论文部分内容阅读
研究背景目前,颈动脉硬化斑块是缺血性脑疾病的重要病因,其在全球的患病率逐渐升高,已经引起了越来越多的关注和研究。识别症状性斑块对于病人的治疗和预后有着至关重要的作用。随着技术的发展,人们研究了症状性斑块与狭窄程度、斑块成分等的相关性,并且很多学者也研究了先进的成像技术在探究症状性颈动脉斑块方面的应用。近几年,血管周围脂肪对动脉粥样硬化斑块的形成和促进的观点引发了新颖性、创新性的关注,并且其可以无创性的反映斑块的危险程度。血管周围脂肪衰减指数在冠状动脉中已经被认为是易损动脉斑块的敏感性生物标志物。然而,其在颈动脉斑块中的研究应用尚不清楚。目的本研究旨在探讨通过计算机断层血管成像(Computed tomography angiography,CTA)中血管周围脂肪组织的密度变化与脑血管症状之间的关系。材料与方法回顾性分析2019年1月至2021年3月于本院接受颈动脉CTA检查的患者206例(平均年龄63.9±7.9岁,男性145例),其中有症状组102例,无症状组104例。在该人群中,分析了 206个引起狭窄的颈动脉斑块。如果患者在颈动脉供血区域发生短暂性脑缺血或卒中,则认为患者为有症状。如果患者在过去6个月内没有脑血管症状,则认为患者为无症状。对于症状组斑块,选择症状侧颈动脉狭窄程度最严重的斑块。对于无症状组,我们选择了无症状患者中颈动脉狭窄程度最严重的斑块。通过使用独立样本t检验和χ2检验比较两组斑块之间的临床信息和颈动脉斑块影像特征。采用广义估计方程校正的Logistic回归分析计算颈动脉血管周围脂肪密度(perivascular fat density,PFD)在区分颈动脉无症状斑块和症状斑块方面的优势比和相应的95%置信区间。通过两种模型分析PFD与脑血管症状之间的关联:模型1包括高脂血症,他汀类药物使用和抗血小板药物使用,而模型2调整为高脂血症,他汀类药物使用,抗血小板药物使用,斑块钙化,管腔狭窄程度,最大斑块厚度和溃疡。对PFD进行受试者操作特征曲线分析以区分症状性颈动脉斑块和无症状性颈动脉斑块的诊断效能。计算最佳截止值以获得曲线下的最大面积,并针对该阈值计算灵敏度和特异度。结果206例受试者中,49.5%(102例患者)出现脑血管症状。与无症状的颈动脉斑块相比,有症状的斑块钙化发生率更高(97.1%vs 76.9%;P<0.001),溃疡发生率更高(15.7%vs2.9%;P=0.001),具有更重的狭窄程度(44.8±16.6%vs 32.2±29.1%;P<0.001),最大斑块厚度更大(3.9±1.2mm vs 2.8±0.8mm;P<0.001)。有症状的颈动脉斑块比无症状的斑块有较高的 PFD(-55.0±10.0 HU vs-68.0±10.3 HU;P<0.001)。单因素 logistic 回归分析显示PFD(OR,1.14;95%CI,1.10-1.18;P<0.001)与脑血管症状密切相关。多个因素回归分析显示,尽管调整了高脂血症,他汀类药物使用和抗血小板药物使用(模型1),PFD(OR,1.14;95%CI,1.10-1.19;P<0.001)与脑血管症状之间的关联仍然具有统计学意义。再进一步调整斑块钙化程度,管腔狭窄程度,最大斑块厚度和溃疡(模型2)后,PFD(OR,1.13;95%CI,1.07-1.19;P<0.001)仍与脑血管症状显著相关。受试者操作特征曲线揭示了通过使用PFD测量来区分症状性和无症状性斑块的曲线下面积是0.81,灵敏度为87.3%,特异度为60.6%。结论本研究评估了 CTA上颈动脉斑块周围脂肪组织密度与脑血管症状之间的相关性。CTA血管周围脂肪密度可作为症状性颈动脉斑块的影像学标志物,是脑血管症状的独立预测因子。这些发现为早期动脉粥样硬化疾病的预防和治疗干预提供了新的见解。研究背景颈动脉粥样硬化是脑血管疾病的主要原因之一,目前,全球因为此病患病率升高,引起了越来越多的关注和研究。识别症状性颈动脉斑块对于病人的治疗和预后有着至关重要的作用。通过影像确定颈动脉斑块易损性和风险分层对影像学医师的诊断水平有较高的要求,需要诊断医师熟练掌握各种高危斑块的特征,但影像医生诊断还是靠视觉等主观方法判断,无法掌握所有的病灶微观信息。影像组学作为大数据时代的新兴学科,融合了数字、大数据、影像信息、统计学和人工智能等方法,对影像信息由计算机进行客观观察和评价,为颈动脉粥样斑块的研究提供了新的方法。目的探讨基于CT影像组学列线图鉴别症状性和无症状性颈动脉斑块的价值,并评估列线图的诊断效能和临床应用价值。材料与方法我们于2019年1月至2021年4月在本院收集了疑似颈动脉粥样硬化进行了颈动脉CTA检查患者。最终纳入193名病人,分为有症状组(n=93,74名男性和19名女性;平均年龄63.5±7.1岁)和无症状组(n=100,62名男性和38名女性;平均年龄64.0±8.8岁)。如果患者在颈动脉供血区域发生短暂性脑缺血或脑卒中,则认为患者为有症状。如果患者在过去6个月内没有脑血管症状,则认为患者为无症状。对于症状组患者,选择症状侧颈动脉狭窄最严重处的斑块。对于无症状组,我们选择无症状患者中颈动脉狭窄最严重处的斑块。收集两组入组人员的病历和临床数据等资料,包括年龄、性别、是否有高血压、血脂是否正常、血糖情况、是否有吸烟史、冠心病,以及抗高血压和他汀类药物使用等情况。采用单变量分析比较两组临床因素(包括临床数据和CTA斑块特征)的差异。然后,采用多变量logistic回归分析,以单变量分析中的显著变量作为输入(P<0.05),建立临床因素模型。从CTA图像中提取斑块影像组学特征,构建影像组学模型并计算影像组学评分(Rad-score)。通过结合Rad评分和独立临床因素构建了组学列线图。通过受试者操作特征曲线进行评估三种模型的诊断性能,通过校准曲线对列线图进行内部训练集及内部验证集验证,最后用统计软件做出决策曲线,分析我们研究的临床应用价值。结果性别、高脂血症、斑块钙化、管腔狭窄程度和最大斑块厚度在训练集单因素数据分析中显示出两组之间存在显著差异(P<0.05)。多变量逻辑回归分析表明,在临床因素模型中,只有斑块钙化和最大斑块厚度仍然是独立的预测因子,因此用斑块钙化和最大斑块厚度构建临床因素模型。在从CTA图像中提取的234个斑块影像组学特征中,221个显示出良好的观察者间和观察者内一致性表现,组内和组间相关系数≥0.75。通过方差分析,117项影像组学特征显示有症状和无症状颈动脉斑块之间存在显著差异。在117个影像组学特征中,93个稳定的影像组学特征被selectkbest方法保留。这些特征随后用最小绝对收缩和选择算子(Least absolute shrinkage and selection operator,LASSO)进行降维分析,以选择最有价值的特征。24个最显著组学特征被选择,构建影像组学特征模型,并计算Rad评分。在训练集中,有症状组和无症状组之间的Rad评分存在显著差异(0.30±0.24vs.-0.28±0.22;P<0.001),随后在验证集中得到确认(0.40±0.22vs.-0.34±0.18;P<0.001)。在训练集中,列线图(曲线下面积[area under the curve,AUC],0.980;95%置信区间[confidence interval,CI],0.962-0.995)和影像组学特征模型(AUC,0.976;95%CI,0.956-0.993)显示出比临床因素模型(AUC,0.845;95%CI,0.790-0.897)更好的辨别能力(P<0.001和P<0.001)。在验证集中,列线图(AUC,0.977;95%CI,0.869-0.983)比临床因素模型(AUC,0.862;95%CI,0.675-0.862)和影像组学特征模型(AUC,0.944;95%CI,0.762-0.929)表现更好(P=0.017 和P=0.031)的鉴别诊断能力。校准曲线和Hosmer-Lemeshow测试在训练集(P>0.05)和验证集(P>0.05)都显示出良好的校准。结论在这项研究中,我们构建并验证了基于CT的影像组学列线图,该列线图结合了影像组学特征和临床因素,用于识别症状性颈动脉斑块。与临床因素模型和影像组学特征相比,影像组学列线图表现出更好的性能,并可能作为一种无创性的高效能工具,帮助患者进行临床诊断和决策。