冠周脂肪影像组学的临床研究进展

王 芳，严高武，傅冬梅，付国勇，李 勇（通信作者）

（1 遵义医科大学 贵州 遵义 563000）

（2 遂宁市中心医院放射影像科 四川 遂宁 629000）

（3 成都中医药大学 四川 成都 610031）

冠心病仍是全球范围内人们死亡的主要原因之一[1]。由于冠状动脉CT 血管成像（coronary computed tomography angiography, CCTA）的无创性及高灵敏度，其已被广泛用于冠状动脉疾病的筛查[2-3]。近年来，冠状动脉周脂肪在冠状动脉疾病的发生、发展过程中起着不可忽视的作用。如今，由于机器学习（machine learning,ML）和人工智能（artificial intelligence, AI）在医疗领域的研究及应用，从而实现了对CCTA 感兴趣区高纬度特征的提取[4]。本文将简要介绍冠周脂肪衰减指数（fat attenuation index, FAI）概念、冠周脂肪在临床应用的研究，并总结影像组学在冠状动脉疾病的最新研究进展。

1 冠周脂肪

1.1 冠状动脉周围脂肪的概述

冠周脂肪组织（pericoronary adipose tissue, PCAT）是距离血管外壁与相邻冠状动脉直径相等的径向距离内的任何脂肪组织[5]。研究表明冠周脂肪组织与冠状动脉壁以双向方式相互作用，炎症动脉血管壁以旁分泌的方式释放促炎刺激因子抑制PCAT 前脂肪细胞的分化和脂质积累，从而导致从较低的水脂比转变为较高的水脂比[6]。FAI 是一种检测冠状动脉炎症的无创成像生物标志物[7]。Antonopoulos 等[6]使用FAI 对PCAT 的脂质含量进行描述。

1.2 冠周脂肪的临床应用

Oikonomou 等[8]通过测量左前降支、左回旋支近端40 mm、右冠状动脉10 ～50 mm 节段脂肪衰减指数，来量化血管周围炎症。研究结果表明FAI 最佳截止值是-70.1 HU。当FAI ≥-70.1 HU，心脏病死率会急剧升高。此外，有研究者发现，正常冠状动脉节段的FAI 明显低于病变的冠状动脉节段[9]，急性冠脉综合征的PCAT 值显著高于对照组[10]，高危斑块的FAI 值明显高于非高危斑块[11]。在临床疾病诊疗中，冠周脂肪与内分泌腺疾病及免疫疾病相关联[12-15]。Elnabawi 等[14]利用FAI 探讨了银屑病患者生物治疗与冠状动脉炎症两者间的联系。Xu 等[16]对他汀类药物治疗的患者进行研究，发现血管周围FAI 可作为潜在影像生物标志物，用以监测他汀类药物抗炎反应。然而，尽管FAI 能检测出血管炎症导致的PCAT 组成的变化，但其仅能检测出其在感兴趣区的平均密度，无法完整地反映出兴趣区内的细微结构特征。

2 影像组学的概述

影像组学是指从图像中高通量地提取大量影像信息，反映潜在病理生理的信息，实现分割、特征提取与模型建立，通过对海量影像数据信息进行更深层次的挖掘、预测和分析，辅助医生做出诊断和决策[17-18]。近来，一些研究者对PCAT 的影像转录组学进行了验证，并提出一种新的机器学习衍生的生物影像标志物——脂肪影像组学特征（fat radiomic profile, FRP）[19]。

3 冠周脂肪影像组学的临床研究进展

3.1 斑块识别

冠脉斑块破裂是导致急性冠状动脉综合征（acute coronary syndrome, ACS）的主要因素，早期识别易损斑块可降低未来主要不良心脏事件（major adverse cardiac events, MACE）的发生。基于CT 的影像组学可能改变对易损斑块的识别方式。Jiang 等[20]发现基于PCAT 平扫CT 图像的临床-放射组学联合模型对非钙化斑块和易损斑块有较好的诊断效果。Kolossváry 等[21]研究表明冠状动脉CTA 放射组学识别斑块的易损性优于传统的定量和定性高危斑块特征。Hu 等[22]发现基于CT 影像组学特征和临床危险因素建立的联合放射组学模型对预测冠状动脉钙化斑块具有较高的应用价值，可为临床决策提供参考。

3.2 血流动力学

Hu 等[23]分析了88 例接受CCTA 和有创血流储备分数测量的患者，建立常规模型与影像组学模型，研究结果表明定量放射组学分析有助于提高CCTA的诊断性能。Wen 等[24]探讨了PCAT 的放射组学特征对血流储备分数（fraction flow reservation, FFR）评价冠状动脉血流动力学显著性狭窄的诊断价值。结果显示CCTA 和决策树放射组学模型相结合的诊断性能（AUC：0.812）高于单独使用CCTA（AUC：0.599，P= 0.015）。

3.3 急性心肌梗死

Hinzpeter 等[25]对急性心肌梗死的CT 纹理进行了分析，研究提示心脏CT 纹理分析可用于区分健康心肌和急性心肌梗死。此外，Lin 等[26]的研究中提示急性心肌梗死患者和对照组之间影像组学特征有20.3%的差异显著，心肌梗死患者和稳定性冠心病患者之间差异有16.5%。利用机器学习建立的综合临床特征（风险因素、血脂、高敏C 反应蛋白）、FAI 和放射学参数的模型为急性MI 具有更好的区分能力。

3.4 心脏风险预测及预后的价值

Shang 等[27]将90 例急性冠脉综合征患者与1 496 例无心脏事件的患者在3 年的随访中进行配对，分别构建斑块评分、影像组学评分及综合评分三个模型。研究发现放射组学评分识别未来急性冠脉综合征优于斑块评分。Tesche 等[28]在对预测MACE 模型建立的研究中发现，ML 模型的判别能力[AUC 0.96（95%CI：0.93 ～0.98）]高于常规CT 风险评分[AUC 0.84（95%CI：0.80 ～0.87），均P＜0.05]。研究提示与传统的CT 风险评分、不良斑块测量和临床信息相比，ML 模型的集成改善了MACE的长期预测模型。

4 总结与展望

随着人工智能及机器学习技术的进步，基于冠周脂肪的影像组学已经展现了潜在的应用价值。影像组学作为一种新的定量分析方法，通过与机器学习技术的结合，为冠心病临床诊疗决策提供更丰富的影像信息。FAI 作为一种新的无创成像生物标志物，联合人工智能及机器学习技术的应用，未来可能在冠状动脉疾病个体化危险分层、药物治疗及远期预后具有前景。