[中圖分類號]R541.4 [文獻(xiàn)標(biāo)志碼]A [文章編號] 1674-7887（2025）04-0332-06

Application studyofcoronaryangiography-based radiomicsnomogramin predicting no-reflow phenomenon during elective PCI*

XUPeishu，2*#，，YAOLihong*，LIU Hu，CAO Xinnan2，CHENYufeng2，ZHUO Jian’，F(xiàn)ANMengkang1，，SHENGHongzhuan*** （DepartmentofCardiology，Afiliated Hospitalof Nantong University，Jiangsu 226OO1; Medical Schoolof Nantong University）

[Abstract]Objective：Developmentofacoronaryangiography-basedradiomics nomogramforpredicting intraproceduralnoreflowriskduring electivepercutaneouscoronaryintervention（PCI）.Methods：Thisretrospectivestudyenrolled88patients undergoingelectivePCIandomlyalocatedintoatrainingset（62cases）andvalidationset26cases）.Radiomicsfeatures etracted frompreproceduralangiographicimageswereanalyzed throughunivariatescreeningandLASSOregresiontoidentifykey predictors.Theseselectedfeatureswereintegratedwiththeindependentclinicalrisk factortoconstructthenomogrammodel. Model performancewassystematicallyevaluatedusing ROC curveanalysis，F(xiàn)1-score，and decisioncurve analysis（DCA）. Results：Theradiomicsnomogram demonstratedsuperior predictiveperformance，with AUCof O.897（O.816-0.978）in the trainingsetand0.810（0.64-0.979）inthevalidationset，ouperforingboththeclinical-onlymodel（0.77.696andadioics only model（0.792-0744）.ItalsoachievedahigherF1-score（0696）comparedwiththeclinical-onlymodel0.692）andradiic onlymodel（0.545）.DCAfurthervalidateditsclinicalutility.Conclusions：Theradiomics-basednomogramderivedfrom coronaryangiographydemonstratessuperiorpredictiveperformance comparedwithclinical-onlyandradiomics-onlymodels， enabling more effective risk stratification of no-reflow during elective PCI.

[Key words] acute coronary syndrome; no-reflow;percutaneous coronary intervention; radiomics

經(jīng)皮冠狀動脈介人治療（percutaneouscoronaryintervention，PCI）已經(jīng)成為處理冠狀動脈粥樣硬化性心臟病（以下簡稱冠心?。┑闹匾委熓侄沃弧CI中的常見并發(fā)癥一無復(fù)流現(xiàn)象可使患者術(shù)后發(fā)生重大心血管事件風(fēng)險顯著升高4＼～6倍2-3]。目前臨床通過介入術(shù)后的心肌梗死溶栓治療（thrombolysis inmyocardialinfarction，TIMI血流分級、心肌呈色分級或心臟MRI等評估“無復(fù)流”，缺乏有效的術(shù)前預(yù)測工具，導(dǎo)致無法針對高?；颊邔嵤╊A(yù)處理，嚴(yán)重影響手術(shù)安全性及患者預(yù)后

影像組學(xué)技術(shù)近年成功應(yīng)用于冠狀動脈CT血管成像鈣化量化、心臟MRI預(yù)后評估等領(lǐng)域[5-。本研究創(chuàng)新性地提出基于術(shù)前冠狀動脈造影影像組學(xué)特征，結(jié)合臨床危險因素，構(gòu)建擇期PCI無復(fù)流預(yù)測模型，并評估該模型在預(yù)測擇期PCI術(shù)中無復(fù)流的可靠性。

1對象與方法

1.1研究對象回顧性納入2021年3月—2022年9月在南通大學(xué)附屬醫(yī)院行擇期PCI的急性冠狀動脈綜合征（acute coronary syndrome，ACS）患者，采用病例對照研究方法，根據(jù)術(shù)中是否發(fā)生無復(fù)流現(xiàn)象分為兩組：病例組為發(fā)生無復(fù)流的ACS患者，對照組按1：1比例匹配同期未發(fā)生無復(fù)流的ACS患者。納入標(biāo)準(zhǔn)：（1）發(fā)病 24h 內(nèi)未行急診經(jīng)皮冠狀動脈介人治療（primary percutaneous coronary intervention， PPCI）的患者；（2）首次接受PCI治療且無冠狀動脈旁路移植手術(shù)史;（3）PCI成功處理罪犯血管。排除標(biāo)準(zhǔn)：（1）PCI圖像質(zhì)量不佳；（2）臨床資料不完整。最終共納入88例患者，其中病例組44例，對照組44例。研究方案經(jīng)南通大學(xué)附屬醫(yī)院醫(yī)學(xué)倫理委員會批準(zhǔn)（批號：2023-K098），所有患者均簽署知情同意書。

1.2實驗流程與方法

1.2.1PCI治療所有PCI操作及圍術(shù)期管理均嚴(yán)格遵循最新臨床指南。術(shù)前常規(guī)給予負(fù)荷劑量抗血小板治療（阿司匹林 300mg 聯(lián)合氯吡格雷 300mg 或替格瑞洛 180mg） 及標(biāo)準(zhǔn)化抗凝方案。手術(shù)由高年資介人心臟病學(xué)專家團(tuán)隊完成。

1.2.2數(shù)據(jù)收集 （1）基線資料：包括人口學(xué)特征（性別、年齡）既往病史（高血壓、糖尿病、腦卒中、心房顫動）、吸煙史及術(shù)前生命體征（SBP、DBP）。（2）實驗室指標(biāo)：總膽固醇、三酰甘油、低密度脂蛋白、肌酐、肌鈣蛋白I（cardiac troponinI，cTnI）、氨基末端腦利鈉肽前體（N-terminal pro-B-type natriuretic peptide， NT-proBNP）;手術(shù)參數(shù)：手術(shù)時長、罪犯血管位置。（3）無復(fù)流現(xiàn)象由兩名獨立介人心臟病學(xué)專家采用TIMI血流分級系統(tǒng)判定，定義：排除血管痙攣、血栓、殘余狹窄及解剖異常后，PCI術(shù)后靶血管TIMI血流 ?2 級。1.2.3圖像預(yù)處理和影像組學(xué)特征提取 （1）圖像分割：兩名介人專家采用3DSlicer軟件對靶血管造影圖像進(jìn)行手動分割，選取切線投照體位影像；（2）特征提?。和ㄟ^SlicerRadiomics模塊提取影像組學(xué)特征，包含形狀特征（14個）及紋理特征（GLCM、GLRLM等93個）。

1.2.4特征選擇及單純影像組學(xué)模型構(gòu)建采用兩步特征篩選策略降低過擬合風(fēng)險：（1）單因素分析：通過方差分析篩選組間差異顯著的特征 （Plt;0.05） 5（2）LASSO回歸：應(yīng)用最小絕對收縮與選擇算子算法，采用1-SE準(zhǔn)則優(yōu)化正則化參數(shù)入，保留系數(shù)非零特征?；诤Y選特征構(gòu)建單純影像組學(xué)模型，并通過線性加權(quán)生成影像組學(xué)評分（Rad-score）。

1.2.5影像組學(xué)列線圖構(gòu)建及模型評估將Rad-score與獨立臨床危險因素納入多因素Logistic回歸，構(gòu)建影像組學(xué)列線圖預(yù)測模型。通過校準(zhǔn)曲線評估預(yù)測概率與實際觀測值的一致性，并計算列線圖綜合評分（Nomo-score）量化個體風(fēng)險7。

1.2.6評估模型的判別能力 （1）判別能力：通過ROC曲線AUC比較臨床模型、影像組學(xué)模型及列線圖的區(qū)分度；（2）綜合性能：采用F1分?jǐn)?shù)（精確率與召回率的調(diào)和平均數(shù)）評估模型平衡性;（3）臨床效用：通過決策曲線分析（decisioncurveanalysis，DCA）量化不同風(fēng)險閾值下的臨床凈獲益。

1.2.7統(tǒng)計學(xué)方法使用R4.2.2軟件進(jìn)行分析，顯著性閾值設(shè)為 Plt;0.05 。分類變量采用 χ² 檢驗或Fisher精確檢驗，連續(xù)變量采用獨立樣本 χ_t 檢驗。關(guān)鍵R包包括：（1）模型構(gòu)建：“glmnet\"包（LASSO 回歸）和\"rms\"包（列線圖）；（2）效能評估：“pROC\"包（ROC分析）和“rmda\"包（DCA）;（3）可視化：\"ggplot2\"包（圖形繪制）[8]。

2結(jié)果

2.1臨床模型的建立本研究最終納入88例接受擇期PCI治療的ACS患者，采用R軟件按7：3比例隨機(jī)分為訓(xùn)練集 （n=62） 與測試集 （n=26） ，見表1。單因素分析顯示在訓(xùn)練集中，年齡、總膽固醇、低密度脂蛋白、cTnI、NT-proBNP及術(shù)前SBP的組間差異均有統(tǒng)計學(xué)意義（均 Plt;0.05

為全面評估潛在預(yù)測因素并避免單變量篩選偏倚，所有基線變量（包括性別、年齡、病史、實驗室指標(biāo)及手術(shù)特征等）均納人模型構(gòu)建?；谟?xùn)練集數(shù)據(jù)，采用LASSO回歸模型結(jié)合10折交叉驗證進(jìn)行變量篩選及模型優(yōu)化。交叉驗證結(jié)果顯示，當(dāng)正則化參數(shù) λ 取1個標(biāo)準(zhǔn)誤內(nèi)最優(yōu)值（lambda.1se=0.1761416）時，僅保留1個非零系數(shù)特征（圖1）。通過R軟件輸出結(jié)果，僅 cTnI 作為臨床模型中有效預(yù)測因子。

注：LAD，冠狀動脈左前降支（leftanteriordescendingartery）;LCX，冠狀動脈左回旋支（leftcircumflex artery）;RCA，右冠狀動脈（right coronary artery）。

注： ^A，X 軸為對數(shù)正則化參數(shù) （Logλ），Y 軸為均方誤差（mean-squareerror，MSE）。曲線顯示，隨著 Log（λ） 減小 （λ 降低），MSE逐漸下降并趨于穩(wěn)定，表明模型擬合能力隨正則化強(qiáng)度減弱而提升。右側(cè)虛線標(biāo)注通過1-SE準(zhǔn)則選擇的最優(yōu)入值（0.176 1416），灰色陰影為10折交叉驗證的MSE置信區(qū)間 ΠB，X 軸為 Logλ，Y 軸為特征系數(shù)值頂部橫軸為非零系數(shù)數(shù)量。曲線展示各影像組學(xué)特征的系數(shù)隨入增大的壓縮過程：當(dāng) λ 提升（右移）時，冗余特征系數(shù)被逐步壓縮至零，最終僅保留1個非零系數(shù)特征（虛線對應(yīng) λ= 0.176 1），實現(xiàn)特征高效篩選。

2.2影像組學(xué)特征標(biāo)識的選擇和Rad-score分?jǐn)?shù)計算本研究提取的影像組學(xué)特征經(jīng)觀察者間和觀察者內(nèi)一致性驗證后，通過單因素方差分析篩選出47個組間差異顯著特征 （Plt;0.05） 。進(jìn)一步采用LASSO回歸模型（正則化參數(shù) λ=0.1896，1-.5 E準(zhǔn)則）最終確定低灰度游程優(yōu)勢（low gray level run emphasis，LGLRE）作為有效預(yù)測因子（圖2）。該特征通過量化圖像中低灰度值的空間分布特征，反映組織微結(jié)構(gòu)異質(zhì)性，其數(shù)值升高提示低灰度值區(qū)域聚集?；诖藰?gòu)建的影像組學(xué)評分公式為 ：Rad-score=0.3345+（LGLRE× 0.4151）。訓(xùn)練集與測試集中無復(fù)流組的Rad-score均顯著高于未發(fā)生無復(fù)流組 （Plt;0.05） （表2）。

2.3影像組學(xué)列線圖的構(gòu)建LASSO回歸分析證實， cTnI 水平升高是PCI術(shù)后發(fā)生無復(fù)流現(xiàn)象的獨立危險因素 OR=1.32 ，95%CI：1.12＼～1.58）。通過整合cTnI 與Rad-score構(gòu)建影像組學(xué)列線圖（圖3A），其預(yù)測方程表述為： Nomo-score=-75+（250×Rad- s c o r e ） + （ 3 5 . 5 7 ×"c T n I ） "。該模型通過視覺化評分系統(tǒng)量化個體風(fēng)險，臨床醫(yī)師可通過累加各變量對應(yīng)得分，在總評分軸上直接讀取無復(fù)流發(fā)生概率。

模型驗證顯示，訓(xùn)練集與測試集中無復(fù)流組的Nomo-score均顯著高于未發(fā)生無復(fù)流組（均 Plt;0.001） （表2）。校準(zhǔn)曲線（圖3B＼～C）進(jìn)一步證實預(yù)測概率與實際觀測頻率具有良好一致性，表明模型在隊列中保持穩(wěn)定校準(zhǔn)性能。

注：A， X 軸為對數(shù)正則化參數(shù) （logλ），Y 軸為MSE。曲線顯示，隨著Log入減小 （λ 降低），MSE逐漸下降并趨于穩(wěn)定，表明模型擬合能力隨正則化強(qiáng)度減弱而提升。右側(cè)虛線標(biāo)注通過1-SE準(zhǔn)則選擇的最優(yōu) λ 值 （λ=0.189 6） ，灰色陰影為10折交叉驗證的MSE置信區(qū)間。 B，X 軸為 Logλ，Y 軸為特征系數(shù)值頂部橫軸為非零系數(shù)數(shù)量。曲線展示各影像組學(xué)特征的系數(shù)隨 λ 增大的壓縮過程：當(dāng) λ 提升（右移）時，冗余特征系數(shù)被逐步壓縮至零，最終僅保留1個非零系數(shù)特征（虛線對應(yīng) λ=0.189 6 ），實現(xiàn)特征高效篩選。

注：A，影像組學(xué)列線圖：采用 cTnI 及Rad-score構(gòu)建;Calibration校準(zhǔn)曲線顯示的影像組學(xué)列線圖擬合度：B，訓(xùn)練集;C，測試集。真實（Y軸）和列線圖投影 （X 軸）概率之間的完美對齊由 45^° 直線表示。兩條曲線之間的距離越短，表示精度越高。

2.4模型的判別能力單純臨床模型、單純影像組學(xué)模型及影像組學(xué)列線圖在訓(xùn)練集的AUC分別為0.777（95%C1： 0.675＼～0.880）、0.792（95%C1： 0.679＼～0.905）和0.897（95%CI：0.816＼～0.978），測試集對應(yīng)AUC分別為 0.696（95%CI： 0.514＼～0.879）、0.744（95%CI： 0.545＼～0.943）和0.810（95%CI：0.640＼～0.979）（圖4A＼～B）。影像組學(xué)列線圖在兩組數(shù)據(jù)中均表現(xiàn)出最優(yōu)異的區(qū)分能力，其AUC值較單純臨床模型提升 15.4% （訓(xùn)練集）和 16.4% （測試集）。

進(jìn)一步通過F1分?jǐn)?shù)評估模型綜合性能，影像組學(xué)列線圖（0.696）顯著優(yōu)于單純臨床模型（0.692）與單純影像組學(xué)模型（0.545），表明其能更均衡地預(yù)測敏感性與特異性。ROC曲線形態(tài)分析顯示，列線圖曲線更接近左上象限，提示其在高特異性區(qū)間仍保持較高敏感性，具有更好的臨床決策價值。

為進(jìn)一步評估模型的臨床實用性，本研究通過繪制DCA曲線量化不同風(fēng)險閾值下的凈獲益。與其他模型相比，在合理的閾值概率范圍內(nèi)，影像組學(xué)列線圖在預(yù)測擇期PCI患者發(fā)生無復(fù)流方面表現(xiàn)出更高的總體凈益（圖4C）。

注：A，訓(xùn)練集臨床模型、影像組學(xué)特征和影像組學(xué)列線圖的ROC;B，測試集臨床模型、影像組學(xué)特征和影像組學(xué)列線圖的 ROC;C，3種不同模型的決策曲線分析。凈收益在Y軸上表示，閾值概率在 X 軸上表示。臨床模型、影像組學(xué)特征和影像組學(xué)列線圖的凈收益分別由綠線、紅線和藍(lán)線表示。影像組學(xué)列線圖與臨床模型和影像組學(xué)模型相比，總體凈優(yōu)勢更大。

3討論

本研究發(fā)現(xiàn)，在擇期PCI患者中，臨床模型中cTnI是無復(fù)流現(xiàn)象的獨立預(yù)測因子，與傳統(tǒng)PPCI相關(guān)研究結(jié)果[11-2一致。本研究中高血壓、糖尿病、腎功能不全等傳統(tǒng)危險因素?zé)o顯著相關(guān)性，這一結(jié)果與既往研究[13結(jié)果存在差異，其原因考慮與擇期PCI的術(shù)前管理特點相關(guān)：患者通常已接受規(guī)范的針對性藥物治療，可能部分糾正代謝異常對微循環(huán)的影響。此外，患者的側(cè)支循環(huán)代償及病理生理差異，也可能降低傳統(tǒng)危險因素的預(yù)測效能。

在影像組學(xué)分析中，LGLRE被篩選為關(guān)鍵預(yù)測特征，其通過量化造影圖像中低灰度值的空間分布異質(zhì)性，可能間接反映微血管結(jié)構(gòu)改變或造影劑滯留等血流動力學(xué)異常。相較于X.LIU等基于術(shù)后心臟MRI的研究，本研究利用術(shù)前常規(guī)冠狀動脈造影圖像實現(xiàn)預(yù)測，避免了手術(shù)操作對影像特征的干擾。

本研究基于擇期PCI術(shù)前常規(guī)冠狀動脈造影影像，首次構(gòu)建融合影像組學(xué)特征與 cTnI 的預(yù)測列線圖，在訓(xùn)練集與測試集中分別取得 0.897（95%CI 0.816＼～0.978）和 的AUC值，其預(yù)測效能較傳統(tǒng)臨床評估方法提升 15.4% 216.4% 。該模型通過量化 cTnI 水平與LGLRE特征，揭示兩種生物標(biāo)志物與無復(fù)流現(xiàn)象的獨立關(guān)聯(lián)，為擇期PCI無復(fù)流的病理機(jī)制研究提供了新的視角。未來有望通過多中心前瞻性隊列驗證模型普適性，并研發(fā)自動化分割算法以推動臨床轉(zhuǎn)化應(yīng)用。

[參考文獻(xiàn)]

[1]BYRNE RA，ROSSELLOX，COUGHLANJJ，etal.2023 ESC Guidelines for the management of acute coronary syndromes[J]. Eur Heart J，2023，44（38）：3720-3826.

[2]GAO X M， SU Y D，MOORE S，et al.Relaxin mitigates microvascular damage and inflammation following cardiac ischemia-reperfusion[J].Basic Res Cardiol， 2019，114（4）：30.

[3]ZHOU Y，LI T，CHEN Z， et al. Overexpression of lncRNA TUG1 alleviates NLRP3 inflammasome-mediated cardiomyocytepyroptosis through targeting the miR-186-5p/XIAP axisincoronary microembolization-induced myocardial damage[J].Front Immunol，2021，12：637598.

[4]DAI C，LIU M， ZHOU Y， et al. A score system to predict no-reflow in primary percutaneous coronary intervention： ThePIANO Score[J].EurJClin Invest，2022，52（2）：e13686.

[5]HEUSCH G. Myocardial ischaemia-reperfusion injury and cardioprotection in perspective[J].Nat Rev Cardiol，2020，17 （12）：773-789.

[6]PENGY，WUK，WANGY XJ， et al.Association between cine CMR-based radiomics signature and microvascular obstruction in patients with ST-segment elevation myocardial infarction[J]. J Thorac Dis，2022，14（4）：969-978.

[7]ZHENG JJ， YU H， BATUR J， et al. A multicenter study to develop a non-invasive radiomic model to identify urinary infection stone in vivo using machine-learning[J]. Kidney Int， 2021，100（4）：870-880.

[8]STEENWYK JL，ROKAS A. Ggpubfigs： colorblind-friendly color palettes and ggplot2 graphic system extensions forpublication-quality scientific figures[J].Microbiol Resour Announc，2021，10（44）：e0087121.

[9]WUSN，QINDY，ZHUL，etal.Uveal melanoma distant metastasis prediction system：a retrospective observational studybased onmachinelearning[J]. Cancer Sci，2O24，115 （9）：3107-3126.

[10]JACOBUCCI R，BRANDMAIERA M，KIEVITRA.A practical guide to variable selection in structural equation modelswithregularizedMIMIC models[J].AdvMethodsPract Psychol Sci，2019，2（1）：55-76.

[11] REFFELMANN T， KLONER R A. The no-reflow phenomenon：A basic mechanismofmyocardial ischemiaand reperfusion[J].Basic ResCardiol，2006，101（5）：359-372.

[12]LIUX，XUT，PENGY，etal.Non-contrast cine cardiovascular magnetic resonance-based radiomics nomogram for predicting microvascular obstruction after reperfusion in ST-segment elevation myocardial infarction[J].Front Cardiovasc Med，2023，10：1274267.

[13]ZHAO SR， HUANGR，LIUF， et al. Study on correlation betweentype2diabetesand no-reflowafterPCI[J].DisMarkers，2022，2022：7319277. [收稿日期]2025-04-15