对左心房体部、左心耳及近端肺静脉主干（定义为从开口至首次主要分叉处的节段）进行全自动分割。将这些结构合并后定义为左心房复合体（LAC），并将其作为影像组学分析的统一感兴趣区（ROI）。在评估特征稳定性并降低维度后，研究人员筛选出关键特征以构建影像组学评分和一个基于XGBoost的影像组学模型。随后，通过将影像组学评分与独立的临床预测因子整合，开发了一个联合模型。模型性能通过受试者工作特征曲线下面积（AUC）进行评估，并使用DeLong检验进行模型比较。 结果： 在纳入的379例患者中，106例（28.0%）在消融后2年内出现晚期AF复发。多变量逻辑回归确定性别和左心室射血分数（LVEF）为独立的临床预测因子。联合模型在训练队列、内部验证队列和外部验证队列中分别取得了0.896、0.894和0.869的AUC，持续优于影像组学模型（分别为0.874、0.840和0.787）和临床模型（分别为0.694、0.658和0.704）。这些发现表明其具有良好的预测性能，且在外部验证队列中保持了这一性能。 结论： 基于LAC的CCTA影像组学-临床模型在预测AF患者RFCA术后晚期复发方面表现出良好性能，并可能作为一种实用的工具用于个体化的术前风险分层。

论文解读文章

一、研究背景与科学问题

心房颤动（AF）是临床上最常见的心律失常之一，与卒中、心力衰竭和全因死亡率的风险增加密切相关。目前，导管消融被推荐为症状性AF的一线疗法，但其长期疗效受到术后晚期复发（LR）的限制，报道的1年复发率在20%至40%之间。因此，准确预测消融后AF复发风险对于优化患者选择和指导个体化管理策略至关重要。

既往研究已确立性别、AF类型、左心房直径（LAD）、左心室射血分数（LVEF）及合并症等临床变量与消融后AF复发显著相关，并据此开发了多种临床风险评分（如APPLE、CAAP-AF等）。然而，这些传统临床评分的区分能力有限，AUC通常在0.55至0.67之间，提示仅基于临床变量的风险分层仍不充分。因此，纳入能够反映消融后AF复发风险的影像学信息，有望提高术前风险分层的准确性。

近年来，心房结构重塑在消融结局中的作用日益受到关注，左心房（LA）纤维化被认为是决定消融成功的关键因素。虽然晚期钆增强心脏磁共振（LGE-CMR）可无创评估LA纤维化负荷，但其常规临床应用因采集时间长、成本高以及薄壁心房成像技术挑战而受限。因此，需要一种更易获取并能融入常规临床工作流程的影像学策略。

在此背景下，影像组学作为一种有前景的分析方法应运而生，它能够从医学图像中提取高通量定量特征，表征超出肉眼视觉评估范围的组织异质性。冠状动脉CT血管成像（CCTA）作为AF消融术前常规检查，不仅能提供冠状动脉信息，还能清晰显示LA及其周围结构，是理想的影像组学数据源。然而，以往研究大多依赖主观、耗时的手动分割，且通常聚焦于单一解剖区域或仅间接反映心房病理的房周组织，未能全面整合参与AF触发与维持的相互关联的解剖结构。

二、研究设计与结论概述

为弥补上述不足，本研究提出并定义了一个新的影像组学靶区——左心房复合体（LAC），即将左心房体部、左心耳（LAA）及双侧上下肺静脉（PV）主干融合为一个统一的感兴趣区（ROI）。基于此设计，研究人员利用术前CCTA数据，应用nnU-Net实现LAC的全自动分割，从中提取影像组学特征，并与临床变量整合，开发了一个用于预测RFCA后AF复发的联合模型。该模型在独立的外部队列中得到进一步验证。

研究共纳入来自两个中心的379例首次接受RFCA的非瓣膜性AF患者。在为期24个月的随访期间，106例患者（28.0%）出现晚期复发。研究结果表明，由性别、LVEF和影像组学评分构成的联合模型展现出优异的预测性能，其在训练队列、内部验证队列和外部验证队列中的AUC分别达到0.896、0.894和0.869，显著优于单纯的临床模型和影像组学模型。该研究的重要意义在于，它提供了一个完全自动化、基于常规CCTA的实用工具，可用于AF患者消融术前的个体化风险分层，有助于指导临床决策。

三、主要关键技术方法

1. 1.
   研究设计与样本队列：这是一项回顾性多中心研究，连续纳入2021年1月至2024年4月间在两家医院（中心A：泰兴市人民医院；中心B：靖江市人民医院）住院并符合标准的患者。最终分析队列包括379例患者，其中中心A的238例按7:3比例分为训练队列（n=166）和内部验证队列（n=72），中心B的141例作为外部验证队列。
2. 2.
   全自动图像分割：采用基于nnU-Net v2框架的TotalSegmentator模型，对左心房体部、左心耳及近端肺静脉主干进行全自动分割，并通过布尔并运算将其合并为统一的LAC掩膜，作为影像组学特征提取的ROI。
3. 3.
   影像组学特征提取与筛选：遵循影像生物标志物标准化倡议（IBSI）指南，使用PyRadiomics包从预处理后的CCTA图像中提取形状、一阶及纹理特征。通过ICC评估特征稳健性，并依次采用Mann-Whitney U检验、Spearman相关性分析和LASSO回归进行多步特征降维与选择。
4. 4.
   预测模型构建与评估：利用选定的影像组学特征构建基于XGBoost算法的影像组学模型；通过多变量逻辑回归确定独立临床预测因子（性别和LVEF）以建立临床模型；再将影像组学评分与临床预测因子结合构建联合模型。模型性能通过AUC、校准曲线和决策曲线分析（DCA）等进行评估。

四、研究结果

患者基线特征

三个队列在性别（P=0.008）、体重指数（BMI）（P=0.026）和LVEF（P<0.001）方面存在显著差异。在训练队列中，复发组与未复发组相比，男性比例更低、LAD更大、LVEF更低、充血性心力衰竭（CHF）发生率更高，且影像组学评分（Rad-score）显著更高。

影像组学特征选择与模型解释

从LAC中提取的1050个影像组学特征中，1029个具有良好稳健性（ICC>0.75）。经过逐步筛选，最终保留了6个核心特征，均为源自小波变换的一阶或纹理特征，而非形状特征。SHAP分析显示，贡献最大的三个特征是wavelet-LHL_firstorder_TotalEnergy、wavelet-LHL_firstorder_Variance和wavelet-HHL_glszm_SizeZoneNonUniformity。较高的灰度变异性和纹理异质性主要与更高的预测复发风险相关，而较高的总能量则与较低的预测风险相关。

预测模型的开发与性能

联合模型在所有三个队列中均取得了最高的AUC（训练集0.896，内部验证集0.894，外部验证集0.869）。在内部验证集中，DeLong检验显示联合模型的AUC显著高于临床模型（P=0.032）和影像组学模型（P=0.014）。在外部验证集中，联合模型实现了0.741的灵敏度和0.920的特异性，显示出良好的泛化能力。

不同ROI方案的预测性能比较

为评估LAC设计的增量价值，研究人员比较了五种不同ROI方案（LA体部、LAA、PV主干、LA体部+LAA、LAC）的预测性能。LAC模型在三个队列中均获得最高AUC（0.874/0.840/0.787）。在外部验证集中，DeLong检验表明LAC模型的AUC显著高于LAA模型（P=0.024）、PV主干模型（P=0.008）和LA体部+LAA模型（P=0.027），但与LA体部模型的差异无统计学意义（P=0.314）。

校准与临床效用

校准曲线显示联合模型的预测概率与观察到的复发率之间具有良好的一致性，Brier评分在训练集、内部验证集和外部验证集分别为0.083、0.082和0.124。DCA表明，联合模型在预测LR方面提供了更大的临床净获益。

五、讨论与结论总结

讨论总结

本研究表明，基于LAC概念的CCTA影像组学-临床联合模型能够有效预测AF消融后的LR。LAC的设计理念在于整合参与AF触发与维持的多个相互关联的解剖结构（LA体部、LAA和近端PV主干），这可能比单独分析任一子结构更能捕捉跨越解剖边界的空间信息。所有最终保留的影像组学特征均源于小波变换图像，提示与复发相关的预测信息可能编码在经多尺度变换后才能量化的细微信号差异中。研究还发现，LAC内更高的灰度变异性和纹理异质性与更高的模型预测复发风险相关，这可能间接反映了AF相关心房重塑的影像表现。在临床变量中，LVEF和性别被确定为独立预测因子，女性患者和LVEF较低的患者复发风险更高。尽管存在样本量有限、回顾性设计等局限性，该联合模型在外部验证中展现出的良好性能初步支持了其在不同中心和人群中的泛化能力。

研究结论翻译

总之，基于左心房复合体的概念，研究人员开发并验证了一种结合CCTA影像组学与临床特征的联合模型，用于预测AF患者RFCA术后的晚期复发。该模型在内部验证队列和独立的外部验证队列中均显示出良好的区分能力和泛化性。由此衍生的列线图可能有助于个体化的风险评估，并可作为AF患者术前风险分层和治疗决策的辅助工具。