基于冠狀動脈造影的影像組學列線圖在預測擇期冠脈介入無復流中的應用研究

[中圖分類號]R541.4 [文獻標志碼]A [文章編號] 1674-7887（2025）04-0332-06

Application studyofcoronaryangiography-based radiomicsnomogramin predicting no-reflow phenomenon during elective PCI*

XUPeishu，2*#，，YAOLihong*，LIU Hu，CAO Xinnan2，CHENYufeng2，ZHUO Jian’，FANMengkang1，，SHENGHongzhuan*** （DepartmentofCardiology，Afiliated Hospitalof Nantong University，Jiangsu 226OO1; Medical Schoolof Nantong University）

[Abstract]Objective：Developmentofacoronaryangiography-basedradiomics nomogramforpredicting intraproceduralnoreflowriskduring electivepercutaneouscoronaryintervention（PCI）.Methods：Thisretrospectivestudyenrolled88patients undergoingelectivePCIandomlyalocatedintoatrainingset（62cases）andvalidationset26cases）.Radiomicsfeatures etracted frompreproceduralangiographicimageswereanalyzed throughunivariatescreeningandLASSOregresiontoidentifykey predictors.Theseselectedfeatureswereintegratedwiththeindependentclinicalrisk factortoconstructthenomogrammodel. Model performancewassystematicallyevaluatedusing ROC curveanalysis，F1-score，and decisioncurve analysis（DCA）. Results：Theradiomicsnomogram demonstratedsuperior predictiveperformance，with AUCof O.897（O.816-0.978）in the trainingsetand0.810（0.64-0.979）inthevalidationset，ouperforingboththeclinical-onlymodel（0.77.696andadioics only model（0.792-0744）.ItalsoachievedahigherF1-score（0696）comparedwiththeclinical-onlymodel0.692）andradiic onlymodel（0.545）.DCAfurthervalidateditsclinicalutility.Conclusions：Theradiomics-basednomogramderivedfrom coronaryangiographydemonstratessuperiorpredictiveperformance comparedwithclinical-onlyandradiomics-onlymodels， enabling more effective risk stratification of no-reflow during elective PCI.

[Key words] acute coronary syndrome; no-reflow;percutaneous coronary intervention; radiomics

經皮冠狀動脈介人治療（percutaneouscoronaryintervention，PCI）已經成為處理冠狀動脈粥樣硬化性心臟病（以下簡稱冠心病）的重要治療手段之一。PCI中的常見并發癥一無復流現象可使患者術后發生重大心血管事件風險顯著升高4＼～6倍2-3]。目前臨床通過介入術后的心肌梗死溶栓治療（thrombolysis inmyocardialinfarction，TIMI血流分級、心肌呈色分級或心臟MRI等評估“無復流”，缺乏有效的術前預測工具，導致無法針對高危患者實施預處理，嚴重影響手術安全性及患者預后

影像組學技術近年成功應用于冠狀動脈CT血管成像鈣化量化、心臟MRI預后評估等領域[5-。本研究創新性地提出基于術前冠狀動脈造影影像組學特征，結合臨床危險因素，構建擇期PCI無復流預測模型，并評估該模型在預測擇期PCI術中無復流的可靠性。

1對象與方法

1.1研究對象回顧性納入2021年3月—2022年9月在南通大學附屬醫院行擇期PCI的急性冠狀動脈綜合征（acute coronary syndrome，ACS）患者，采用病例對照研究方法，根據術中是否發生無復流現象分為兩組：病例組為發生無復流的ACS患者，對照組按1：1比例匹配同期未發生無復流的ACS患者。納入標準：（1）發病 24h 內未行急診經皮冠狀動脈介人治療（primary percutaneous coronary intervention， PPCI）的患者；（2）首次接受PCI治療且無冠狀動脈旁路移植手術史;（3）PCI成功處理罪犯血管。排除標準：（1）PCI圖像質量不佳；（2）臨床資料不完整。最終共納入88例患者，其中病例組44例，對照組44例。研究方案經南通大學附屬醫院醫學倫理委員會批準（批號：2023-K098），所有患者均簽署知情同意書。

1.2實驗流程與方法

1.2.1PCI治療所有PCI操作及圍術期管理均嚴格遵循最新臨床指南。術前常規給予負荷劑量抗血小板治療（阿司匹林 300mg 聯合氯吡格雷 300mg 或替格瑞洛 180mg） 及標準化抗凝方案。手術由高年資介人心臟病學專家團隊完成。

1.2.2數據收集 （1）基線資料：包括人口學特征（性別、年齡）既往病史（高血壓、糖尿病、腦卒中、心房顫動）、吸煙史及術前生命體征（SBP、DBP）。（2）實驗室指標：總膽固醇、三酰甘油、低密度脂蛋白、肌酐、肌鈣蛋白I（cardiac troponinI，cTnI）、氨基末端腦利鈉肽前體（N-terminal pro-B-type natriuretic peptide， NT-proBNP）;手術參數：手術時長、罪犯血管位置。（3）無復流現象由兩名獨立介人心臟病學專家采用TIMI血流分級系統判定，定義：排除血管痙攣、血栓、殘余狹窄及解剖異常后，PCI術后靶血管TIMI血流 ?2 級。1.2.3圖像預處理和影像組學特征提取 （1）圖像分割：兩名介人專家采用3DSlicer軟件對靶血管造影圖像進行手動分割，選取切線投照體位影像；（2）特征提取：通過SlicerRadiomics模塊提取影像組學特征，包含形狀特征（14個）及紋理特征（GLCM、GLRLM等93個）。

1.2.4特征選擇及單純影像組學模型構建采用兩步特征篩選策略降低過擬合風險：（1）單因素分析：通過方差分析篩選組間差異顯著的特征 （Plt;0.05） 5（2）LASSO回歸：應用最小絕對收縮與選擇算子算法，采用1-SE準則優化正則化參數入，保留系數非零特征。基于篩選特征構建單純影像組學模型，并通過線性加權生成影像組學評分（Rad-score）。

1.2.5影像組學列線圖構建及模型評估將Rad-score與獨立臨床危險因素納入多因素Logistic回歸，構建影像組學列線圖預測模型。通過校準曲線評估預測概率與實際觀測值的一致性，并計算列線圖綜合評分（Nomo-score）量化個體風險7。

1.2.6評估模型的判別能力 （1）判別能力：通過ROC曲線AUC比較臨床模型、影像組學模型及列線圖的區分度；（2）綜合性能：采用F1分數（精確率與召回率的調和平均數）評估模型平衡性;（3）臨床效用：通過決策曲線分析（decisioncurveanalysis，DCA）量化不同風險閾值下的臨床凈獲益。

1.2.7統計學方法使用R4.2.2軟件進行分析，顯著性閾值設為 Plt;0.05 。分類變量采用 χ² 檢驗或Fisher精確檢驗，連續變量采用獨立樣本 χ_t 檢驗。關鍵R包包括：（1）模型構建：“glmnet\"包（LASSO 回歸）和\"rms\"包（列線圖）；（2）效能評估：“pROC\"包（ROC分析）和“rmda\"包（DCA）;（3）可視化：\"ggplot2\"包（圖形繪制）[8]。

2結果

2.1臨床模型的建立本研究最終納入88例接受擇期PCI治療的ACS患者，采用R軟件按7：3比例隨機分為訓練集 （n=62） 與測試集 （n=26） ，見表1。單因素分析顯示在訓練集中，年齡、總膽固醇、低密度脂蛋白、cTnI、NT-proBNP及術前SBP的組間差異均有統計學意義（均 Plt;0.05

為全面評估潛在預測因素并避免單變量篩選偏倚，所有基線變量（包括性別、年齡、病史、實驗室指標及手術特征等）均納人模型構建。基于訓練集數據，采用LASSO回歸模型結合10折交叉驗證進行變量篩選及模型優化。交叉驗證結果顯示，當正則化參數 λ 取1個標準誤內最優值（lambda.1se=0.1761416）時，僅保留1個非零系數特征（圖1）。通過R軟件輸出結果，僅 cTnI 作為臨床模型中有效預測因子。

注：LAD，冠狀動脈左前降支（leftanteriordescendingartery）;LCX，冠狀動脈左回旋支（leftcircumflex artery）;RCA，右冠狀動脈（right coronary artery）。

注： ^A，X 軸為對數正則化參數 （Logλ），Y 軸為均方誤差（mean-squareerror，MSE）。曲線顯示，隨著 Log（λ） 減小 （λ 降低），MSE逐漸下降并趨于穩定，表明模型擬合能力隨正則化強度減弱而提升。右側虛線標注通過1-SE準則選擇的最優入值（0.176 1416），灰色陰影為10折交叉驗證的MSE置信區間 ΠB，X 軸為 Logλ，Y 軸為特征系數值頂部橫軸為非零系數數量。曲線展示各影像組學特征的系數隨入增大的壓縮過程：當 λ 提升（右移）時，冗余特征系數被逐步壓縮至零，最終僅保留1個非零系數特征（虛線對應 λ= 0.176 1），實現特征高效篩選。

2.2影像組學特征標識的選擇和Rad-score分數計算本研究提取的影像組學特征經觀察者間和觀察者內一致性驗證后，通過單因素方差分析篩選出47個組間差異顯著特征 （Plt;0.05） 。進一步采用LASSO回歸模型（正則化參數 λ=0.1896，1-.5 E準則）最終確定低灰度游程優勢（low gray level run emphasis，LGLRE）作為有效預測因子（圖2）。該特征通過量化圖像中低灰度值的空間分布特征，反映組織微結構異質性，其數值升高提示低灰度值區域聚集。基于此構建的影像組學評分公式為 ：Rad-score=0.3345+（LGLRE× 0.4151）。訓練集與測試集中無復流組的Rad-score均顯著高于未發生無復流組 （Plt;0.05） （表2）。

2.3影像組學列線圖的構建LASSO回歸分析證實， cTnI 水平升高是PCI術后發生無復流現象的獨立危險因素 OR=1.32 ，95%CI：1.12＼～1.58）。通過整合cTnI 與Rad-score構建影像組學列線圖（圖3A），其預測方程表述為： Nomo-score=-75+（250×Rad- s c o r e ） + （ 3 5 . 5 7 ×"c T n I ） "。該模型通過視覺化評分系統量化個體風險，臨床醫師可通過累加各變量對應得分，在總評分軸上直接讀取無復流發生概率。

模型驗證顯示，訓練集與測試集中無復流組的Nomo-score均顯著高于未發生無復流組（均 Plt;0.001） （表2）。校準曲線（圖3B＼～C）進一步證實預測概率與實際觀測頻率具有良好一致性，表明模型在隊列中保持穩定校準性能。

注：A， X 軸為對數正則化參數 （logλ），Y 軸為MSE。曲線顯示，隨著Log入減小 （λ 降低），MSE逐漸下降并趨于穩定，表明模型擬合能力隨正則化強度減弱而提升。右側虛線標注通過1-SE準則選擇的最優 λ 值 （λ=0.189 6） ，灰色陰影為10折交叉驗證的MSE置信區間。 B，X 軸為 Logλ，Y 軸為特征系數值頂部橫軸為非零系數數量。曲線展示各影像組學特征的系數隨 λ 增大的壓縮過程：當 λ 提升（右移）時，冗余特征系數被逐步壓縮至零，最終僅保留1個非零系數特征（虛線對應 λ=0.189 6 ），實現特征高效篩選。

注：A，影像組學列線圖：采用 cTnI 及Rad-score構建;Calibration校準曲線顯示的影像組學列線圖擬合度：B，訓練集;C，測試集。真實（Y軸）和列線圖投影 （X 軸）概率之間的完美對齊由 45^° 直線表示。兩條曲線之間的距離越短，表示精度越高。

2.4模型的判別能力單純臨床模型、單純影像組學模型及影像組學列線圖在訓練集的AUC分別為0.777（95%C1： 0.675＼～0.880）、0.792（95%C1： 0.679＼～0.905）和0.897（95%CI：0.816＼～0.978），測試集對應AUC分別為 0.696（95%CI： 0.514＼～0.879）、0.744（95%CI： 0.545＼～0.943）和0.810（95%CI：0.640＼～0.979）（圖4A＼～B）。影像組學列線圖在兩組數據中均表現出最優異的區分能力，其AUC值較單純臨床模型提升 15.4% （訓練集）和 16.4% （測試集）。

進一步通過F1分數評估模型綜合性能，影像組學列線圖（0.696）顯著優于單純臨床模型（0.692）與單純影像組學模型（0.545），表明其能更均衡地預測敏感性與特異性。ROC曲線形態分析顯示，列線圖曲線更接近左上象限，提示其在高特異性區間仍保持較高敏感性，具有更好的臨床決策價值。

為進一步評估模型的臨床實用性，本研究通過繪制DCA曲線量化不同風險閾值下的凈獲益。與其他模型相比，在合理的閾值概率范圍內，影像組學列線圖在預測擇期PCI患者發生無復流方面表現出更高的總體凈益（圖4C）。

注：A，訓練集臨床模型、影像組學特征和影像組學列線圖的ROC;B，測試集臨床模型、影像組學特征和影像組學列線圖的 ROC;C，3種不同模型的決策曲線分析。凈收益在Y軸上表示，閾值概率在 X 軸上表示。臨床模型、影像組學特征和影像組學列線圖的凈收益分別由綠線、紅線和藍線表示。影像組學列線圖與臨床模型和影像組學模型相比，總體凈優勢更大。

3討論

本研究發現，在擇期PCI患者中，臨床模型中cTnI是無復流現象的獨立預測因子，與傳統PPCI相關研究結果[11-2一致。本研究中高血壓、糖尿病、腎功能不全等傳統危險因素無顯著相關性，這一結果與既往研究[13結果存在差異，其原因考慮與擇期PCI的術前管理特點相關：患者通常已接受規范的針對性藥物治療，可能部分糾正代謝異常對微循環的影響。此外，患者的側支循環代償及病理生理差異，也可能降低傳統危險因素的預測效能。

在影像組學分析中，LGLRE被篩選為關鍵預測特征，其通過量化造影圖像中低灰度值的空間分布異質性，可能間接反映微血管結構改變或造影劑滯留等血流動力學異常。相較于X.LIU等基于術后心臟MRI的研究，本研究利用術前常規冠狀動脈造影圖像實現預測，避免了手術操作對影像特征的干擾。

本研究基于擇期PCI術前常規冠狀動脈造影影像，首次構建融合影像組學特征與 cTnI 的預測列線圖，在訓練集與測試集中分別取得 0.897（95%CI 0.816＼～0.978）和 的AUC值，其預測效能較傳統臨床評估方法提升 15.4% 216.4% 。該模型通過量化 cTnI 水平與LGLRE特征，揭示兩種生物標志物與無復流現象的獨立關聯，為擇期PCI無復流的病理機制研究提供了新的視角。未來有望通過多中心前瞻性隊列驗證模型普適性，并研發自動化分割算法以推動臨床轉化應用。

[參考文獻]

[1]BYRNE RA，ROSSELLOX，COUGHLANJJ，etal.2023 ESC Guidelines for the management of acute coronary syndromes[J]. Eur Heart J，2023，44（38）：3720-3826.

[2]GAO X M， SU Y D，MOORE S，et al.Relaxin mitigates microvascular damage and inflammation following cardiac ischemia-reperfusion[J].Basic Res Cardiol， 2019，114（4）：30.

[3]ZHOU Y，LI T，CHEN Z， et al. Overexpression of lncRNA TUG1 alleviates NLRP3 inflammasome-mediated cardiomyocytepyroptosis through targeting the miR-186-5p/XIAP axisincoronary microembolization-induced myocardial damage[J].Front Immunol，2021，12：637598.

[4]DAI C，LIU M， ZHOU Y， et al. A score system to predict no-reflow in primary percutaneous coronary intervention： ThePIANO Score[J].EurJClin Invest，2022，52（2）：e13686.

[5]HEUSCH G. Myocardial ischaemia-reperfusion injury and cardioprotection in perspective[J].Nat Rev Cardiol，2020，17 （12）：773-789.

[6]PENGY，WUK，WANGY XJ， et al.Association between cine CMR-based radiomics signature and microvascular obstruction in patients with ST-segment elevation myocardial infarction[J]. J Thorac Dis，2022，14（4）：969-978.

[7]ZHENG JJ， YU H， BATUR J， et al. A multicenter study to develop a non-invasive radiomic model to identify urinary infection stone in vivo using machine-learning[J]. Kidney Int， 2021，100（4）：870-880.

[8]STEENWYK JL，ROKAS A. Ggpubfigs： colorblind-friendly color palettes and ggplot2 graphic system extensions forpublication-quality scientific figures[J].Microbiol Resour Announc，2021，10（44）：e0087121.

[9]WUSN，QINDY，ZHUL，etal.Uveal melanoma distant metastasis prediction system：a retrospective observational studybased onmachinelearning[J]. Cancer Sci，2O24，115 （9）：3107-3126.

[10]JACOBUCCI R，BRANDMAIERA M，KIEVITRA.A practical guide to variable selection in structural equation modelswithregularizedMIMIC models[J].AdvMethodsPract Psychol Sci，2019，2（1）：55-76.

[11] REFFELMANN T， KLONER R A. The no-reflow phenomenon：A basic mechanismofmyocardial ischemiaand reperfusion[J].Basic ResCardiol，2006，101（5）：359-372.

[12]LIUX，XUT，PENGY，etal.Non-contrast cine cardiovascular magnetic resonance-based radiomics nomogram for predicting microvascular obstruction after reperfusion in ST-segment elevation myocardial infarction[J].Front Cardiovasc Med，2023，10：1274267.

[13]ZHAO SR， HUANGR，LIUF， et al. Study on correlation betweentype2diabetesand no-reflowafterPCI[J].DisMarkers，2022，2022：7319277. [收稿日期]2025-04-15