JACC. Cardiovascular imaging
基于常规CT的主动脉和心脏结构可预测超越PREVENT和冠状动脉钙化的心血管风险

小赛推荐：

该研究利用深度学习从常规非增强胸部CT中自动提取心脏和主动脉的形态学特征，构建了一个新的心血管风险预测模型，其预测能力优于传统临床评分，并能为冠状动脉钙化评分提供额外的分层价值。

 

文献概述

本文《Aortic and Cardiac Structure from Routine CT Predict Cardiovascular Risk Beyond PREVENT and Coronary Calcium》，发表于《JACC. Cardiovascular imaging》杂志，回顾并总结了如何利用常规非心电门控、非增强胸部CT扫描中通过深度学习自动分割和提取的心脏与主动脉结构特征，构建一个名为“放射组学评分”的新型心血管风险预测模型。研究基于NLST队列开发，并在Mass General Brigham的临床队列中进行了外部验证，结果表明该评分在预测主要不良心血管事件（MACE）方面优于PREVENT临床风险评分，并与冠状动脉钙化（CAC）评分互补。整段通顺、有逻辑，结尾用中文句号，段落结尾使用

背景知识

心血管疾病是全球主要死亡原因，准确的风险评估对于一级预防至关重要。目前广泛使用的Pooled Cohort Equations（PCE）和更新的PREVENT评分虽已整合多个传统风险因素，但仍存在校准偏差且部分患者缺乏完整电子健康记录数据。冠状动脉钙化（CAC）评分已被推荐用于中危人群的进一步风险分层，但其获取通常需专门扫描协议。近年来，随着人工智能在医学影像分析中的快速发展，从常规CT中“机会性筛查”提取定量影像生物标志物成为可能。已有研究表明，心脏腔室体积、左心室形态等结构性指标与全因死亡率和心血管事件相关。然而，系统性地整合多部位心脏与大血管结构特征以构建综合风险模型的研究仍有限。本研究创新性地采用TotalSegmentator等开源深度学习模型自动识别心脏四腔及主动脉，提取70项放射组学特征，并通过LASSO回归建立预测模型，旨在探索常规CT中蕴含的解剖结构信息是否能够超越现有风险评分，提供更精准的心血管风险分层工具。该研究不仅验证了放射组学在真实世界临床环境中的应用潜力，也为未来实现自动化、无额外成本的机会性心血管风险评估提供了重要证据支持。段落结尾使用

 

针对阿尔茨海默病、脊髓性肌萎缩、视网膜色素变性等罕见病，可提供HUGO-GT®全基因组人源化模型，搭载了更高效的大片段载体融合技术，可以作为万能模板进行针对性的突变定制服务，是更贴近真实世界生物机制的药物临床前研究模型，我们期待与你共同开发新型全基因组人源化小鼠，加速基因治疗研究

了解更多

 

研究方法与实验

研究团队首先利用国家肺癌筛查试验（NLST）的13,437例低剂量胸部CT图像作为训练集，通过TotalSegmentator模型自动分割心脏四腔室和主动脉，并使用PyRadiomics提取70项形态学特征。随后，采用LASSO Cox回归模型筛选最具预测价值的特征，构建“放射组学评分”以预测心血管死亡。该模型在NLST独立测试集（n=9,053）中进行内部验证后，进一步在Mass General Brigham（MGB）的14,577名接受常规胸部CT且无基线MACE的患者中进行外部验证。主要终点为MACE（心肌梗死、缺血性卒中或血运重建）。研究比较了放射组学评分与PCE、PREVENT及CAC评分的判别能力（C指数），并评估其在不同风险组中的再分类能力，特别是针对指南推荐他汀治疗但缺乏完整风险因素的患者群体。

关键结论与观点

• 放射组学评分在外部验证队列中对MACE的判别能力优于PREVENT评分（C指数 0.66 vs. 0.61）
• 放射组学评分与CAC评分具有互补性，联合使用可进一步提升预测性能（联合C指数 0.69 vs. CAC单独 0.66）
• 在PREVENT评分未达到他汀治疗阈值（≥7.5%）但放射组学评分高危的患者中，MACE发生率显著升高（男性：36.1 vs. 9.5/1000人年）
• 主动脉表面积体积比、左心室体积和左心房短轴长度是MACE最强预测因子
• 在75%缺乏完整PREVENT输入变量的患者中，放射组学评分仍能有效识别高危个体，其MACE发生率是低危者的2-3倍

研究意义与展望

该研究证明了从常规非增强胸部CT中提取的结构性放射组学特征可提供超越传统临床风险评分和冠状动脉钙化的独立预后信息。这一方法无需额外扫描或辐射暴露，可无缝集成于电子健康记录系统，实现自动化、机会性心血管风险评估。对于缺乏完整实验室数据的患者，该评分尤其具有临床应用价值，有助于识别那些可能从强化一级预防中获益的个体。

未来研究需在更多样化人群中验证该模型的泛化能力，并开展前瞻性干预试验以评估基于放射组学评分指导预防治疗的临床效用。此外，探索该评分在特定疾病（如心力衰竭、房颤）中的预测价值也值得进一步研究。

 

专业的眼科药效学分析平台可提供从眼部注射给药、眼部活体检测、眼部组织取材、病理学分析和基因与蛋白表达分子检测等全流程的眼科药效学分析服务

了解更多

 

结语

本研究成功开发并验证了一种基于常规胸部CT的放射组学心血管风险评分，该评分利用深度学习自动提取心脏与主动脉的形态学特征，能够有效预测主要不良心血管事件。研究发现，该评分不仅优于PREVENT临床风险评分，还能为冠状动脉钙化评分提供额外的分层价值，尤其在传统风险因素数据缺失的患者中仍保持良好性能。其核心预测因子包括主动脉表面积体积比、左心室体积和左心房短轴长度，这些结构变化可能反映了亚临床心血管重塑过程。该技术具备在真实世界临床实践中实现自动化、无额外成本的机会性筛查的巨大潜力，有望帮助临床医生更精准地识别高危个体，从而优化一级预防策略。未来需在多中心、多民族队列中进一步验证其临床效用，并探索其在指导个性化预防干预中的价值。总之，该研究为利用常规影像数据提升心血管风险评估精度提供了强有力的证据，代表了向智能化、精准化预防心脏病学迈出的重要一步。

 

Daniel W Oo, Matthias Jung, Leonard Nürnberg, Michael T Lu, and Vineet K Raghu. Aortic and Cardiac Structure from Routine CT Predict Cardiovascular Risk Beyond PREVENT and Coronary Calcium. JACC. Cardiovascular imaging.