基于胸部动脉钙化对主要不良心血管事件的预测模型及构建方法技术

本发明专利技术公开了一种基于胸部动脉钙化对主要不良心血管事件的预测模型及构建方法，该方法采用了计算机高通量影像特征，丰富了钙化特征的描述，从而提高钙化指标对MACEs的预测精准性。本发明专利技术基于CTACS采用影像组学分析的方法提取了胸部动脉钙化的影像组学特征，并构建预测MACEs的新参数，即影像组学积分；所述参数在预测MACEs的表现上显著优于CTACS和CACS等传统钙化评估参数，同时，基于影像组学积分构建影像组学

【技术实现步骤摘要】
基于胸部动脉钙化对主要不良心血管事件的预测模型及构建方法


[0001]本专利技术属于生物医药领域，具体涉及基于胸部动脉钙化对主要不良心血管事件的预测模型及构建方法。
技术背景
[0002]在过去的30余年里，心血管疾病是导致全人类死亡的首要原因，而中国是主要的重灾区，心血管负担依旧是中国最迫切解决的健康问题。主要不良心血管事件(Major adverse cardiovascular events，MACEs)与心血管疾病死亡和预后密切相关，MACEs发生增加了心血管负担。因此，建立精准MACEs预测模型，是减轻心血管负担的重要措施之一。
[0003]目前临床针对传统心血管危险因素建立相关MACEs预测模型；然而，随着研究的深入，一些学者发现即使稳定地控制这些危险因素，仍有部分病人发生MACEs，这种情况被称为残余心血管风险。而近十年研究发现，冠脉钙化不仅是心血管疾病的危险因素，也是MACEs的预测因素，并且与残余心血管风险密切相关；此外，一些研究表明相较于传统危险因素，冠脉钙化更能预测心血管疾病/事件。在动脉粥样硬化多种族研究(MESA)，等人通过结合冠脉钙化积分(Coronaryartery calcification score，CACS)构建了十年心血管风险的预测模型。美国和中国分别在2019和2020年将冠脉钙化纳入为一级预防的风险指标。因此，建立结合钙化指标的MACEs预测模型有望提高预测的精准性。
[0004]然而，一些学者从MESA等研究发现约三分之一MACEs发生在冠脉钙化积分为0的病人。另一方面，虽有学者指出冠脉钙化可用于指导需要二级/三级心血管预防的病人，但由于存在复杂因素的干预而受到限制。然而，在冠脉钙化统计的同时，其它胸部动脉钙化亦能被获取。研究表明，胸部动脉钙化与MACEs密切相关，并且KDIGO指南推荐胸主动脉钙化作为慢性肾脏病病人心血管预后的重要危险指标。然而，临床上对于胸部动脉钙化对MACEs的预测价值仍存未明确。鉴于以上，我们提出综合分析胸部动脉钙化情况是否能够提高钙化指标对MACEs预测的表现。为此将构建胸部总动脉钙化积分(Chest totalarteries calcification score，CTACS)参数，即包括冠脉钙化在内的胸部各支动脉钙化积分的总和，探究其对MACEs的预测价值。
[0005]Agatston积分是评估钙化的金标准方法。此方法将≥130CT值的病灶定义为钙化。然而，从18F
‑
NaF PET/CT发现早期钙化信息以及钙化灶本质上是一个不均质的病灶来看，Agatston积分评估钙化必然丢失了一部分的钙化信息。而所丢失的部分包括了未被发现的微小钙化灶，后者与MACEs发生相关。因此，完善对钙化的描述有助于提高MACEs的预测。在此情况下采用了2012年提出的影像组学技术。影像组学技术是从图像上挖掘丰富的影像特征，并用之于临床诊断、评估和预后。此外，影像组学在冠脉和肿瘤研究也表明影像组学特征能够提取丰富钙化影像信息。
[0006]综合所述，基于钙化积分建立MACEs预测模型，通过充分分析胸部CT动脉钙化以及采用影像组学技术，创立信息更为丰富的钙化影像参数，进而提高对MACEs的预测表现，具
有重要的临床指导意义。

技术实现思路

[0007]鉴于现有技术的缺陷，本专利技术旨在于提供一种基于胸部动脉钙化对主要不良心血管事件的预测模型及构建方法。通过本专利技术证明CTACS在MACEs预测表现上优于CACS，其次基于CTACS的影像组学分析能提取更为丰富的钙化信息用于MACEs预测，最后建立一种MACEs复合预测模型。
[0008]为了实现上述目的，本专利技术采用的技术方案如下：
[0009]一种基于胸部动脉钙化对主要不良心血管事件的预测模型及构建方法，所述方法包括以下步骤：
[0010]S1收集接受过胸部平扫CT的病人临床资料数据和CT纵膈窗序列影像数据，所述影像数据为DICOM图像；
[0011]S2对步骤S1的CT影像数据的一二级动脉进行分段，共10支；并采用Agatston积分计算10支动脉的钙化积分；胸部总动脉钙化积分(CTACS)为所述10支动脉钙化积分总和；
[0012]S3通过MACEs预测的AUC值比较CTACS和CACS对MACEs预测的表现差异；
[0013]S4对步骤S2的10支动脉进行分割，提取影像组学特征，通过LASSO回归分析筛选与MACEs发生相关的影像组学特征，并得到相应的影像组学积分计算公式；
[0014]S5通过MACEs预测的AUC值比较影像组学积分与CTACS、CACS以及钙化年增长率(annual growth rate of calcification，AGRC)对MACEs预测的表现差异；
[0015]S6通过Spearman相关性分析、单因素和多因素Cox回归分析对影像组学积分和步骤S1收集的临床数据进行筛选，得到与MACEs发生相关的参数；
[0016]S7基于步骤S6得到的特征，构建影像组学
‑
临床变量的复合预测模型，并进行模型评估。
[0017]需要说明的是，所述步骤S1所述接受过胸部平扫CT的病人的纳入标准包括：接受至少2次胸部CT平扫的病人且间隔时间大于180天、收集的纵膈窗序列图像规格是3mm层厚和512*512像素矩阵；所述图像分析软件包括ITK
‑
SNAP和python 3.6.5平台。
[0018]需要说明的是，步骤S1所述临床数据包括以下临床特征：年龄、性别、是否发生过MACEs、是否有心血管基础疾病、是否有脑血管基础疾病、是否有慢性肾脏病、是否有糖尿病、抽烟情况(有/无)、饮酒情况(有/无)、收缩压/舒张压、高血压等级、尿素氮、血清肌酐、脂蛋白a、甘油三酯、高密度脂蛋白胆固醇、低密度脂蛋白胆固醇、总胆固醇、血糖和血钙。
[0019]需要说明的是，MACEs的定义包括心源性猝死、急性心力衰竭、急性心肌梗死、需要住院的不稳定型心绞痛、需要住院的恶性心律失常和卒中。
[0020]需要说明的是，步骤S2所述的10支动脉包括主动脉弓、升主动脉、降主动脉、左锁骨下动脉、左颈总动脉、头臂干、右锁骨下动脉、右颈总动脉、冠状动脉和肺动脉干；所述的CTACS＝Σ(AS
冠状动脉
+AS
升主动脉
+AS
主动脉弓
+AS
降主动脉
+AS
肺动脉干
+AS
头臂干
+AS
右颈总动脉
+AS
右锁骨下动脉
+AS
左颈总动脉
+AS
左锁骨下动脉
)。
[0021]需要说明的是，步骤S3和步骤S5的AUC值比较采用Delong检验，p值小于0.05认为具有统计学差异。
[0022]需要说明的是，步骤S4所述的CT纵膈窗影像组学特征提取方法为：逐层分割所述
10支动本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于胸部动脉钙化对主要不良心血管事件的预测模型及构建方法，其特征在于，所述方法包括以下步骤：S1收集接受过胸部平扫CT的病人临床资料数据和CT纵膈窗序列影像数据，所述影像数据为DICOM图像；S2对步骤S1的CT影像数据的一二级动脉进行分段，共10支；并采用Agatston积分计算10支动脉的钙化积分；胸部总动脉钙化积分为所述10支动脉钙化积分总和；S3通过MACEs预测的AUC值比较CTACS和CACS对MACEs预测的表现差异；S4对步骤S2的10支动脉进行分割，提取影像组学特征，通过LASSO回归分析筛选与MACEs发生相关的影像组学特征，并得到相应的影像组学积分计算公式；S5通过MACEs预测的AUC值比较影像组学积分与CTACS、CACS以及钙化年增长率对MACEs预测的表现差异；S6通过Spearman相关性分析、单因素和多因素Cox回归分析对影像组学积分和步骤S1收集的临床数据进行筛选，得到与MACEs发生相关的参数；S7基于步骤S6得到的特征，构建影像组学
‑
临床变量的复合预测模型，并进行模型评估。2.根据权利要求1所述的基于胸部动脉钙化对主要不良心血管事件的预测模型及构建方法，其特征在于，所述步骤S1所述接受过胸部平扫CT的病人的纳入标准包括：接受至少2次胸部CT平扫的病人且间隔时间大于180天、收集的纵膈窗序列图像规格是3mm层厚和512*512像素矩阵；所述图像分析软件包括ITK
‑
SNAP和python 3.6.5平台。3.根据权利要求1所述的基于胸部动脉钙化对主要不良心血管事件的预测模型及构建方法，其特征在于，步骤S1所述临床数据包括以下临床特征：年龄、性别、是否发生过MACEs、是否有心血管基础疾病、是否有脑血管基础疾病、是否有慢性肾脏病、是否有糖尿病、抽烟情况(有/无)、饮酒情况(有/无)、收缩压/舒张压、高血压等级、尿素氮、血清肌酐、脂蛋白a、甘油三酯、高密度脂蛋白胆固醇、低密度脂蛋白胆固醇、总胆固醇、血糖和血钙。4.根据权利要求1所述的基于胸部动脉钙化对主要不良心血管事件的预测模型及构建方法，其特征在于，MACEs的定义包括心源性猝死、急性心力衰竭、急性心肌梗死、需要住院的不稳定型心绞痛、需要住院的恶性心律失常和卒中。5.根据权利要求1所述的基于胸部动脉钙化对主要不良心血管事件的预测模型及构建方法，其特征在于，步骤S2所述的10支动脉包括主动脉弓、升主动脉、降主动脉、左锁骨下动脉、左颈总动脉、头臂干、右锁骨下动脉、右颈总动脉、冠状动脉和肺动脉干；所述的CTACS＝Σ(AS
冠状动脉
+AS
升主动脉
+AS
主动脉弓
+AS
降主动脉
+AS
肺动脉干
+AS
头臂干
+AS
右颈总动脉
+AS
右锁骨下动脉
+AS
左颈总动脉
+AS
左锁骨下动脉
)。6.根据权利要求1所述的基于胸部动脉钙化对主要不良心血管事件的预测模型及构建方法，...

【专利技术属性】
技术研发人员：黄辉，朱永俊，王秋雨，韩峰，马祥园，陈洁，
申请(专利权)人：中山大学附属第八医院深圳福田，
类型：发明
国别省市：