林文潇，苏洁惠，郭艺帆，陈少卿，吴爱琴，程建敏

1.温州医科大学附属第二医院 放射影像科，浙江 温州 325027；2.浙江中医药大学附属第一医院放射影像科，浙江 杭州 310006

急性主动脉综合征（aortic syndrome， AS）是一组共同的病理生理过程、临床特征及诊疗挑战的大血管疾病，急性主动脉夹层（aortic dissection,AD）、壁内血肿（intramural haematoma, IMH）和穿透性主动脉溃疡（penetrating aortic ulcer, PAU）均属于该范畴[1]。由于急性AS的症状和体征缺乏特异性，发现该疾病通常需要高度临床怀疑指数，误诊和延误治疗可能会导致患者的预后极差[1-2]。急性AD最典型的症状是突发性的急性胸背痛，IMH和PAU的症状与其相似[3-4]，但腹痛发生率低[3，5-6]。相比于因胸痛而就诊的AS患者，腹部AS患者在急诊中更容易被忽视。

影像组学能够高通量提取医学图像中的定量特征并转化为挖掘的数据[7-11]。近来有研究发现，将影像组学或深度学习应用于胸部CT平扫可准确预测AD[12-13]，这可能与影像组学特征能够模拟主动脉内血液异质性有关[12]。我们推测腹主动脉在CT平扫图像上的潜在信息通过影像组学的挖掘与分析或许可以用于预测AS。

本研究旨在建立基于急诊CT平扫影像组学模型，与临床诊断模型比较，以评价其在预测腹部AS中的效能，以期提高急诊CT平扫的腹部AS检出率，使AS患者得到及时诊治。

1 对象和方法

1.1 研究对象 收集2012年8月至2020年10月于温州医科大学附属第二医院行腹部CT平扫+增强的急诊患者。排除标准：①腹部CT平扫+增强图像不完整；②患者的腹部CT平扫和CT血管造影检查分次完成，间隔时间超过24 h；③CT图像上存在干扰主动脉诊断的金属伪影或运动伪影。本研究最终纳入145例急诊患者，年龄14～94（59.5±17.5）岁，男101例，女44例。本研究已获得温州医科大学附属第二医院伦理委员会批准。

1.2 腹部CT平扫检查 所有患者的腹部CT平扫均由Philips Brilliance 16 螺旋CT机完成。扫描参数如下：管电压120 kV，管电流250 mAs，滤波反投影重建，FOV 350×350 mm，层厚5 mm，层间隔5 mm，矩阵512×512。

1.3 腹部CT图像判读 由2名经过训练的影像科医师对急诊患者的腹部CT平扫+增强图像进行判读。两名阅片者意见不一致时，由另一名具有高级职称的影像医师决定最终判断结果。观察腹部CT平扫图像记录以下提示AS的CT平扫征象：内膜征，钙化斑内移、新月形或环形高密度影。再观察腹部CT增强图像将所有患者分为腹部AS阳性组和阴性组。根据二分类结果进行分层抽样，以7:3的比例将患者分配至训练集和验证集。

1.4 图像分割 腹部CT平扫图像中感兴趣体积（volume of interest, VOI）的勾画是在3D Slicer 4.10.2上完成。将DICOM格式的图像导入3D Slicer软件中，然后沿着腹主动脉边缘逐层手动分割以获得VOI。所有腹主动脉VOI勾画均由一名具备10年心血管影像诊断工作经验的医师完成。间隔2周后，随机选择50例患者的腹部CT图像由该名医师再次勾画，用于评估观测者内一致性；同时，这50例图像由另一名具备5年心血管影像诊断工作经验的医师进行勾画，用于评估观测者间的一致性。

1.5 特征提取与特征选择 应用Deepwise科研平台（北京深睿博联科技有限责任公司）从每个VOI的原始图像及其9 种预处理后的图像（小波变换、高斯拉普拉斯算子、正方形、平方根、指数、对数、渐变、2D和3D局部二值模式）中提取影像组学特征1 834个。这些特征可大致分为以下7类：一阶特征、形状特征、灰度共生矩阵特征（grey-level co-occurrence matrix, GLCM）、灰度域区域矩阵（gray-level size zone matrix, GLSZM）、灰度游程矩阵（gray-level run length matrix, GLRLM）、邻域灰度差分矩阵（neighbourhood grey-tone difference matrix, NGTDM）、灰度相依矩阵（greylevel dependence matrix, GLDM）。

首先，为了获得具有高重复性的影像组学特征，组内和组间相关系数（intra and interclass correlation efficient, ICC）≤90 的特征将被剔除。接着，对保留的特征数据进行数据标准化处理，包括对数据中的异常值及缺失值使用中位数替换，以消除量纲的影响。然后，先后使用最大相关性最小冗余度（min-redundancy and max relevance, mRMR）和最小绝对收缩和选择算子（least absolute shrinkage and selection operator, LASSO）两种算法进行影像组学特征降维。最后，应用Logistic回归算法从降维后的特征中筛选出与腹部AS诊断相关性最高的特征，并将其与相应系数进行加权求和公式构建得到影像组学标签，将每位急诊患者相应的影像组学特征代入并计算，从而得到相应的影像组学评分（radiomics score,Rad-score）。

1.6 统计学处理方法 采用R3.6.1 软件进行统计学分析。腹部AS阳性组和阴性组Rad-score的比较采用Wilcoxon秩和检验。采用单因素Logistic回归分析寻找与腹部AS相关的基线特征及CT平扫特征，对P＜0.05 的特征采用向后逐步Logistic回归进行多因素分析，筛选出独立危险因素并构建用于预测腹部AS的临床模型。基于临床危险因素和Radscore，运用多因素Logistic回归方法构建联合模型，并绘制列线图。采用受试者工作特征（receiver operating characteristic, ROC）曲线比较各模型的预测效能，并采用Delong检验比较验证集中各模型间ROC曲线下面积（area under the curve,AUC）。使用Hosmer-Lemeshow拟合优度检验评价联合模型的校准度。各模型的临床实用性使用决策曲线分析进行评价。P＜0.05为差异有统计学意义。

2 结果

2.1 一般资料 在纳入的145例急诊患者中，腹部AS阳性组57例，腹部AS阴性组88例。在腹部AS阳性患者中，AD患者40例，IMH患者7例，PAU患者14例；1例患者同时患有AD和PAU，3例患者同时患有IMH和PAU。腹部AS阳性组中，新月形或环形高密度影5例，钙化斑内移31例，内膜征5例，无CT平扫特征23例；5例同时可见新月形或环形高密度影和钙化斑内移，2例同时可见新月形或内膜征和钙化斑内移。腹部AS阴性组中，钙化斑内移9例，无CT平扫特征79例。在训练集中，腹部AS阳性患者40例，阴性患者62例；在验证集中，阳性患者17例，阴性患者26例。

2.2 影像组学标签 本研究中共有1 785个特征具有良好的观察者内和观察者间一致性（ICC＞0.9）。经mRMR和LASSO进一步特征筛选后，最终保留了8个特征，各特征乘以相应系数得到影像组学标签（见表1），通过该标签计算出每位患者的Rad-score。在训练集和验证集中，腹部AS阳性组的Rad-score均显著高于腹部AS阴性组，差异有统计学意义（P＜0.001）。

表1 用于构建影像组学标签的特征及相应系数

2.3 临床模型及联合模型 单因素Logistic回归分析显示腹痛、钙化斑内移是预测腹部AS的影响因素（P＜0.05）。多因素Logistic回归分析显示腹痛（OR=0.48，95%CI=0.19～1.22，P=0.12）、钙化斑内移（OR=8.76，95%CI=3.27～23.45，P＜0.001）也是腹部AS的独立临床危险因素，并建立临床模型。根据Radscore、腹痛、钙化斑内移构建联合模型，并绘制列线图（见图1）。Hosmer-Lemeshow检验结果显示联合模型在训练集和验证集中均未过拟合（均P＞0.05）。

图1 预测患者是否患有腹部AS的列线图

2.4 各模型诊断效能比较 临床模型、影像组学标签及联合模型的AUC值在训练集中分别为0.77、0.88和0.90，在验证集中分别为0.79、0.88和0.89（见图2）。在验证集中，各模型AUC值间的差异均无统计学意义（P＞0.05）。临床模型的敏感度在训练集和验证集中均很低（见表2）。临床决策曲线显示，联合模型和影像组学标签的临床实用性明显高于临床模型，联合模型的临床实用性总体上略高于影像组学标签（见图3）。

图2 训练集和验证集各模型的ROC曲线

表2 训练集和验证集各模型的预测效能

图3 各模型临床决策曲线

3 讨论

急性AS概念形成是为了使主动脉源性胸痛患者的早期识别和最终治疗成为可能。近年来，尽管急性AS相关的手术治疗方式有所改进，但急性AS的病死率仍很高，以AD最为突出[2]。在AD患者得到正确的救治前，每小时病死率约1%[14]。降主动脉IMH的病死率与Stanford B型AD相似，而升主动脉IMH病死率在不同研究中差异很大，在5%～60%之间波动[15]。有症状的PAU破裂率高于AD[16-17]。因此，AS患者在症状发生后死亡风险很高，在急诊CT平扫中及时预警腹部AS能够在一定程度上降低病死率；若患者腹部不适由其他病因引起，则发现无症状的腹部AS对改善患者预后有积极作用。

由于图像获取速度快及空间分辨率高，CT平扫在急诊患者中应用广泛。胸痛三联征CT血管造影现已被广泛地应用于胸痛患者，以鉴别急性AS、肺栓塞和冠心病[18-19]。腹部CT平扫可以快速、准确诊断某些特定疾病（如阑尾炎和憩室炎）[20-21]，但在腹部血管性疾病中的诊断作用有限。一些能够提示AS的CT平扫特征并不总能被观察到[22-23]。患者腹痛的病因繁多，仅根据病史、体格检查和实验室检查结果，只能对一小部分患者做出准确的诊断[24]。因此，本研究运用影像组学与急诊腹部CT平扫结合预测腹部AS，以期使更多腹部AS可疑的患者及时行CT增强检查，提高腹部AS检出率并改善患者预后。

本研究结果表明，将影像组学运用于急诊患者的腹部CT平扫中是具有临床意义的。基于患者基线资料及提示AS的CT平扫征象所建立的临床模型尚不能满足急诊需求的，其敏感度低易造成漏诊。临床决策曲线结果表明，基于腹部CT平扫的影像组学标签的临床实用性模型明显优于临床模型，然而其敏感度较临床模型提升有限。将临床资料与影像组学结合时，联合模型的预测效能较好（验证集AUC=0.89），敏感度在验证集中更是高达0.93。

血液的CT密度取决于全血成分种类及相应浓度[25]。当血管内血液成分排布受到血流影响而发生变化时，受累部位或整根血管的血液异质性会发生改变。通常肉眼上很难识别CT图像中不同血流动力学条件下产生的血液异质性，但胸部AD在CT平扫上所产生血液异质性已被发现可被影像组学特征模拟并用于预测[11]。本研究所预测的疾病种类更多，导致影像组学特征需要分析并识别的信息更为复杂，故影像组学标签的敏感度并不十分理想。然而，联合模型的预测效能表明，影像组学是一个很好的临床补充工具，将其与相关临床危险因素结合可以准确地预测腹部AS。

本研究尚有不足之处。首先，本研究是一项单中心的回顾性研究，样本量较小，需要多中心、大样本研究对模型的诊断效能进一步验证。其次，本研究可能存在潜在的选择偏差。本研究收集的急诊患者均接受了腹部CT平扫和增强检查，这导致本研究腹部AS的高阳性率。最后，腹主动脉VOI的手动勾画颇为耗时，一种可以在CT平扫图像上精准、高效地自动分割腹主动脉的算法亟待开发。综上，基于临床风险因素和腹部CT平扫影像组学构建的列线图能够较好地预测腹部AS，为急诊提供了一种无创且有效的腹部AS预警工具。