基于影像组学特征预测左室射血分数的可行性研究.pdf

Vol.43 No.9 Sept.2023上海交通大学学报（医学版）JOURNAL OF SHANGHAI JIAO TONG UNIVERSITY(MEDICAL SCIENCE)Vol.43 No.9 Sept.2023JOURNAL OF SHANGHAI JIAO TONG UNIVERSITY(MEDICAL SCIENCE)基于影像组学特征预测左室射血分数的可行性研究刘启明，卢启帆，柴烨子，姜萌#，卜军#上海交通大学医学院附属仁济医院心内科，上海 200127摘要目的评估使用心脏磁共振（cardiac magnetic resonance，CMR）短轴电影图像提取的3D影像组学特征用于预测左室射血分数（left ventricular ejection fraction，LVEF）这一方法的可行性。方法纳入2018年1月至2021年12月期间就诊于上海交通大学医学院附属仁济医院心内科的左室肥厚（left ventricular hypertrophy，LVH）患者共100例，及同时期健康对照（health control，HC）受试者100例，在心内科医师及放射科医师共同监督下完成CMR检查。随后由心内科医师手动勾画心内膜及心外膜并完成对入组人员心功能及形态学的测量与记录，主要包括 LVEF、左心室舒张末期容积（left ventricular end-diastolic volume，LVEDV）、左心室舒张末期心肌质量（left ventricular end-diastolic mass，LVEDM）。通过Pyradiomics包提取CMR-cine序列心肌3D影像组学特征并使用相关系数与K-best方法进行特征筛选与排序。构建线性回归（linear regression，LR）、随机森林（random forest，RF）及梯度增强（gradient boost，Gb）3种机器学习回归模型，使用影像组学特征对LVEF进行预测，并与基于临床信息及CMR参数的LVEF预测结果进行比较。结果在临床指标方面，LVH组与HC组之间LVEDV、LVEDM差异均有统计学意义（P0.05）。通过提取心肌3D影像组学特征，获得10项特征并用于测试集样本LVEF预测。当所选特征为7项时，RF回归模型获得最佳表现，平均绝对误差（mean absolute error，MAE）为0.0660.002，显著低于其他2种方法（P0.001）；对于RF回归模型，基于临床信息与舒张末期CMR参数的LVEF预测结果显示，结合影像组学信息与CMR参数的模型（MAE=0.0560.001）效果最佳，并显著优于单用影像组学（MAE=0.0660.002）或单用CMR参数（MAE=0.0600.001）的模型表现（P0.05）。结论影像组学特征用于LVEF预测具有一定的可行性，并且将影像组学信息与CMR参数结合，可以进一步提升模型预测准确率。关键词心脏磁共振；影像组学；左室肥厚；电影序列DOI10.3969/j.issn.1674-8115.2023.09.010 中图分类号R542.2 文献标志码ARadiomics-based left ventricular ejection fraction prediction:a feasibility studyLIU Qiming,LU Qifan,CHAI Yezi,JIANG Meng#,PU Jun#Department of Cardiology,Renji Hospital,Shanghai Jiao Tong University School of Medicine,Shanghai 200127,ChinaAbstract Objective To assess the feasibility of using 3D imaging features extracted from cardiac magnetic resonance(CMR)short-axis cine images to predict left ventricular ejection fraction(LVEF).Methods A total of 100 left ventricular hypertrophy(LVH)patients who visited the Department of Cardiology,Renji Hospital,Shanghai Jiao Tong University School of Medicine from January 2018 to December 2021,as well as 100 healthy control(HC)subjects during the same period,were included.All subjects completed CMR examinations under the supervision of experienced cardiologists and radiologists.The endocardial and epicardial contours were then manually delineated by cardiologists.Measurements of cardiac function and morphology were completed and data was recorded,including LVEF,left ventricular end-diastolic volume(LVEDV),and left ventricular end-diastolic mass(LVEDM).Myocardial 3D radiomic features of CMR-cine sequences were extracted by the Pyradiomics package,and selected and sorted by using correlation coefficient and K-best method.The LVEF prediction was performed with linear 论著 临床研究 基 金 项 目 国 家 自 然 科 学 基 金（81971570）；上 海 申 康 医 院 发 展 中 心 促 进 市 级 医 院 临 床 技 能 与 临 床 创 新 能 力 三 年 行 动 计 划 项 目（SHDC2020CR2025B）；上海市科学技术委员会医学创新研究专项（20Y11910500）；上海市科学技术委员会优秀技术带头人计划（21XD143210）；上海交通大学医学院“双百人”项目（20172014）；上海市浦东新区卫生和计划生育委员会联合攻关项目（PW2018D-03）；上海交通大学“交大之星”计划医工交叉研究基金（YG2019ZDA13）；上海理工大学医工交叉研究基金（10-20-302-425）。作者简介 刘启明（1996），男，硕士生；电子信箱：。通信作者 姜萌，电子信箱：。卜军，电子信箱：。#为共同通信作者。Funding Information National Natural Science Foundation of China(81971570);Shanghai Shenkang Hospital Development Center Three-year Action Plan:Promoting Clinical Skills and Innovation in Municipal Hospital(SHDC2020CR2025B);Innovation Research Project of Shanghai Science and Technology Commission(20Y11910500);Advanced Technology Leader of the Shanghai Science and Technology Commission(21XD143210);“Two-hundred Talents”Program of Shanghai Jiao Tong University School of Medicine(20172014);Shanghai Pudong Municipal Health Commission-Joint Research Project(PW2018D-03);Medical-Engineering Cross Research of Shanghai Jiao Tong University(YG2019ZDA13);Medical-Engineering Cross Research of University of Shanghai for Science and Technology(10-20-302-425).Corresponding Author JIANG Meng,E-mail:.PU Jun,E-mail:.#Co-corresponding authors.1162刘启明，等基于影像组学特征预测左室射血分数的可行性研究http:/上海交通大学学报（医学版），2023，43（9）regression(LR),random forest(RF)and gradient boost(GB)methods.Results were also compared with LVEF prediction based on clinical information and CMR parameters.Results In terms of clinical indicators,there were significant differences between the LVH and HC groups,such as LVEDV and LVEDM(all P0.05);after extracting 3D radiomic features,the top 10 features were selected for further analysis.LR regression model,GB regression model and RF regression model were constructed for predicting the LVEF,and RF regression models showed the best results with seven features,in which the mean absolute error(MAE)was 0.0660.002.Further comparison results showed that the model using radiomic information with CMR parameters(MAE=0.0560.001)had the best performance and it was significantly better than the model using radiomic features(MAE=0.0660.002)or CMR parameters(MAE=0.0600.001)alone(both P11 mm，男性左室心肌质量指数115 g/m2或女性左室心肌质量指数95 g/m2）19。LVH患者排除标准：年龄70岁。明确存在其他系统性疾病造成的心脏累及。纽约心脏病学会（New York Heart Association，NYHA）心功能分级级。存在磁共振禁忌证（妊娠、肾功能11632023,43（9）上海交通大学学报（医学版）Vol.43 No.9 Sept.2023JOURNAL OF SHANGHAI JIAO TONG UNIVERSITY(MEDICAL SCIENCE)不全、幽闭恐惧症）。图像质量不佳或采集过程中因呼吸导致的影像错位严重。HC人群入组标准：既往无心脏相关病史，并且相关检查（心电图、心脏彩超及CMR）均未发现心肌肥厚、心功能异常等表现。训练组和测试组样本根据训练数据样本数测试数据样本数=73 的比例进行划分。训练组用于模型训练及参数调整，测试组数据用于结果评估。1.2CMR图像采集磁共振检查均在 3.0 T CMR 扫描仪（Ingenia，Philips，荷兰）上，由具有3年以上CMR扫描经验的放射科医师完成。图像采集过程中采用呼吸门控及心电门控。Cine序列参数为：采集视野（300340）mm（300340）mm，空 间 分 辨 率（0.8751.000）mm（0.8751.000）mm，层厚7 mm，层间距710 mm，重复时间3.0 ms，回波时间1.5 ms，反转角45，1个心动周期内的图像帧数为30。1.3图像后处理及资料整理图像及临床数据经过匿名化处理。图像数据测量 由 心 内 科 医 师 在 CMR 后 处 理 软 件 Circle Cardiovascular Imaging（版本 5.13，加拿大）上完成。测量参数包括 LVEF、左心室舒张末期容积（left ventricular end-diastolic volume，LVEDV）和左心 室 舒 张 末 期 质 量（left ventricular end-diastolic mass，LVEDM）；同时通过临床数据中的体表面积（body surface area，BSA）对LVEDV、LVEDM进行校正，得到左心室舒张末期容积指数（LVEDV/BSA）及 左 心 室 舒 张 末 期 质 量 指 数（LVEDM/BSA）。1.4影像组学特征提取及筛选影像组学图像预处理依照图像生物标志物标准化倡 议（image biomarker standardisation initiative，IBSI）20的要求进行：重采样。将图像重采样至1.0 mm1.0 mm1.0 mm体素大小以实现体素空间各向同性。标准化。将图像灰度值标准化至0255，随后将灰度值离散化至带宽为 16。本研究通过Pyradiomics 包 提 取 形 态、纹 理 及 小 波 影 像 组 学特征21。影像组学特征筛选：计算特征之间的Pearson相关系数（），将0.8的特征定义为具有高度相似性而移除。使用基于互信息的K-best算法筛选最有价值的10项影像组学特征（如果不足10项，则全部进行分析）。1.5机器学习模型设计采用线性回归（linear regression，LR）、随机森林（random forest，RF）及 梯 度 提 升（gradient boost，GB）3种回归算法，将影像组学特征输入回归模型进行训练，以实现对 LVEF 的评估。模型训练采取 5 折交叉验证法，选择最优模型参数重新在整个训练集数据上训练并获得最终模型。最终模型结果在测试集数据上测试并进行评估。考虑到机器学习模型随机初始化的情况，模型验证过程重复10 次。机器学习算法由 scikit-learn 包（版本 1.2.1）完成22。1.6统计学分析采用SPSS软件（版本26.0）及python工具（版本 3.7.10）进 行 数 据 处 理 及 统 计 学 分 析。使 用Shapiro-Wilk 检验进行正态性检验。符合正态分布的定量资料用 xs 表示，不符合正态分布的定量资料用 M（Q1，Q3）表示。使用独立样本 t 检验、Mann-Whitney U 非参数秩和检验比较 2 组间差异。定性资料用 n（%）表示，采用 2检验进行比较。机器学习部分交叉验证结果均采用 xs 表示。P0.05），LVH 组人群体质量较 HC 组高（P=0.014）。在 CMR 参 数 方 面，LVH 组 人 群LVEDM、LVEDM/BSA、LVEDV、LVEDV/BSA 均较HC组显著升高（均P0.05）。2.2影像组学特征提取及筛选情况通过Pyradiomics包处理后，总共提取了1 316个1164刘启明，等基于影像组学特征预测左室射血分数的可行性研究http:/上海交通大学学报（医学版），2023，43（9）舒张末期心肌 3D 影像组学特征，包括形态特征 14项、小波特征744项、纹理特征558项。经过Pearson相关系数分析并筛选后，剩余特征99项；通过基于互信息的K-best算法对99项特征进行排序并用前选择前10项于后续分析。2.3不同模型使用影像组学特征预测 LVEF 的效果通过构建LR、GB和RF 3种机器学习回归模型，将影像组学特征输入模型并预测LVEF。结果显示RF回归算法在输入前7项特征时，模型表现的预测效果最佳，平均绝对误差（mean absolute error，MAE）为 0.0660.002，较 LR 及 GB 算法显著提升（均 P0.001）。结果见表2及图1。2.4RF模型中不同类型特征对LVEF的预测结果前文已明确了在3种算法中，RF算法具有最佳表现，故进一步将RF模型用于临床信息与CMR参数及CMR参数合并影像组学特征的LVEF预测。结果显示，CMR特征结合影像组学信息获得了最佳的预测表现（MAE=0.0560.001），与其他各组差异具有统计学意义（均P1）。本研究发现LR与GB方法在预测LVEF方面有所欠缺，均未能很好地展示预测值与真实值之间的关系，RF方法相比之下有所提升。对比不同类型的输入信息（临床信息、CMR参数、影像组学特征），本研究结果显示相比于CMR 参数，临床基础信息用于估计 LVEF的效果较差，该表现也符合临床实践中通常难以从患者的基础状态对心功能进行评估的表现。本研究还证实了CMR参数结合影像组学特征能获得优于各自独立的预测准确性，为影像组学未来用于临床实际中提供了一定的依据。本研究仍具有一定的局限性：仅选择 HC 与LVH患者2类人群用于模型的训练与验证。如能进一步纳入射血分数明显减退甚至心力衰竭的患者，在多中心、多厂商大数据上进行验证将使本研究有更高的临床应用价值，并且有望拓宽LVEF的分布范围和分布均匀性。该方法理论上可推广至胸部CT，从方法学角度为胸部 CT 没有时序信息进而无法计算LVEF提供了一项可行的参考方案。但受限于本研究未能收集到同批次患者的胸部CT图像资料，未能对该方法的普适性和推广性在多模态影像中进行验证。综上所述，本研究提出了一个基于舒张末期心肌影像组学特征对 LVEF 进行预测的方法，并在包含200名对象的队列中进行了验证，展示了影像组学方法用于估计射血分数的可行性。本研究在使用CMR参数和影像组学特征预测 LVEF 时获得了 0.056 的表3基于临床信息及影像组学的LVEF预测表现Tab 3 LVEF prediction performance based on clinical and radiomic informationFeature groupBasic informationRadiomicsCMRCMR+radiomicsMAE0.0710.0020.0660.0020.0600.0010.0560.001P value0.0000.0000.001NANote:indicates best radiomics-based model with RF algorithm.P value is calculated compared with the CMR+radiomics group.The clinical data include age,gender,weight,height,BMI and BSA.The CMR parameters include LVEDV,LVEDM,LVEDV/BSA and LVEDM/BSA.1166刘启明，等基于影像组学特征预测左室射血分数的可行性研究http:/上海交通大学学报（医学版），2023，43（9）MAE表现，验证了影像组学与临床信息结合能提升射血分数估计的准确性。利益冲突声明/Conflict of Interests本研究不存在利益冲突。All authors declare no conflict of interest.伦理批准和知情同意/Ethics Approval and Patient Consent本研究已通过上海交通大学医学院附属仁济医院伦理委员会批准（伦理审批编号：20170406J），并于美国临床试验数据库注册（ID：NCT02941315）。所有受试者均签署知情同意书。This study was approved by Ethics Committee of Renji Hospital,Shanghai Jiao Tong University School of Medicine(20170406J),and registered in the clinical trials database(http:/clinicaltrials.gov,NCT02941315).Informed consent was obtained from all subjects.作者贡献/Authors Contributions姜萌、卜军和刘启明参与研究设计，刘启明、柴烨子和卢启帆参与数据收集，刘启明负责数据分析，刘启明、柴烨子和卢启帆负责文章撰写和修改。所有作者均阅读并同意了最终稿件的提交。JIANG Meng,PU Jun and LIU Qiming participated in research design.LIU Qiming,CHAI Yezi and LU Qifan participated in data collection.LIU Qiming participated in data analysis.LIU Qiming,CHAI Yezi and LU Qifan drafted and revised the manuscript.All the authors have read the last version of paper and consented for submission.Received:2023-03-23Accepted:2023-08-04Published online:2023-09-28参考文献 1 HUYNH K.Heart failure:improvement of LVEF in patients with HF is linked to better prognosisJ.Nat Rev Cardiol,2016,13(9):505.2 LEWEY J,LEVINE L D,ELOVITZ M A,et al.Importance of early diagnosis in peripartum cardiomyopathyJ.Hypertension,2020,75(1):91-97.3 Lang RM,Badano LP,Mor-Avi V,et al.Recommendations for cardiac chamber quantification by echocardiography in adults:an update from the American Society of Echocardiography and the European Association of Cardiovascular ImagingJ.J Am Soc Echocardiogr,2015,28(1):1-39.e14.4 OMMEN S R,MITAL S,BURKE M A,et al.2020 AHA/ACC guideline for the diagnosis and treatment of patients with hypertrophic cardiomyopathy:executive summary:a report of the American college of cardiology/American heart association joint committee on clinical practice guidelinesJ.Circulation,2020,142(25):e533-e557.5 LAVIE C J,HARMON K G.Routine ECG screening of young athletesJ.J Am Coll Cardiol,2016,68(7):712-714.6 SHIGA T,WAJIMA Z,INOUE T,et al.Survey of observer variation in transesophageal echocardiography:comparison of anesthesiology and cardiology literatureJ.J Cardiothorac Vasc Anesth,2003,17(4):430-442.7 IBANEZ B,ALETRAS A H,ARAI A E,et al.Cardiac MRI endpoints in myocardial infarction experimental and clinical trialsJ.J Am Coll Cardiol,2019,74(2):238-256.8 KWAN A C,POURMORTEZA A,STUTMAN D,et al.Next-generation hardware advances in CT:cardiac applicationsJ.Radiology,2021,298(1):3-17.9 YU X,YAO X X,WU B F,et al.Using deep learning method to identify left ventricular hypertrophy on echocardiographyJ.Int J Cardiovasc Imaging,2022,38(4):759-769.10 SALIBA L J,MAFFETT S.Hypertensive heart disease and obesity:a reviewJ.Heart Fail Clin,2019,15(4):509-517.11 GEORGIOPOULOS G,FIGLIOZZI S,PATERAS K,et al.Comparison of demographic,clinical,biochemical,and imaging findings in hypertrophic cardiomyopathy prognosis:a network meta-analysisJ.JACC Heart Fail,2023,11(1):30-41.12 FUNADA A,KANZAKI H,NOGUCHI T,et al.Prognostic significance of late gadolinium enhancement quantification in cardiac magnetic resonance imaging of hypertrophic cardiomyopathy with systolic dysfunctionJ.Heart Vessels,2016,31(5):758-770.13 LYU Q,SHAN H M,XIE Y B,et al.Cine cardiac MRI motion artifact reduction using a recurrent neural networkJ.IEEE Trans Med Imaging,2021,40(8):2170-2181.14 LARKMAN D J,HERLIHY A H,COUTTS G A,et al.Elimination of magnetic field foldover artifacts in MR imagesJ.J Magn Reson Imaging,2000,12(5):795-797.15 RAJIAH P,KAY F,BOLEN M,et al.Cardiac magnetic resonance in patients with cardiac implantable electronic devices:challenges and solutionsJ.J Thorac Imaging,2020,35(1):W1-W17.16 FERREIRA P F,GATEHOUSE P D,MOHIADDIN R H,et al.Cardiovascular magnetic resonance artefactsJ.J Cardiovasc Magn Reson,2013,15(1):41.17 GILLIES R J,KINAHAN P E,HRICAK H.Radiomics:images are more than pictures,they are dataJ.Radiology,2016,278(2):563-577.18 LAMBIN P,LEIJENAAR R T H,DEIST T M,et al.Radiomics:the bridge between medical imaging and personalized medicineJ.Nat Rev Clin Oncol,2017,14(12):749-762.19 KELLER H,WANGER K C,GOEPFRICH M,et al.Morphological quantification and differentiation of left ventricular hypertrophy in hypertrophic cardiomyopathy and hypertensive heart disease.A two dimensional echocardiographic studyJ.Eur Heart J,1990,11(1):65-74.20 ZWANENBURG A,VALLIRES M,ABDALAH M A,et al.The image biomarker standardization initiative:standardized quantitative radiomics for high-throughput image-based phenotypingJ.Radiology,2020,295(2):328-338.21 VAN GRIETHUYSEN J J M,FEDOROV A,PARMAR C,et al.Computational radiomics system to decode the radiographic phenotypeJ.Cancer Res,2017,77(21):e104-e107.22 PEDREGOSA F,VAROQUAUX G,GRAMFORT A,et al.Scikit-learn:machine learning in pythonEB/OL.(2018-06-05)2023-03-23.https:/arxiv.org/abs/1201.0490.23 BUSTIN A,FUIN N,BOTNAR R M,et al.From compressed-sensing to artificial intelligence-based cardiac MRI reconstructionJ.Front Cardiovasc Med,2020,7:17.24 VARRIANO G,GUERRIERO P,SANTONE A,et al.Explainability of radiomics through formal methodsJ.Comput Methods Programs Biomed,2022,220:106824.25 FAHMY A S,ROWIN E J,ARAFATI A,et al.Radiomics and deep learning for myocardial scar screening in hypertrophic cardiomyopathyJ.J Cardiovasc Magn Reson,2022,24(1):40.11672023,43（9）上海交通大学学报（医学版）Vol.43 No.9 Sept.2023JOURNAL OF SHANGHAI JIAO TONG UNIVERSITY(MEDICAL SCIENCE)26 RAISI-ESTABRAGH Z,JAGGI A,GKONTRA P,et al.Cardiac magnetic resonance radiomics reveal differential impact of sex,age,and vascular risk factors on cardiac structure and myocardial tissueJ.Front Cardiovasc Med,2021,8:763361.27 WANG S,PATEL H,MILLER T,et al.AI based CMR assessment of biventricular functionJ.JACC Cardiovasc Imaging,2022,15(3):413-427.28 ZHENG X Y,YAO Z,HUANG Y N,et al.Deep learning radiomics can predict axillary lymph node status in early-stage breast cancerJ.Nat Commun,2020,11(1):1236.29 BERNARD O,LALANDE A,ZOTTI C,et al.Deep learning techniques for automatic MRI cardiac multi-structures segmentation and diagnosis:is the problem solved?J.IEEE Trans Med Imaging,2018,37(11):2514-2525.30 CAMPELLO V M,MARTN-ISLA C,IZQUIERDO C,et al.Minimising multi-centre radiomics variability through image normalisation:a pilot studyJ.Sci Rep,2022,12(1):12532.31 PIANTADOSI G,SANSONE M,FUSCO R,et al.Multi-planar 3D breast segmentation in MRI via deep convolutional neural networksJ.Artif Intell Med,2020,103:101781.本文编辑 崔黎明“双一流”暨高水平地方高校建设项目一流学科药学紧密对接国家医药产业发展和上海生物医药产业布局，打造新药研究转化和创新策源高地。深化药理学关键技术平台和临床药学创新研究院2个一流创新平台建设，进一步增强学科解决重大生命科学关键问题的能力。布局药物分子精准、中西医融合等新兴交叉方向，推动学科交叉协同发展。锻造教研并重的人才队伍，拓展与国际一流大学战略合作，加大力度培养生物医药产业急需的高层次药学创新人才，加快新药研发，推进新药与创新生物技术的转化体系建设，创新高校与产业的互通协作模式。