肥胖是心力衰竭(HF)和广泛心血管风险的主要可改变因素，新型抗肥胖药物（如肠促胰素类似物）即使在无糖尿病患者中也能有效降低主要不良心血管事件。最初，脂肪组织(AT)被认为通过分泌促炎脂肪因子和细胞因子对心血管系统产生有害的内分泌和旁分泌作用。最近的研究突显了不同AT库之间存在显著异质性，内脏脂肪对肥胖的不良心脏代谢影响贡献尤为突出。此外，脂肪组织的代谢谱正日益被认识到是肥胖中的关键可调节因素和治疗靶点，肠促胰素类似物对心血管的益处与观察到的体重减轻相分离的新兴证据进一步支持了这一观点。
心外膜脂肪组织(EAT)是一种生物活性内脏脂肪库，直接环绕人类心肌。值得注意的是，EAT不仅对人类心脏产生旁分泌作用，还能感知来自邻近心肌的炎症信号。这种由内到外的信号传导会引起脂肪细胞代谢谱的变化，导致抗炎脂肪因子的代偿性上调，这一现象在疾病状态下（如心力衰竭）最为明显。在此过程中，EAT经历脂解作用，导致与炎症心肌相邻的层从脂质丰富转变为含水丰富。这些区域也表现出明显的纤维化和血管生成，由来自心肌的促纤维化和促血管生成信号驱动。因此，EAT根据心脏发出的早期疾病信号改变其纹理和组成的能力为心肌生物学提供了直接窗口。然而，其临床转化受到缺乏能够表征这种表型转变的既定影像学生物标志物的限制，这些标志物超越了简单的体积扩张。
冠状动脉CT血管造影(CCTA)已发展成为冠状动脉疾病(CAD)调查的一线测试。人工智能(AI)的进步使得能够对这些扫描进行自动化分析，以识别在标准临床解释中不明显的 cardiovascular 风险特征。这一范式先前导致了冠周脂肪放射组学谱(FRP)的开发，该谱已证明与冠状动脉炎症具有可重复的关联，这一过程抑制了血管周围脂肪生成并促进血管周围脂肪中的脂解、纤维化和血管生成，对主要不良心脏事件具有预后意义。然而，定义将全球心外膜脂肪与心力衰竭风险联系起来的可重复放射组学生物标志物的努力受到缺乏大型多中心影像学研究、算法方法处理技术混杂因素和噪声的匮乏，以及技术上无法捕捉EAT对心肌旁分泌信号的3维纹理变化的限制。
我们假设对EAT纹理和组成的无创表征可能标记这种早期重塑，从而实现对未来心力衰竭风险的准确分层。我们使用深度学习支持的放射组学方法测试了这一假设，该方法表征了作为ORFAN（牛津风险因素和无创影像；NCT05169333）研究一部分收集的常规CCTA扫描中的心外膜脂肪，这是将CCTA数据与集中式电子健康记录(EHR)联系起来的最大多中心队列。总体目标是定义一种可扩展技术，用于筛查作为临床护理一部分接受CCTA的患者，以检测心力衰竭的早期信号，这可能指导及时干预以改善临床结果。
方法
研究设计和参与者
ORFAN研究获得了牛津郡研究伦理委员会(15/SC/0,545)的批准。在分析时，ORFAN研究已从2007年至2022年英国9家不同医院和信托机构招募了87,987项研究，涉及81,187名唯一患者，这些患者作为常规临床护理的一部分接受了CCTA。符合条件的患者在CCTA时年龄为18岁或以上，且未选择退出将其临床数据用于研究。从这一初始样本中，我们将分析限制为每位参与者的按时间顺序第一项研究，并排除了已确诊心力衰竭（包括既往心室辅助装置放置或心脏移植史）或心肌梗死(MI)病史的个体。为进一步考虑病历中诊断代码延迟输入的可能性，我们还排除了扫描后30天内记录任一事件的个体。
患者人口统计学和临床结果数据通过当地EHR和全国数据库（NHS英格兰）使用国际疾病分类第10版(ICD-10)代码收集。心力衰竭诊断和缺血性心脏病(IHD)的详细特征从国家心血管结果研究中心(NICOR)数据集中收集，包括国家心力衰竭审计、心肌缺血国家审计项目和经皮冠状动脉介入治疗国家审计。结果数据收集至2023年3月31日。
数据随后在中心层面分为开发集（7个中心：牛津大学医院、皇家联合医院巴斯、皇家布朗普顿、巴茨医院、米尔顿凯恩斯医院、利兹教学医院、盖伊和圣托马斯医院）和地理上不同的测试集（2个随机选择的中心：皇家帕普沃斯医院和莱斯特大学医院），以对模型性能进行无偏外部评估。开发集进一步随机分为训练集和内部验证队列。纳入和排除的流程图见补充图1，研究设计概览见图1。
患者信息根据英国国家卫生服务法2006年第251条收集，经英国保密咨询小组批准（20/CAG/0,157）。符合条件的CCTA扫描使用符合通用数据保护条例的网关（CIMAR网关，Caristo Diagnostics）转移到牛津大学急性多学科影像和介入中心的ORFAN研究核心实验室。
关键定义和结果
在本研究中，关键暴露和结果基于当地和全国数据库、EHR以及标准诊断（即ICD-10）和程序（即手术程序代码补充4）代码定义（补充表1）。关键风险因素（如高血压、糖尿病）基于其在国家EHR数据库中首次出现的日期定义。主要结果是新发心力衰竭的发生率，定义为在纳入的无已知心力衰竭或既往MI的高风险个体中，索引CCTA扫描后≥30天首次出现特定心力衰竭ICD-10代码。这些临床结果与NICOR数据集中记录的事件进行交叉验证，并根据相应的超声心动图左心室射血分数值（≤40%、41%-49%和≥50%）进一步分类为射血分数降低（HFrEF）、轻度降低（HFmrEF）或保留（HFpEF）的心力衰竭。为了评估训练的放射组学模型对新发心力衰竭相对于其他主要不良心血管事件的特异性，我们还将关联与全因死亡率、心脏死亡率和新发MI作为关键次要结果进行了评估（补充表1）。我们进一步将心力衰竭事件分为存在或不存在IHD的事件，基于相关诊断代码的并发存在或不存在。
序列选择和心脏结构的自动分割
系列选择在每项研究内和后续心脏结构（心包、冠状动脉中心线、冠状动脉壁和血管周围脂肪组织[PVAT]）的分割使用CaRi-Heart V2.5（Caristo Diagnostics）进行。该设备使用深度学习模型对这些结构进行自动分割，这些模型已进一步校准，如补充方法中所述。
EAT放射组学特征提取
质量控制、分割步骤的训练、验证以及放射组学特征的提取的完整过程在补充方法中描述。简而言之，我们首先使用基于有效残差U-Net的卷积神经网络，该网络对以标准（DICOM）格式提供的输入CCTA扫描执行心包边界自动分割，如前所述。按照先前的工作，将-190至-30 Hounsfield单位(HU)的标准衰减阈值应用于心包分割定义的感兴趣区域内的所有体素，以分离EAT。使用此输入掩码，我们计算了总共1,655个放射组学特征，涵盖形状和一阶（例如，体积、形状和直方图派生指标）以及反映EAT库中衰减值分布的复杂空间关系的高阶放射组学特征，使用CaRi-Heart工具包的RAD-Extractor。该方法包括额外的小波变换，通过将图像分解为不同空间方向（例如，HHL、LLL）的低频和高频(L vs H)分量来捕获EAT中的多尺度纹理模式。这样做的目的是增强衰减异质性的表征，允许提取所有3个空间维度的精细和粗略结构细节。对于每次扫描，我们将所有放射组学特征与扫描时的年龄和记录性别编译成1,657维数组（1,655个放射组学特征+年龄+性别），用于模型训练和后续评估。这确保了学习的放射组学特征在评估与增加HF风险相关的潜在放射组学组合时考虑了年龄和性别的差异。
开发EAT特异性HF风险特征
在训练集中，所有放射组学特征（以及年龄和性别）首先通过ComBat归一化层处理，该层在中心级别执行批级别归一化，以解决不同成像协议或扫描仪参数跨中心引入的系统变化。该方法依赖于贝叶斯层次建模，该建模估计并去除特定于站点的偏差，同时保留生物变异性，确保跨成像中心的特征分布相似，同时最小化可能使学习的表示产生偏差的混杂效应。在训练集中估计归一化参数并应用于验证和测试集，以避免信息泄漏。处理后的特征随后进入生存自动编码器。第一部分由编码器-解码器架构组成，隐藏维度为[32, 16, 8]，包含ReLU激活、批量归一化和丢弃（P = 0.3），旨在压缩1,657个特征。这旨在正则化特征学习，从高维放射组学数据中提取有意义的表示，并在不损失判别能力的情况下减少噪声。最后一部分由生存预测头组成，这是一个单层线性Cox回归层，在潜在空间上操作并产生与风险比成比例的连续对数风险评分。我们使用结合自动编码器的重建均方误差损失和用于生存建模的Cox部分对数似然损失的加权损失函数进行训练。
模型训练使用学习率为1×10^-3的Adam优化器、批量大小为64以及针对验证损失连续3个周期无改善设置的早停功能进行。模型最多训练100个周期，使用具有32 GB VRAM的Nvidia Tesla V100 GPU。为防止过拟合，如果验证损失在3个周期后未能改善，我们实现了早停功能。最后，我们将生存层（对数风险评分）的输出预测转换为基于开发集中相应分布的百分位数（以避免数据泄漏到测试集），并促进人群水平比较的解释。
CT衍生协变量
为实现影像相关表型的一致调整，我们提取了几个CT衍生协变量纳入多变量模型。CAD负担根据从CCTA报告派生的CAD-RADS 2.0分类进行量化（类别0至5，当原始报告中的信息不足无法可靠确定时单独类别）。EAT体积从用于放射组学特征提取的相同自动心包分割计算。当人体测量参数缺失时，身体质量指数(BMI)通过使用专用深度学习模型直接从CCTA图像估计身高和体重得出。在可能的情况下，使用扫描时可用的数据，根据先前验证的公式估计10年PREVENT-HF风险。
模型可解释性
为提供关于各个放射组学特征相对贡献的可解释见解，我们首先使用Shapley加法解释(SHAP)值。简而言之，SHAP值通过平均每个放射组学特征在所有可能特征组合中的贡献来估计其对模型预测的影响，提供重要性的全局一致度量。我们还检索了具有视觉上相似EAT分布和体积的个体的代表性例子，但放射组学表型揭示了与新发心力衰竭风险差异相关的FRP_HF特征的显著差异。
评估EAT与冠周放射组学表型的特异性
为更好地了解通过FRP_HF进行EAT放射组学表型与冠周脂肪特异性成像的特异性，我们重新校准了FRP_PVAT（如前所述），用于预测ORFAN人群中的MI事件。所有冠状动脉和周围PVAT的自动分割均在CaRi-Heart v2.5内进行，通过应用无监督全自动分割管道。从PVAT掩码中，我们计算了总共4,965个放射组学特征（围绕3个主要冠状血管中的每一个计算的1,655个放射组学特征，即右冠状动脉、左前降支和左回旋支）（补充方法），这些特征通过上述相同的年龄和性别调整生存自动编码器架构处理。这使得可以直接比较全球与冠周EAT放射组学特征在预测HF与MI事件方面的特异性。
统计分析
连续变量总结为平均值±SD或中位数（Q1-Q3），分类变量总结为n（%）。通过线性回归模型或适当的非参数Spearman rho检查连续变量之间的单变量相关性。我们在具有代表性放射组学特征百分位数组的Nelson-Aalen累积风险曲线上评估了FRP_HF百分位数与新发HF之间的关联，以及在包含FRP_HF百分位数以及年龄、性别、传统心血管风险因素（EAT体积、BMI、高血压、糖尿病、慢性肾病、IHD病史、MI、外周动脉疾病和卒中）和CAD-RADS的多变量Cox回归模型中。使用类似的多变量模型，我们估计了跨越EAT放射组学百分位数评分的1年、3年和5年HF累积发生率，这在限制性三次样条Cox模型（k = 3结）中图形化呈现。我们通过考虑全因死亡率作为竞争风险并通过使用在站点级别聚类的Huber-White sandwich估计器的Cox比例风险模型来评估模型稳健性。
在预定时间间隔（5年）估计时间依赖性区分度指标，并用于绘制一系列模型的时间依赖性AUC。模型1包括年龄、性别和EAT体积；模型2进一步纳入了上述所有临床风险因素（建立基线参考）；模型3仅包括年龄、性别和FRP_HF；模型4将FRP_HF百分位数评分纳入基线模型（模型2）。使用DeLong检验对配对比较与基线模型的区分度差异进行评估。使用连续净重新分类指数(NRI)检查净重新分类改善，而临床效用则使用决策曲线分析估计，评估在一系列临床相关风险阈值范围内纳入FRP_HF的模型的净收益。在适当的情况下，通过使用500次重复的自举计算95% CI。通过估计关键风险组（<2.5%、2.5%-9.9%、10%-19.9%、≥20%）在5年时的预测与观察绝对风险来评估校准，使用Greenwood-d'Agostino-Nam检验和统计量。这些被选为临床上可解释的类别，常用于先前的HF风险预测和预防框架，指导临床决策。
在亚组分析中，为确保由于事件计数减少而进行的亚组分析中的模型收敛，任何亚组估计（跨年龄、性别和种族组）仅针对年龄和性别进行调整。在进一步分析中，我们评估了FRP_HF与BMI、EAT体积和10年PREVENT-HF风险中的每一个之间的横断面关联，在横断面线性回归分析中报告解释的方差比例。最后，我们使用线性回归检查了FRP_HF与FRP_PVAT之间的相关性，以及在单独的多变量Cox回归模型中每个生物标志物与一系列结果的调整关联。
我们将α（α）设为0.05，不对多重比较进行调整。统计分析和可视化使用Python 3.11版（Python软件基金会）和R 4.2.3版（R基金会）进行。报告符合TRIPOD-AI声明和PRIME 2.0指南。
结果
研究人群
从ORFAN队列中的81,187名唯一个体中，7,389名（9.1%）在进行CCTA时已有心力衰竭或已知基线或既往MI事件，1,015名（1.5%）在CCTA后不到30天内被诊断为新HF或MI或死亡，32名（0.04%）具有不完整的放射组学特征提取。排除这些患者后，我们的研究样本由72,751名无HF或既往MI的个体组成，这些个体接受了CCTA并在英国9家医院中至少有30天或更长的随访。研究人群流程图见补充图1，研究人群人口统计学特征总结见表1。符合条件的参与者在中心层面分为开发集（用于训练和内部验证的7个中心）和地理上不同的外部验证集（2个中心）（图1，补充图1）。前者包括59,327名唯一参与者（平均年龄56.6±13.2岁，47.5%为女性），在中位随访5.1年（Q1-Q3：3.4-7.6年）后报告了1,737名（2.9%）新HF事件（≥30天）。其中，47,461名个体（80.0%）在训练集中随机抽样，其余11,866名（20.0%）纳入内部验证集。外部验证集包括来自2个地理上不同中心的13,424名唯一参与者（平均年龄57.8±12.2岁，49.4%为女性），中位随访4.0年（Q1-Q3：3.0-6.9年），363名（2.7%）新HF事件。
EAT放射组学表型与新发HF
使用定制的生存自动编码器架构，我们在47,461名唯一个体的训练队列中训练了一个全球EAT放射组学特征（FRP_HF）来预测新发HF事件。最终模型对CCTA后≥30天的新HF事件显示出稳健的区分能力，在训练集中的C指数为0.883（95% CI：0.875-0.893），在内部验证集为0.869（95% CI：0.850-0.889），在外部验证集为0.850（95% CI：0.831-0.870）。在调整年龄、性别、传统风险因素（BMI、EAT体积、高血压、糖尿病、慢性肾病、IHD病史、外周动脉疾病和卒中）和CAD-RADS后，我们观察到FRP_HF每增加四分之一（25百分位数），内部和外部验证队列中HF发病率增加3.9倍（内部调整HR：3.90[95% CI：3.13-4.84]；外部调整HR：3.79[95% CI：3.01-4.76]；两者P<0.001）。存在剂量-反应关联，新发HF的绝对风险在FRP_HF的50百分位数以上显著增加，而>90百分位数的个体与≤10百分位数相比，HF风险几乎高出20倍（调整HR：19.96；95% CI：7.10-56.11；P<0.001）（图2）。
FRP_HF与传统心血管风险因素
在两个验证集中，将FRP_HF添加到由年龄、性别、传统风险因素和CAD-RADS组成的基线模型中，显著改善了新发HF的区分能力（内部：5年AUC：0.881 vs 0.810；ΔAUC：0.071[95% CI：0.051-0.092；P<0.001]；外部：5年AUC 0.862 vs 0.815；ΔAUC：0.047[95% CI：0.029-0.065；P<0.001]）（图3）。将FRP_HF添加到基线风险因素中还改善了风险分类（连续NRI：0.39；95% CI：0.29-0.48；P<0.001），而决策曲线分析显示，在5%至15%的临床相关5年HF风险阈值范围内，纳入FRP_HF的模型具有更高的净收益（补充图3）。在5年时HF无事件生存的观察和预测风险之间有良好的校准（Greenwood-d'Agostino-Nam P值=0.055）（补充图4）。
在关键的年龄和性别调整亚组分析中，该模型在包括男性和女性、年轻和年长者、不同种族/族裔背景、CAD-RADS类别范围以及无论是否存在糖尿病或已知左侧心脏瓣膜疾病在内的亚组中表现出一致的性能（图4）。值得注意的是，在与超声心动图参数链接的敏感性分析中，该关联在射血分数谱中保持一致，FRP_HF较高与HFrEF/HFmrEF和HFpEF事件发生率较高相关（每25百分位数增量的调整HR：2.81[95% CI：1.04-7.55] vs 3.45[95% CI：1.24-9.55]）（补充图5）。
FRP_HF与传统肥胖、炎症和HF生物标志物
为更好地理解EAT放射组学表型相对于简单或传统的人类肥胖非侵入性影像学生物标志物的重要性，我们进一步评估了BMI、CT定义的EAT体积和衰减与FRP_HF之间的相互作用。在外部集中，BMI仅解释了FRP_HF中方差的1.4%（R²=0.014；95% CI：0.009-0.022），而EAT体积同样仅解释了一小部分（R²=0.065；95% CI：0.058-0.072）。作为参考，PREVENT-HF解释了测试集中FRP_HF中方差的18%（R²=0.18；95% CI：0.14-0.22）（补充图6）。有趣的是，在基线无糖尿病的外部集中的12,053名个体中，FRP_HF较高与新发糖尿病（n=789例新诊断）在未调整模型中相关（每25百分位数增量的未调整HR：1.20；95% CI：1.02-1.41），但在调整EAT体积以及年龄和性别后关联减弱（每25百分位数增量的调整HR：1.08；95% CI：0.94-1.24）。
最后，在5,151名和509名分别来自内部和外部验证集的患者汇总分析中，这些患者在CCTA前后1年内（±365天）记录了高敏C反应蛋白(hsCRP)和N末端前B型利钠肽(NT-proBNP)测量值，我们观察到FRP_HF较高与循环炎症（hsCRP：R²=0.043；P<0.001）和NT-proBNP（R²=0.109；P<0.001）水平较高之间存在显著但较弱的相关性（补充图7）。最后，在敏感性分析中，排除CCTA扫描前既往测量的射血分数<50%或NT-proBNP水平≥300 pg/mL的患者导致FRP_HF与新发HF之间关联的名义效应大小更强（n=13,407次观察；每25百分位数增量的调整HR：8.49；95% CI：2.30-31.34）。
FRP_HF与FRP_PVAT
为了解不同EAT区域放射组学表型的价值，我们评估了FRP_HF（HF风险的全球EAT特征）和FRP_PVAT（MI风险的区域性冠状PVAT特征，根据我们先前的工作使用每个主要3个血管的1,655个放射组学特征计算）之间的横断面相关性（补充方法，图5A）。FRP_HF中总方差的不到四分之一（R²=0.23；95% CI：0.22-0.24）由FRP_PVAT解释，反之亦然（图5B）。关键的是，全球心外膜与局部冠周放射组学表型对预测未来HF与血管事件分别表现出特异性。例如，无论是否存在IHD，FRP_HF对HF事件都表现出一致的性能（图5C），而FRP_PVAT对MI表现出相对特异性，且仅在存在IHD的情况下对HF事件表现出特异性（图5D）。
FRP_HF实现可解释的预测
在基于SHAP（Shapley加法解释值）的可解释性评估中，我们观察到形状（几何）特征，包括心外膜脂肪的最小轴长度、扁平度、体积和表面积，以及反映心肌周围衰减模式空间分布的高阶放射组学纹理特征（例如，区域熵、灰度方差）在特征重要性方面排名最高，强调了对心外膜脂肪进行多参数表征以进行心脏风险分层的必要性（补充图8）。在图6中，我们进一步展示了如何对2个其他方面相似的EAT库进行EAT的放射组学表型，可能揭示隐藏的表型，这些表型对下游HF风险具有预后意义。
讨论
在这项研究中，我们提出了一种新型全自动机器学习算法FRP_HF，该算法使用EAT的深度放射组学表型来预测接受CCTA的个体中的新发HF（中央插图）。在超过70,000名接受CCTA的人群中，FRP_HF优于由传统风险因素组成的模型，并表现出对HF而非竞争性心血管结果的特异性。重要的是，这些发现在地理上不同的数据集、关键人口统计学子组以及CAD存在和严重程度类别中均有效。综合起来，这些发现确立了CCTA解释的新维度，突显了其作为早期HF迹象筛查工具的前景，通过揭示隐藏在心外膜脂肪库中的临床和预后相关的表型信息。将这种自动图像分析模型整合到临床护理中，可能为高风险个体提供有针对性的风险修正策略，包括精准部署脂肪组织调节治疗。
这项工作在临床和方法学上都是新颖的。从临床角度看，FRP_HF最好被解释为预后风险富集生物标志物。如本全国队列所示，FRP_HF一致且可重复地识别出具有不成比例升高的长期风险的亚组，尽管队列水平的HF新发风险较低。在此背景下，FRP_HF的主要价值在于完善风险分层，最终在未来的前瞻性研究中实现生物学基础的预防和心肌保护策略的评估。这进一步得到证据的支持，即EAT既作为心肌炎症的传感器，又作为心肌生物学、炎症和纤维化重塑的调节器，通过来自和前往人类心脏的旁分泌信号分子，这种双向相互作用也在血管周围脂肪和冠状动脉之间被描述。
我们的结果还为将内脏脂肪与新发心血管疾病联系起来的更广泛流行病学格局提供信息。大量研究表明内脏脂肪与心血管风险之间存在强烈关联。非侵入性成像方式，包括CT、磁共振成像和经胸超声心动图，已显示出估计EAT质量的能力，提供可访问的心脏代谢风险生物标志物。开发EAT高风险放射组学特征的努力在很大程度上依赖于非对比CT扫描（例如，用于冠状动脉钙评分），其空间分辨率明显低于CCTA，从而限制了EAT中亚毫米区域重塑的检测，这对实现对组织生物学和结构的可靠见解至关重要。此外，我们已经表明，对比增强放射组学可以检测EAT中的细胞外基质变化，包括微血管重塑。
本研究还强调了在心血管表型谱上区域疾病特异性表征EAT的相关性。通过评估FRP_HF对HF事件的特异性，并将其性能与先前开发的PVAT放射组学特征（FRP_PVAT）进行比较，我们证明不同的AT库在心肌与血管疾病的发病机制中发挥不同作用。虽然FRP_PVAT源自PVAT（更广泛EAT库的子组件），但它与缺血性但非缺血性HF事件相关，支持其对冠状动脉炎症和动脉粥样硬化的特异性。相比之下，FRP_HF与缺血性和非缺血性HF事件相关，但与MI无关，表明它反映的是心肌而非血管生物学。
这项工作产生了6个主要优势和影响。首先，我们介绍了在CCTA上不良EAT重塑的最广泛训练和验证的放射组学特征及其与新发HF的特定联系。第二，本研究代表了迄今为止对CCTA扫描的最大放射组学分析，使用了链接到国家EHR数据的最大CCTA放射组学资源，从而确保对暴露、表型和结果的全面捕获。第三，所提出的算法是全自动的，消除了手动预处理的需要，并确保操作员独立性和跨成像平台的可扩展性。第四，我们的放射组学特征通过超越传统的体积和衰减特征，推进了当前的EAT成像标准，提供高维放射组学描述符，这些描述符一致地提供相对于传统影像学生物标志物和临床风险因素的增量预后价值。第五，该算法表现出稳健的泛化能力，在外部未见数据集上表现一致，并对HF表现出相对于其他心脏代谢和血管结果的强特异性。第六，鉴于CCTA在许多诊断途径中的核心作用及其在初级预防中不断发展的角色，我们的模型为临床转化提供了一条直接途径。一方面，FRP_HF能够直接量化不良内脏脂肪，并可指导心肌代谢风险因素优化的强化。另一方面，在新兴的肠促胰素类疗法背景下，诸如FRP_HF之类的工具可能有助于扩大治疗适应症，不仅包括BMI定义的肥胖或2型糖尿病等已建立的合并症，还包括具有不良EAT重塑影像学证据的个体。值得注意的是，EAT放射组学特征的预后效用似乎在无已知糖尿病的个体中最明显，并且在基线BMI正常的人群中得以保留，进一步强调了其发现传统指标无法捕获的潜在风险的潜力。
研究局限性
首先，分析在英国多个中心进行，可能反映当地CCTA使用模式，不能完全推广到其他国家。然而，尽管CCTA在英国比在许多其他卫生系统中更早被采纳为一线诊断方式，但近年来其使用已变得更加标准化并在国际上更广泛采用。第二，尽管外部验证支持放射组学特征的泛化能力，但在使用新型扫描仪技术（如光子计数CT系统）的研究中仍需进一步评估。第三，尽管区分度的绝对增益较小，但它们是一致的、统计稳健的，并伴随着保留的净临床获益和风险重新分类，支持FRP_HF的转化相关性。第四，由于超出本工作的范围，未进行不同EAT位置的区域表型或联合EAT和心肌表型。第五，由于不完整的随访人体测量数据，无法全面建模肥胖的纵向变化。然而，新发糖尿病的分析提供了补充代谢终点，有助于区分全球脂肪负担与定性心外膜脂肪重塑。第六，涉及hsCRP和NT-proBNP的分析仅限于更广泛队列的子集，应解释为探索性。第七，虽然性能在异构采集协议和临床设置中得以保留，但在其他供应商生态系统中的验证是重要的未来方向。最后，应谨慎解释种族亚组样本量较小的亚组分析，因为稀疏事件可能导致不稳定估计。
结论
在迄今为止最大的基于CCTA的放射组学分析中，我们开发并验证了一种用于EAT高通量放射组学表型的自动AI算法，证明了其与新发HF的可重复联系。综合起来，这些发现支持EAT放射组学作为一种生物学信息丰富的预后和风险富集工具，以支持未来的预防和治疗研究。
【全文结束】
