基于超声纹理分析预测急性心肌梗死的研究 - 心脑血管

基于超声纹理分析预测急性心肌梗死的研究Ultrasonic Texture Analysis for Predicting Acute Myocardial Infarction - ScienceDirect

环球医讯 / 心脑血管来源：www.sciencedirect.com美国 - 英语2025-08-22 23:12:44 - 阅读时长2分钟 - 933字

本研究创新性地应用"超声纹理分析"技术，通过机器学习模型从心脏超声图像中提取高通量像素级信息，成功识别心肌梗死后心肌组织的声学特性变化。研究显示机器学习模型的诊断效能显著优于深度迁移学习方法（AUC 0.87 vs 0.74），且该模型在评估左室纵向应变<16%的心肌功能障碍患者时仍保持84%的诊断准确率。通过结合纵向应变参数与机器学习概率，诊断效能进一步提升（AUC 0.86），研究还开发了曼哈顿图可视化工具实现心肌梗死区域的参数化定位。

摘要

背景

急性心肌梗死会改变心肌细胞的几何结构和组织架构，导致心肌声学特性发生改变。

目标

本研究验证"超声纹理分析"（ultrasomics）——一种基于心脏超声的放射组学新技术，通过提取图像中的高通量像素级信息，识别与心肌梗死相关的超声纹理和形态学改变。

方法

研究纳入684例来自多源数据的参与者：a）回顾性单中心匹配病例对照数据集，b）前瞻性多中心匹配临床试验数据集，c）开源国际多厂商数据集。通过手工提取和深度迁移学习方法，从心尖2腔和4腔切面超声图像中提取特征，并采用留一源交叉验证法进行外部验证，训练机器学习模型。

结果

机器学习模型在心肌梗死识别中的曲线下面积（AUC）显著高于深度迁移学习方法（0.87 [95%CI:0.84-0.89] vs 0.74 [95%CI:0.70-0.77]；P<0.0001）。即便调整传统超声心动图参数后，机器学习概率仍是心肌梗死的独立预测因子（校正OR：1.03 [95%CI:1.01-1.05]；P<0.0001）。在左室纵向应变<16%的心肌功能障碍患者中，机器学习概率仍展现出良好诊断效能（AUC：0.84 [95%CI:0.77-0.89]）。联合纵向应变参数与机器学习概率可显著提升预测效能（AUC：0.86 [95%CI:0.80-0.91] vs 单独纵向应变的0.80 [95%CI:0.72-0.87]；P=0.02）。曼哈顿图可视化分析显示，超声纹理特征可有效区分梗死与非梗死心肌节段（P<0.001），并实现梗死心肌的参数化可视化。