CT冠状动脉周围脂肪衰减结合机器学习算法诊断冠心病心肌缺血OACSTPCD

[目的]探讨利用机器学习算法结合冠状动脉计算机断层扫描(CT)衍生的血管周围脂肪衰减指数(FAI)与斑块信息评估稳定型冠心病患者心肌缺血的可行性。[方法]回顾性分析2019年4月─2021年10月于复旦大学附属中山医院行术前冠状动脉CT血管成像(CCTA)、有创冠状动脉造影(ICA)及血流储备分数(FFR)测量患者的临床及影像学资料,筛选出206例稳定型冠心病患者。使用半自动斑块分析软件测量斑块及管腔的定量指标和斑块周围FAI,手动勾画距冠状动脉开口处10 mm起始长为40 mm的冠状动脉并测量冠状动脉周围FAI。比较心肌缺血(FFR≤0.8)和非心肌缺血(FFR>0.8)稳定型冠心病患者的斑块特征、斑块周围FAI和冠状动脉周围FAI的差异,通过ROC曲线评估利用机器学习算法结合斑块周围FAI、冠状动脉周围FAI和斑块特征对稳定型冠心病患者心肌缺血的诊断效能。[结果]206例稳定型冠心病患者分为FFR≤0.8组(50例)和FFR>0.8组(156例)。FFR≤0.8组患者的斑块周围FAI均值为-69.28±5.65 HU,显著高于FFR>0.8组的-80.10±7.75 HU(P<0.001)。使用机器学习模型进行进一步分析,包括XGBoost、随机森林和逻辑回归模型,这些模型诊断心肌缺血的准确率均超过0.8。其中,XGBoost模型表现最佳,准确率达到0.903,F1值为0.774,AUC为0.931,表明其在诊断心肌缺血中具有高度的有效性。[结论]FAI结合机器学习算法XGBoost模型是诊断心肌缺血的新方法,在评估稳定型冠心病患者的心肌缺血中具有更良好的诊断价值。