基于可視化臨床影像模型預測冠狀動脈易損斑塊的價值

摘要：目的" 探討基于臨床影像征象和影像組學聯合模型對冠狀動脈易損斑塊發生的預測價值，并通過Shapley算法對模型進行可視化分析。方法" 回顧性收集2016～2020年南方醫科大學順德醫院確診冠心病并且行2次CCTA檢查的患者383例，提取相應區域的影像組學特征。使用多步聯合方法篩選出各區域最佳特征后進行聯合建模。通過Logistic回歸方法篩選重要臨床影像征象，最后構建可解釋的XGBoost臨床影像模型。利用Shapley算法對模型分別進行可視化和特征貢獻度解釋。結果" 相比單區域影像組學模型，多區域影像組學模型展現出更高的預測性能（AUC=0.701）。結合重要臨床影像征象的聯合模型性能進一步提高（AUC=0.885）。利用Shapley分析算法對特征重要性進行解析，前6個組學特征對模型結果預測具有貢獻度，Shapley熱圖算法實現了易損斑塊發生的預測推演可視化過程。結論" 臨床影像組學聯合模型對冠狀動脈易損斑塊的預測具有較高的準確性和泛化性。可解釋機器學習算法的可視化保障了模型的實用性，為臨床制定針對性治療方案提供了一種無創工具。

關鍵詞：冠狀動脈疾病；易損斑塊；影像組學；機器學習；無創評估模型

Value of using visual clinical imaging models to predict vulnerable coronary artery plaques

YE Huiying， ZHANG Rong， LIU Ziwei， HU Qiugen

Department of Radiology， Shunde Hospital， Southern Medical University （The First People's Hostital of Shunde）， Foshan 528308， China

Abstract： Objective To explore the predictive value of a combined model based on clinical imaging features and radiomics for the occurrence of vulnerable coronary artery plaques， and visualize the model through Shapley algorithm for further analysis. Methods A retrospective study was conducted on 383 patients diagnosed with coronary heart disease and who underwent two CCTA examinations at Shunde Hospital of Southern Medical University from 2016 to 2020. Radiomics features were extracted from the corresponding regions of interest. A multi-step combined method was used to select the best features from each region for joint modeling. Logistic regression was employed to select important clinical imaging features， and an interpretable XGBoost clinical imaging model was constructed. The Shapley algorithm was utilized to visualize the model and interpret the feature contributions. Results Compared with single-region radiomics models， multi-region radiomics models demonstrated higher predictive performance （AUC=0.701）. Combining important clinical imaging features with the joint model improved the performance even further （AUC=0.885）. By analyzing the feature importance using the Shapley analysis algorithm， it was found that the first six radiomics features contributed significantly to the model's predictive results. The Shapley heatmap algorithm visualized the prediction process of vulnerable plaque occurrence. Conclusion The clinical radiomics combined model shows high accuracy and generalizability in predicting vulnerable coronary artery plaques. The visualization of interpretable machine learning algorithms ensures the practicality of the model， providing a non-invasive tool for the development of targeted treatment plans in clinical practice.

Keywords： coronary artery disease; vulnerable plaques; radiomics; machine learning; non-invasive evaluation model

急性冠脈綜合征（ACS）是一種嚴重的心血管疾病。易損斑塊是冠狀動脈內一種具有特定結構和特征的病變，其易發生破裂或潰瘍，并引發急性心臟事件的風險較高［1， 2］。易損斑塊的破裂或潰瘍化可能導致血小板聚集、血栓形成，進而阻塞冠狀動脈，這包括炎癥反應增加、纖維帽破裂、斑塊潰瘍形成等，進而促使斑塊破裂或潰瘍，釋放內部炎癥介質、凝血因子等物質進入血管腔。以上因素共同作用，增加了急性心臟事件（如心肌缺血、心肌梗塞）的發生風險。研究證明，單純依據冠狀動脈狹窄的程度進行風險評估是不充分的，即使狹窄的程度較輕，具有易損斑塊的人群亦有較高的心血管事件風險［3］。及早識別和評估易損斑塊，明確相關危險因素，并進行適當的治療和干預，對預防心血管不良事件的發生具有重要意義。

易損斑塊的影像學特征包括低密度斑塊、正性重構、點狀鈣化和餐巾環征。研究報道，針對這4個影像征象的識別，對預防ACS事件的發生具有重要意義［4， 5］。影像組學作為高通量提取影像學特征，能夠更深度的挖掘疾病的與影像的關系［6］，從而輔佐臨床診斷。有研究指出，與2位獨立的冠狀動脈計算機斷層掃描血管造影（CCTA）圖像解讀者相比，由冠狀動脈斑塊影像組學特征構建的機器學習模型可以更準確地判斷心肌梗死的存在；此外，斑塊影像組學在識別以血管內超聲作為金標準的易損斑塊時，同樣展出較高性能。然而，影像組學機器學習的“黑箱子”模式影響醫生對其結果的信任，且預測模型的內在決策機制和推演過程尚不清晰，這限制了模型的推廣應用。Shapley算法作為一種來自博弈論的局部解釋方法，該方法使用基于包含特定特征的所有可能特征子集組合的預測模型，量化每個特征對預測模型的貢獻度，從而演示每個案例的決策過程［7-9］。目前，國內通過利用Shapley可視化斑塊影像組學機器學習的文章未見報道。本研究通過機器學習算法，挖掘與易損斑塊密切相關的影像組學特征，并聯合臨床特征，基于Shapley算法構建可視化、可解釋、無創的易損斑塊評估體系，旨在為臨床對冠心病患者進行個體化風險管理提供一種無創工具。

1" 資料與方法

1.1" 一般資料

選擇南方醫科大學順德醫院2016年1月～2020年12月行2次CCTA檢查的383例冠心病患者，男性217例，女性166例，年齡64.56±9.73歲。納入標準：經2次CCTA檢查，且患者首次CCTA檢查時未發生易損斑塊；病變主要分布于三支主要冠脈；臨床資料完善、患者CCTA 圖像符合診斷要求的患者。排除標準：近期發生急性心肌梗死、心源性休克、嚴重心力衰竭的患者；伴嚴重的肝腎功能不全或者血小板功能不全的患者；既往行冠狀動脈旁路移植的患者；臨床資料不全、CCTA 圖像質量不符合診斷要求的患者。本研究獲得南方醫科大學順德醫院醫學倫理委員會批準（審批號：202100134），回顧性研究免除患者知情同意書。

1.2" 圖像采集

所有患者均采用西門子SOMATOM Definition Flash雙源CT掃描設備進行掃描。所有患者在掃描前2～3 min舌下含服0.5 mg硝酸甘油以擴張冠狀動脈，同時對患者進行呼吸訓練。患者取仰臥位，采用回顧性或前瞻性心電門控技術掃描，掃描范圍從主動脈弓至心尖部，包完整個心臟。掃描參數：管電壓120 kV，智能管電流，準直器寬度128×0.6 mm，層厚3 mm，重建層厚0.75 mm，層間距0.5 mm，旋轉時間0.53 s/r。利用雙筒高壓注射器經患者外周靜脈團注30～50 mL非離子型對比劑碘普羅胺（含碘370 mg/mL，德國拜耳先靈醫藥公司），注射流率4.0 mL/s。采用人工智能觸發掃描系統確定延遲時間，興趣區選取在升主動脈，注射對比劑后當CT值達到80 Hu即觸發掃描。

1.3" 圖像分析及影像組學特征提取

對所有患者均采用第1次CCTA檢查的圖像進行分析。使用西門子Syngo.viaVB10后處理工作站對所有患者的圖像進行重建處理及分析。通過橫截面、最大密度投影、多平面重建和曲面重建4種模式對病變段進行分析。

根據指南，易損斑塊陽性被定義為至少存在2種高危斑塊特征，這些特征包括低密度斑塊、正性重構、點狀鈣化和餐巾環征［10］。

采用多平面重建與曲面重建，結合原始橫斷面圖像分析狹窄程度、冠狀動脈周圍脂肪衰減系數（FAI）。狹窄程度測量規則：冠狀動脈狹窄程度分級標準：無狹窄（0）、輕微狹窄（1%～24%）、輕度狹窄（25%～49%）、中度狹窄（50%～69%）、重度狹窄（70%～99%）、完全閉塞（100%）。FAI定義為取血管近端0～40 mm的冠狀動脈周圍FAI的平均值。測量方法：冠周脂肪組織定義為離冠狀動脈外壁徑向距離等于節段直徑的一層脂肪組織，其測量長度與冠脈病變長度相一致，左主干部位因長度和脂肪分布變異較大而未進行冠周FAI測量。在冠狀動脈多曲面重建圖上，勾畫出致動脈狹窄的犯罪斑塊范圍，并在斑塊旁勾畫冠周脂肪組織。脂肪的CT值設定為-190～-30 Hu，當CT閾值和測量范圍參數定義完畢后，后臺在圖像上自動分割測算。當2位高年資放射科診斷醫師測量數據存在差異時，對測量方法和測量位置進行協商。

靶區勾畫和特征提取：由1位工作經驗10年的放射科診斷醫生對這383例患者的CCTA圖像進行評估，選擇適合勾畫的最佳期相的圖像導入開源軟件3DSlicer中，第一步確定病變整體邊界，采用手動勾畫的方法從橫斷位開始勾畫，并從三維重建的冠狀位、矢狀位逐層進行靶區勾畫矯正，確保3個方向上的興趣區（ROI）不超過病灶范圍；由另一位工作經驗5年的放射診斷醫生對目標靶區進行勾畫，用于后面影像組學特征的一致性評估，對靶區圖像進行標準化和1：1：1的重采樣，binwidth值取25。采用3DSlicer的內嵌的PyRadiomics模塊對靶區進行影像組學提取，包括直方圖（一階統計特征）、形狀特征（三維和形狀）、灰度區域大小矩陣、灰度共生矩陣、灰度依賴矩陣等灰度特征、Wavelet濾波特征和高斯濾波轉換特征。采用組內相關系數（ICC）評估組學特征一致性，ICCgt;0.75被認為一致性較好。

1.4" 影像組學特征篩選及模型構建

按照7：3的比例隨機分為訓練組和內部驗證組。為了避免模型擬合過度和提高模型的泛化性，我們對提取的影像組學特征進行了由粗到細的特征篩選。單因素分析：采用秩和檢驗篩選顯著特征，以Plt;0.05為顯著特征；相關性分析：進行Spearman相關性分析，以降低特征之間冗余度，刪除相關性大于0.8的特征；彈性網絡回歸分析：為防止模型出現過度擬合現象，采用彈性網絡-Logistic模型對重要建模特征進行篩選。隨后建立彈性網絡-Logistic模型對三區域影像組學特征進行聯合分析，最終篩選出17個特征。

1.5" 臨床影像模型構建

對臨床因素和影像征象進行單因素Logistic回歸分析篩選Plt;0.05的顯著因素，隨后進行多因素Logistic分析確定冠狀動脈易損斑塊的形成相關的重要危險因素并完成臨床模型的構建。采用XGBoost、隨機森林（RF）、Bayes gaussian、K鄰近分類算法（KNN）等機器學習算法構建臨床影像聯合模型，通過調節算法內樹的數量、深度、學習率等參數進行模型訓練，分別得到各自算法的最優模型，通過評估模型的ROC曲線下面積（AUC）、準確度、敏感度、特異度，得到最優算法下的最優模型。

1.6" 通過Shapley對預測模型進行可解釋性分析

使用SHAP方法對模型進行后處理，以提供預測易損斑塊發生背后的推理，并解釋每個特征對模型性能的影響。通過 Shapley 值產生了一個從上到下的特征順序，重要性遞減，然后基于驗證集計算特征對預測的影響的分布，并使用 SHAP 匯總曲線圖進行顯示。

1.7" 統計學分析

采用R4.13和Python Anaconda進行統計學分析。采用Shapiro-Wilk檢驗計量資料是否滿足正態分布，若計量資料滿足正態分布以均數±標準差表示，組間比較采用獨立樣本t檢驗；非正態分布的數據以中位數和四分位數表示，組間比較采用Mann-Whitney U檢驗；計數資料以n（%）表示，組間比較采用χ2檢驗或Fisher精確檢驗。分別進行組間相關系數分析、單因素分析、相關性分析、Elastic-Logistic回歸分析、ROC曲線分析。采用AUC來評估臨床模型、XGBoost模型及聯合模型的效能，采用約登指數計算模型的準確度、敏感度及特異度。在Python Anaconda中使用pycaret、sklearn包完成XGBoost、RF、Bayes gaussian、KNN機器學習模型構建以及Shapley模型可解釋性分析。以Plt;0.05為差異有統計學意義。

2" "結果

2.1" 臨床資料

383例冠心病患者中，268例被隨機分配到訓練集，115例被隨機分配到驗證集，患者臨床資料（表1）。

2.2" 影像組學特征選擇篩選及模型構建

從CCTA圖像上提取279個影像組學特征，其中RCA、LCX、LAD各區域特征數均為93個。經特征篩選分析，各區域分別保留了6、11、11個組學特征。在單區域模型中，LAD區域模型表現出了最好的預測效能，AUC=0.675。聯合三區域影像組學特征建立彈性網絡-Logistic模型，再次通過10次交叉驗證計算出最大AUC所對應的Lambda值（-2. 168）實現特征的篩選（圖1），最終篩選出17個影像特征。基于這17個特征構建1種多區域影像組學模型，表現出了更高的模型性能，AUC=0.701。

采用XGBoost、RF、Bayes、KNN等多種機器學習算法對彈性網絡得到的影像組學特征進行建模分析，采用網格搜索法+十折交叉驗證方法進行模型參數優化，得到另外4種多區域影像組學模型。模型性能分析顯示，在訓練集和驗證集中，XGBoost模型對易損斑塊的形成具有更強的預測效能，AUC分別為0.766和0.750（表2）。

單因素加多因素分析顯示，LCX冠狀動脈周圍FAI、病變血管狹窄程度和殘余膽固醇水平為易損斑塊形成的重要危險因素（表3）。

2.3" 臨床影像組學模型的建立及性能評估

對重要的臨床影像征象進行XGBoost機器學習建模分析，得到臨床影像組學聯合模型。通過模型性能分析發現，在訓練集和驗證集中，相比于影像組學模型，聯合模型對易損斑塊的形成具有更強的預測效能，AUC分別為0.885和0.804（表4、圖2）。

2.4" 針對影像組學模型解釋和可視化

XGBoost算法只納入了6個特征，這6個特征分別是LAD_RunVariance、LAD_DifferenceEntropy、LCX_

Autocorrelation、LCX_Busyness、LCX_GrayLevelNon

Uniformity.2、RCA_InverseVariance，其中LAD_RunVariance對于易損斑塊的評估是最為重要的，RCA _InverseVariance次之（圖3）。Shapley蜜蜂圖描述了LAD_RunVariance、LAD_DifferenceEntropy、LCX_Au

-tocorrelation、LCX_Busyness、LCX_GrayLevelNonUniformity.2、RCA _InverseVariance等6個因素對易損斑塊發生預測的貢獻情況（圖4）。

2.5" 影像組學模型模型應用案例分析

3例冠心病患者的Shapley力圖顯示：患者1：64/M，LCX_GrayLevelNonUniformity. 2為4088.403， LAD_

RunVariance為1.67，RCA _InverseVariance為0.433，LCX_Busyness為36.801，LCX_Autocorrelation為33.079，預測結果為容易發生易損斑塊，與實際一致。患者2：63/F，LCX_GrayLevelNonUniformity.2為7572.482，LAD_RunVariance為1.271，RCA _InverseVariance為0.473，LCX_Busyness為111.491，LCX_Autocorrelation為1.457，模型預測為不容易發生易損斑塊，與實際一致。患者3：61/M，LCX_GrayLevelNonUniformity.2為3962.989，LAD_RunVariance為1.561，RCA_InverseVariance為0.467，LCX_Busyness為47.301，LCX_Autocorrelation為28.937，預測結果為不容易發生易損斑塊，與實際一致（圖5）。

3" 討論

ACS是一組由冠狀動脈供血急劇不足引起的心肌缺血，包括不穩定性心絞痛、非ST段抬高型心肌梗死和ST段抬高型心肌梗死等，以上這些情況通常由冠狀動脈斑塊破裂或潰瘍導致血栓形成而引起。有研究認為對于冠心病患者冠脈斑塊的檢測，其特征和性質在臨床診斷和預后評估中至關重要［11］。及時準確地診斷易損斑塊，評估斑塊的穩定性和易損性，對于預防急性冠脈事件的發生具有重要意義［12］。目前，數字減影血管造影作為診斷冠心病的“金標準”，但仍存在一定局限性，例如無法評估斑塊的性質、負荷情況以及區分鈣化斑塊、混合斑塊等［13］，同時存在一定的檢查和麻醉風險［14］。冠狀動脈CT血管造影目前是診斷疑似冠心病的首選［15］，其操作簡便、時間和空間分辨率高，可有效評估冠心病患者冠脈斑塊的穩定性［16］。本研究聯合冠狀動脈斑塊CCTA影像組學特征和傳統臨床影像征象因素，開發了一種可解釋的易損斑塊預測模型。Shapley熱圖算法將模型的推演過程進行了可視化，有助于直觀了解模型分析過程；另外，Shapley分析算法被用來實現了各特征對易損斑塊發生的預測貢獻情況可視化，這為臨床提供了一種準確、便捷的易損斑塊評估手段。

本研究經過臨床多因素分析，鑒別出殘余膽固醇水平、LCX冠狀動脈周圍FAI和病變血管狹窄程度為臨床重要危險因素。有研究顯示，高殘余膽固醇水平與心血管疾病發生風險增加之間存在著明確的關聯［17］。較高的殘余膽固醇水平意味著存在更多的膽固醇積聚在血管壁中，這增加了心肌梗死和缺血性心臟病發作的概率。殘余膽固醇是指非高密度脂蛋白膽固醇的一種類型，它會在體內富集并促進冠狀動脈粥樣硬化的形成和發展，本研究與既往研究［18］相似，表明當殘余膽固醇水平升高時，會導致冠狀動脈壁內脂質積聚增加，并進一步促進斑塊的形成。這些斑塊通常以脂質核心為主，周圍是具有高炎癥狀態的薄纖維帽，容易破裂形成血栓。此外，炎癥在ACS的發展過程中也發揮著重要作用。當冠狀動脈內的炎癥進展時，會引發病變區域的薄纖維帽破裂，導致血栓形成，從而導致嚴重的心血管事件。研究發現，對比非罪犯病變及穩定CAD患者中最狹窄的病變，ACS患者中罪犯病變的FAI值明顯增高［19］。本研究也得出相似結論，LCX-FAI為預測易損斑塊的獨立危險因素，是一個反映動脈粥樣斑塊易損性的指標，其值越高則代表著動脈粥樣斑塊易損性越高。此外，本研究發現病變血管狹窄程度作為評估冠狀動脈斑塊易損性的獨立危險因素，這與既往研究一致［20-22］。

本研究對不同區域的斑塊影像組學模型進行了對比分析，發現在單區域模型中，建模訓練組AUC分別為AUCLAD=0.675，AUCLCX=0.667，AUCRCA=0.633，表明LAD區域影像組學特征預測效能最佳。而在多區域聯合建模過程中，模型納入了8個LAD、5個LCX及4個RCA特征，將多區域影像組學特征聯合構建的多區域組學模型性能得到了改進，AUC=0.701。多區域聯合模型比單區域模型更有優勢，多模態影像組學建模是非常有優勢的。在此基礎上，利用多種機器學習算法完成臨床影像聯合機器學習模型的構建，發現XGBoost模型表現較好，模型性能得到了進一步地提高（AUC=0.885、0.804）。然而，盡管影像組學算法可以分析大量的冠脈成像數據，從中識別和評估易損斑塊［23-25］，但這些模型的復雜性和不確定性都會導致其結果缺乏可信度和可靠性。

通過Shapley圖形對模型進行解釋及可視化，展示每個特征對模型的影響，可以更清晰地理解模型決策背后的原因，并找出影響模型準確性的因素。這種技術的應用已經得到了初步的驗證［26， 27］。為了直觀理解易損斑塊預測模型的推演過程，本研究繪制了Shapley熱圖來實現模型的可視化。相比Nomogram，Shapley熱圖更為直觀地顯示出各特征對斑塊穩定性的影響程度。本研究顯示，LAD_RunVariance、LAD_DifferenceEntropy、LCX_Autocorrelation、LCX_Busyness、LCX_GrayLevelNonUniformity.2、RCA _InverseVariance被算法納入Shapley熱圖，其中某個特征對模型有正向貢獻，所以該特征與易損斑塊高度相關，但是仍然需要進一步的研究。此外，本研究還利用Shapley可解釋技術分析了不同特征對不同患者斑塊穩定性進展的預測貢獻度。

本研究通過Shapley蜜蜂圖分析發現，在訓練集和內部驗證集中，二者趨勢高度一致。其中，特征數值越大，顏色越接近紅色；反之，越接近藍色。如LAD_RunVariance的特征數值越大，Shapley值也越大，對預測易損斑塊的發生是正向影響。由結果可知LAD_RunVariance、LCX_Autocorrelation對易損斑塊的發生有正向影響，LAD_DifferenceEntropy、LCX_Busyness、LCX_GrayLevelNonUniformity.2、RCA_InverseVariance的影響是負向影響。Shapley力圖實現了患者特征的個性化解釋及可視化，臨床醫生不僅可以了解每個特征對個體患者的影響程度，還可以更深入地探索特征之間的相互作用［28］。總而言之，這種模型的可解釋性和可視化能力對于臨床醫生來說至關重要。它不僅提供了對預測斑塊穩定性的直觀理解，還揭示了預測中所使用的關鍵特征和其對結果的影響程度。通過這種解釋性的方法，將增強臨床醫生對模型的信心，推動影像組學在實際應用中的推廣。

本研究存在一定的局限性，一方面，本研究為單中心、回顧性研究，患者病例數較少，病例篩選存在選擇偏倚，未對模型進行外部驗證，需要進一步擴大樣本進行前瞻性研究；另一方面，未對患者隨訪進一步明確心血管事件的發生，缺乏更多對預后判斷的影像學證據。今后應增大樣本量在多中心開展研究，進一步驗證模型的性能。

綜上所述，本研究通過構建臨床影像組學模型，采用Shapley熱圖、Shapley解釋和可視化模型，可用于評估冠狀動脈斑塊易損性，具有較好的預測效能，可解釋機器學習算法可以幫助臨床醫生提高對易損斑塊治療及管理，可作為臨床對冠心病患者進行個體化風險管理的一種無創工具。

參考文獻：

［1］" "Bhatt DL， Lopes RD， Harrington RA. Diagnosis and treatment of acute coronary syndromes： a review［J］. JAMA， 2022， 327（7）： 662-75.

［2］" "Stefanadis C， Antoniou CK， Tsiachris D， et al. Coronary atherosclerotic vulnerable plaque： current perspectives［J］. J Am Heart Assoc， 2017， 6（3）： e005543.

［3］" "Narula J， Nakano M， Virmani R， et al. Histopathologic characteristics of atherosclerotic coronary disease and implications of the findings for the invasive and noninvasive detection of vulnerable plaques［J］. J Am Coll Cardiol， 2013， 61（10）： 1041-51.

［4］" "Ferencik M， Mayrhofer T， Bittner DO， et al. Use of high-risk coronary atherosclerotic plaque detection for risk stratification of patients with stable chest pain： a secondary analysis of the PROMISE randomized clinical trial［J］. JAMA Cardiol， 2018， 3（2）： 144-52.

［5］" "Williams MC， Moss AJ， Dweck M， et al. Coronary artery plaque characteristics associated with adverse outcomes in the SCOT-HEART study［J］. J Am Coll Cardiol， 2019， 73（3）： 291-301.

［6］" "Lambin P， Rios?Velazquez E， Leijenaar R， et al. Radiomics： extracting more information from medical images using advanced feature analysis［J］. Eur J Cancer， 2012， 48（4）： 441-6.

［7］" "Giraud P， Giraud P， Nicolas E， et al. Interpretable machine learning model for locoregional relapse prediction in oropharyngeal cancers［J］. Cancers， 2020， 13（1）： 57.

［8］" "Li R， Shinde A， Liu A， et al. Machine learning-based interpretation and visualization of nonlinear interactions in prostate cancer survival［J］. JCO Clin Cancer Inform， 2020， 4： 637-46.

［9］" "Rodríguez-Pérez R， Bajorath J. Interpretation of compound activity predictions from complex machine learning models using local approximations and shapley values［J］. J Med Chem， 2020， 63（16）： 8761-77.

［10］" Cury RC， Abbara S， Achenbach S， et al. CAD-RADSTM Coronary Artery Disease-Reporting and Data System. An expert consensus document of the Society of Cardiovascular Computed Tomography （SCCT）， the American College of Radiology （ACR） and the North American Society for Cardiovascular Imaging （NASCI）. Endorsed by the American College of Cardiology［J］. J Cardiovasc Comput Tomogr， 2016， 10（4）： 269-81.

［11］" 喬紅艷， 許棚棚， 盧佳慶， 等. 基于冠狀動脈CT血管成像的斑塊定量分析及血流儲備分數預測斑塊進展的研究［J］. 中華放射學雜志， 2020， 54（10）： 934-40.

［12］Williams MC， Hunter A， Shah ASV， et al. Use of coronary computed tomographic angiography to guide management of patients with coronary disease［J］. J Am Coll Cardiol， 2016， 67（15）： 1759-68.

［13］Elagha A， Khaled W， Gamal S， et al. Coronary computed tomography versus coronary angiography for preoperative coronary assessment before valve surgery［J］. Egypt Heart J， 2021， 73（1）： 63.

［14］" 王箬芃， 顧" 慧， 高" 艷， 等. 基于冠狀動脈CT血管成像斑塊定量分析探究甘油三酯葡萄糖指數與斑塊負荷及斑塊易損特征的相關性［J］. 中華放射學雜志， 2021， 55（11）： 1153-60.

［15］ Schmermund A， Eckert J， Schmidt M， et al. Coronary computed tomography angiography： a method coming of age［J］. Clin Res Cardiol， 2018， 107（S2）： 40-8.

［16］" 伍麗君， 許志強， 蘭" 斌. CT冠脈成像、超聲心動圖對冠心病患者左心室功能、冠脈斑塊穩定性的評估價值［J］. 中國CT和MRI雜志， 2022， 20（9）： 81-3.

［17］ Prati F， Investigators OBOC， Romagnoli E， et al. Relationship between coronary plaque morphology of the left anterior descending artery and 12 months clinical outcome： the CLIMA study［J］. Eur Heart J， 2020， 41（3）： 383-91.

［18］ 閆海浩， 張飛飛， 黨" 懿. 殘余膽固醇與急性冠脈綜合征患者易損斑塊特征的相關性研究［J］. 中國全科醫學， 2023， 26（26）： 3303-7， 3313.

［19］ Goeller M， Achenbach S， Cadet S， et al. Pericoronary adipose tissue computed tomography attenuation and high-risk plaque characteristics in acute coronary syndrome compared with stable coronary artery disease［J］. JAMA Cardiol， 2018， 3（9）： 858-63.

［20］" 曹紅巖， 蔡曉航， 孫國臣. CCTA及CT-FFR評估冠脈病變特異性缺血的價值觀察［J］. 中國CT和MRI雜志， 2023， 21（5）： 52-4.

［21］ Lee JM， Choi G， Koo BK， et al. Identification of high-risk plaques destined to cause acute coronary syndrome using coronary computed tomographic angiography and computational fluid dynamics［J］. JACC Cardiovasc Imaging， 2019， 12（6）： 1032-43.

［22］ Serruys PW， Hara H， Garg S， et al. Coronary computed tomographic angiography for complete assessment of coronary artery disease： JACC state-of-the-art review［J］. J Am Coll Cardiol， 2021， 78（7）： 713-36.

［23］ Chen Q， Pan T， Yin XD， et al. CT texture analysis of vulnerable plaques on optical coherence tomography［J］. Eur J Radiol， 2021， 136： 109551.

［24］ Lin A， Kolossváry M， Cadet S， et al. Radiomics-based precision phenotyping identifies unstable coronary plaques from computed tomography angiography［J］. JACC Cardiovasc Imaging， 2022， 15（5）： 859-71.

［25］ Chen Q， Pan T， Wang YN， et al. A coronary CT angiography radiomics model to identify vulnerable plaque and predict cardiovascular events［J］. Radiology， 2023， 307（2）： e221693.

［26］ Manikis GC， Ioannidis GS， Siakallis L， et al. Multicenter DSC-MRI-based radiomics predict IDH mutation in gliomas［J］. Cancers， 2021， 13（16）： 3965.

［27］ Wang YX， Lang JW， Zuo JZ， et al. The radiomic-clinical model using the SHAP method for assessing the treatment response of whole?brain radiotherapy： a multicentric study［J］. Eur Radiol， 2022， 32（12）： 8737-47.

［28］ Zhang J， Jin JB， Ai Y， et al. Computer tomography radiomics-based nomogram in the survival prediction for brain metastases from non-small cell lung cancer underwent whole brain radiotherapy［J］." Front Oncol， 2021， 10： 610691.

（編輯：孫昌朋）

基金項目：廣東省中醫藥局科研項目（20241312）；佛山市科技計劃項目（2220001005383）； 南方醫科大學順德醫院科研啟動計劃項目（SPSP2021021）

作者簡介：葉輝映，在讀碩士研究生，住院醫師，E-mail： 1239488878@qq.com

通信作者：胡秋根，碩士生導師，主任醫師，E-mail： hu6009@163.com