2026.11.19
该研究利用常规胸部CT提取主动脉周围脂肪的微结构与纹理放射组学特征构建心血管生物学年龄模型,发现其偏离实足年龄的差值能独立预测主要不良心血管事件并显著提升现有风险模型的重分类能力。
Title题目
01
基于人工智能影像组学的主动脉周围脂肪评估心血管衰老生物学年龄
Peri-aortic fat to assess cardiovascular aging using an AI-driven radiomic biomarker
文献速递介绍
02
实足年龄一直是心血管疾病风险预测的核心基础,各大临床心血管风险评估指南均将其作为关键变量。然而在个体层面,实足年龄是粗略的替代指标,同龄个体的心血管生物学衰老轨迹和实际发病风险存在巨大差异。主动脉周围脂肪组织(PAAT)紧邻胸主动脉壁,是一种具有活跃内分泌与旁分泌功能的脂肪库,直接调控主动脉张力、局部炎症反应与血管重塑。随着心血管衰老,PAAT内部常发生血管炎症浸润、纤维化和代谢改变,这些病理重塑往往首先表现为微观组织学结构和CT衰减度纹理的改变,而非单纯的脂肪体积增加。因此,本研究旨在通过常规胸部CT提取PAAT的高阶放射组学纹理特征,开发心血管生物学年龄(CV-Age)模型,探讨年龄差距(ΔAge)对主要心血管不良事件(MACE)的预测价值,并评估其能否优化美国心脏协会最新的PREVENT风险分层系统。
Aastract摘要
03
实足年龄虽是心血管疾病风险评估的核心指标,但无法反映个体间心血管衰老的生物学异质性。本研究跨四个胸部CT队列共48665例受试者,利用深度学习自动分割胸主动脉周围脂肪组织,并提取以微观纹理为主的31个放射组学特征,通过弹性网络回归构建了心血管生物学年龄预测模型。结果显示,模型在外部验证队列中预测表现稳健,所计算的心血管年龄差能够有效分层患者的10年主要不良心血管事件风险,加速衰老者风险显著增加51%,而延缓衰老者风险降低30%。进一步将心血管年龄代入美国心脏协会PREVENT风险评分后,显著改善了风险净重分类,尤其是提高了低危与临界风险人群中心血管事件发生者的检出敏感性。
Method方法
04
研究整合了四个异质性胸部CT队列,包含不同扫描协议、层厚与造影条件的受试者共48665例。模型开发集包括美国国家肺癌筛查试验(NLST,3790例低剂量非门控CT)和范德堡大学医学中心房颤消融队列(VUMC,661例门控增强CT),共计4451例;独立外部验证集包括退伍军人事务部肺癌筛查队列(VA,714例)以及克利夫兰大学医院大规模冠状动脉钙化筛查队列(CLARIFY,43500例)。研究利用深度学习模型自动分割胸主动脉,将其向外三维膨胀8毫米作为同心感兴趣区域,并限定脂肪密度范围(-190至-30 HU)提取PAAT掩模。经空间重采样与灰度级离散化预处理后,提取包含一阶统计量、几何形状及多尺度小波和拉普拉斯高斯滤波的高阶纹理特征。通过特征选择剔除冗余后获得31个非冗余特征,利用弹性网络回归预测实足年龄,并在训练集内部通过线性回归拟合消除系统性年龄依赖偏倚,随后将固定参数的模型应用于外部队列。临床结局分析主要针对CLARIFY队列随访的10年5点MACE(心肌梗死、卒中、血运重建、心衰和死亡),采用Kaplan-Meier生存曲线及经年龄分层的多因素Cox比例风险模型进行评估,并在具备完整临床协变量的22026例亚组中计算代入CV-Age后AHA PREVENT风险评估模型的连续与分类净重分类改善指数(NRI)。
Discussion讨论
05
本研究证实了利用常规胸部CT中的主动脉周围脂肪微观纹理特征评估心血管生物学衰老的可行性与临床价值。该影像学生物标志物反映的是血管界面微环境的早期重塑与亚临床损伤,发生于宏观解剖畸形或严重动脉钙化之前。女性受试者的心血管年龄差显著低于男性,与临床上女性心血管事件延迟发生的流行病学规律相符。研究还揭示了传统指南风险评分中存在的实足年龄悖论,通过将CV-Age整合入PREVENT模型,有效弥补了传统评分对年轻但血管生物学早衰患者识别不足的缺陷。由于该方法无需额外的放射暴露、额外造影剂或额外检查费用,完全基于临床现有胸部CT进行机会性筛查,具备极高的临床推广与转化价值,为心血管疾病的早期精准预防和危险分层提供了全新影像组学工具。
Conclusion结论
06
Results结果
07
经特征筛选确立的31个核心放射组学特征以多尺度空间滤波后计算的熵值、对比度和局部灰度依赖性纹理特征为主,反映了主动脉周围脂肪内部的微观异质性与组织重塑。校正后的心血管年龄在训练集中的平均绝对误差(MAE)为2.2年,在CLARIFY外部验证队列中的MAE为2.7年,决定系数R2达0.856。在合并症与心血管负荷显著偏高的VA队列中,模型预测的CV-Age出现系统性正向偏移(ΔAge中位数+5.42年),符合该人群实际生物学早衰的特征。在CLARIFY长达10年的随访中,以ΔAge第10百分位数与第90百分位数将人群划分为延缓衰老型、常态衰老型和加速衰老型。生存分析显示三组无事件生存率存在显著差异(log-rank P < 0.001)。多变量Cox回归调整性别、PREVENT评分及冠脉钙化积分(CAC)后,加速衰老组MACE风险仍显著增加(HR 1.34至1.51),延缓衰老组风险显著降低(HR 0.70至0.81)。将CV-Age替换实足年龄代入PREVENT计算公式后,分类NRI达到+0.027(P = 0.009),连续NRI为+0.0428(P = 0.036);这一提升主要来源于显著提高了真实发生MACE患者的风险上调比例(事件组分类NRI +0.1259),尤其使基线低危组中29%以及临界组中42%的未来发病者被成功重新划分为更高风险级别。
Figure图
08

图1.
展示了从多中心胸部CT数据整合、深度学习主动脉周围脂肪自动分割、放射组学特征提取与模型构建,到基于心血管年龄差进行预后生存分层及PREVENT风险重分类评估的完整研究路线。

图2.
SHAP值重要性分析显示,对心血管年龄预测贡献最大的特征均为多尺度小波变换和拉普拉斯高斯滤波提取的灰度共生及依赖纹理特征,证实该年龄标志物由脂肪内部微观异质性主导,而非宏观体积或轮廓。

图3.
散点图展示了偏倚校正后的心血管年龄与实足年龄在训练集(平均绝对误差2.2年)、独立VA高危队列(整体呈现中位数+5.42年的加速衰老偏移)以及大规模CLARIFY外部队列(平均绝对误差2.7年,决定系数0.856)中的稳健一致性。

图4.
Kaplan-Meier生存曲线显示,基于心血管年龄差分层的加速衰老组、常态衰老组和延缓衰老组在10年无MACE生存率上差异高度显著;多变量Cox回归提示加速衰老者发病风险增加51%,而延缓衰老者风险降低30%。

图5:
桑基图与重分类矩阵清晰表明,以心血管年龄替代实足年龄代入PREVENT算法后,显著提升了事件发生人群的识别灵敏度,成功将基线低危组中29%以及临界组中42%的未来发病者正确上调至更高危险度层级。

图6:
典型病例CT轴位切片叠加纹理特征热图,直观展现了延缓衰老与加速衰老个体在主动脉周围脂肪微观纹理分布上的显著差异,进一步证明模型决策依赖于局部组织微环境特征而非脂肪厚度。