Потенциальная роль радиомического анализа КТ-изображений эпикардиальной жировой ткани в прогнозе развития острого инфаркта миокарда
Автор: Попов Е.В., Ильюшенкова Ю.Н., Репин А.Н., Завадовский К.В., Сазонова С.И.
Журнал: Сибирский журнал клинической и экспериментальной медицины @cardiotomsk
Рубрика: Клинические исследования
Статья в выпуске: 3 т.38, 2023 года.
Бесплатный доступ
Введение. Мультиспиральная компьютерно-томографическая (МСКТ) коронароангиография (КАГ) является высокоинформативным методом визуализации атеросклеротических бляшек (АСБ) в коронарных артериях (КА) и оценки их структуры. В то же время данный метод имеет ряд существенных недостатков, связанных с внутривенным введением йодсодержащих рентгеноконтрастных средств, а также высокой лучевой нагрузкой. Радиомический анализ бесконтрастных МСКТ-изображений позволяет вычислять большое количество дополнительных количественных показателей, которые потенциально могут быть ассоциированы с нестабильностью АСБ и степенью стенозирования КА. В то же время прогностическая и диагностическая ценность радиомических характеристик не исследована.Цель: оценить наличие ассоциации между радиомическими показателями эпикардиальной жировой ткани (ЭЖТ) на бесконтрастных МСКТ-изображениях сердца и степенью атеросклеротического стеноза КА у больных стабильной ишемической болезнью сердца (ИБС), а также частотой развития острого инфаркта миокарда (ОИМ) в течение 5 лет у данной категории больных.Материал и методы. Ретроспективно нами были просмотрены 100 исследований МСКТ-КАГ, выполненных с целью диагностики коронарной болезни сердца у пациентов. Были отобраны 39 пациентов, у которых имелись признаки стенозирования КА до 50% и которые числились в медицинских информационных системах (МИС) г. Томска в течение не менее 5 лет, а также 15 человек без признаков атеросклероза КА в качестве группы контроля. На бесконтрастных МСКТ-изображениях сердца всех пациентов (54 чел.) оценивали объем ЭЖТ и вычисляли 837 радиомических характеристик. По данным МИС г. Томска отслеживали факт наличия или отсутствия перенесенного в течение 5 лет после МСКТ-КАГ ОИМ у каждого больного. Статистическое сравнение показателей выполняли в группе контроля (группа 2) и в группе исследования (группа 1), а также в подгруппах больных с ОИМ (группа 1б) и без него (группа 1а).Результаты. При сравнении группы 1 с группой контроля 2 были установлены значимые отличия (p 0,05), однако существенно различались 7 из 837 радиомических показателей. Множественный регрессионный анализ продемонстрировал, что «Нормализованная неоднородность зоны серого цвета» (Size Zone Nonuniformity) матрицы зоны уровней серого цвета (SZN - GLSZM) и «Дисперсия уровней серого цвета» (Gray Level Variance - GLCM) матрицы совместного возникновения уровней серого цвета являются независимыми предикторами развития ОИМ в течение 5 лет. По результатам ROC-анализа, логистическая модель c включением данных радиомических характеристик продемонстрировала высокие показатели чувствительности и специфичности в прогнозе развития ОИМ (cut-off point function show_abstract() { $('#abstract1').hide(); $('#abstract2').show(); $('#abstract_expand').hide(); }
Радиомика, текстурный анализ, острый коронарный синдром, атеросклероз
Короткий адрес: https://sciup.org/149143635
IDR: 149143635 | DOI: 10.29001/2073-8552-2023-39-3-143-152
Список литературы Потенциальная роль радиомического анализа КТ-изображений эпикардиальной жировой ткани в прогнозе развития острого инфаркта миокарда
- Ferrari R., Rosano G. 2019 guidelines for the diagnosis and management of chronic coronary syndromes: congratulations and criticism [published correction appears in: Eur. Heart J. Cardiovasc. Pharmacother. 2021;7(3):179]. Eur. Heart J. Cardiovasc. Pharmacother. 2020;6(5):331–332. DOI: 10.1093/ehjcvp/pvaa006.
- Меркулова И.Н., Шария М.А., Миронов В.М., Шабанова М.С., Веселова Т.Н., Гаман С.А. и др. Возможности компьютерной томографии в выявлении атеросклеротических бляшек высокого риска у больных с острым коронарным синдромом без подъема сегмента ST: сопоставление с внутрисосудистым ультразвуковым исследованием. Кардиология. 2020;60(12):64–75. [Merkulova I.N., Shariya M.A., Mironov V.M., Shabanova M.S., Veselova T.N., Gaman S.A. et al. Computed tomography coronary angiography possibilities in “high risk” plaque identification in patients with non-ST-elevation acute coronary syndrome: comparison with intravascular ultrasound. Kardiologiia. 2020;60(12):64–75. (In Russ.)]. DOI: 10.18087/cardio.2020.12. n1304.
- Mayerhoefer M.E., Materka A., Langs G., Häggström I., Szczypiński P., Gibbs P. et al. Introduction to Radiomics. J. Nucl. Med. 2020;61(4):488–495. DOI: 10.2967/jnumed.118.222893.
- Попов Е.В., Анашбаев Ж.Ж., Мальцева А.Н., Сазонова С.И. Радиомические характеристики текстурных изменений эпикардиальной жировой ткани при атеросклеротическом поражении коронарных артерий. Комплексные проблемы сердечно-сосудистых заболеваний. 2021;10(4):6–16. [Popov E.V., Anashbaev Z.Z., Maltseva A.N., Sazonova S.I. Radiomic features of epicardial adipose tissue in coronary atherosclerosis. Complex Issues of Cardiovascular Diseases. 2021;10(4):6–16. (In Russ.)]. DOI: 10.17802/2306-1278-2021-10-4-6-16.
- Cheng K., Lin A., Yuvaraj J., Nicholls S.J., Wong D.T.L. Cardiac computed tomography radiomics for the non-invasive assessment of coronary inflammation. Cells. 2021;10(4):879. DOI: 10.3390/cells10040879.
- Kolossváry M., Jávorszky N., Karády J., Vecsey-Nagy M., Dávid T.Z., Simon J. et al. Effect of vessel wall segmentation on volumetric and radiomic parameters of coronary plaques with adverse characteristics. J. Cardiovasc. Comput. Tomogr. 2021;15(2):137–145. DOI: 10.1016/j.jcct.2020.08.001.
- Kolossváry M., Karády J., Szilveszter B., Kitslaar P., Hoffmann U., Merkely B. et al. Radiomic features are superior to conventional quantitative computed tomographic metrics to identify coronary plaques with napkin-ring sign. Circ. Cardiovasc. Imaging. 2017;10(12):e006843. DOI: 10.1161/CIRCIMAGING.117.006843.
- Kolossváry M., Park J., Bang J.I., Zhang J., Lee J.M., Paeng J.C. et al. Identification of invasive and radionuclide imaging markers of coronary plaque vulnerability using radiomic analysis of coronary computed tomography angiography. Eur. Heart J. Cardiovasc. Imaging. 2019;20(11):1250–1258. DOI: 10.1093/ehjci/jez033.
- Kolossváry M., Karády J., Kikuchi Y., Ivanov A., Schlett C.L., Lu M.T. et al. Radiomics versus Visual and histogram-based assessment to identify atheromatous lesions at coronary CT angiography: An ex vivo study. Radiology. 2019;293(1):89–96. DOI: 10.1148/radiol.2019190407.
- Kolossváry M., De Cecco C.N., Feuchtner G., Maurovich-Horvat P. Advanced atherosclerosis imaging by CT: Radiomics, machine learning and deep learning. J. Cardiovasc. Comput. Tomogr. 2019;13(5):274–280. DOI: 10.1016/j.jcct.2019.04.007.
- Oikonomou E.K., Siddique M., Antoniades C. Artificial intelligence in medical imaging: A radiomic guide to precision phenotyping of cardiovascular disease. Cardiovasc. Res. 2020;116(13):2040–2054. DOI: 10.1093/cvr/cvaa021.
- Oikonomou E.K., Williams M.C., Kotanidis C.P., Desai M.Y., Marwan M., Antonopoulos A.S. et al. A novel machine learning-derived radiotranscriptomic signature of perivascular fat improves cardiac risk prediction using coronary CT angiography. Eur. Heart J. 2019;40(43):3529–3543. DOI: 10.1093/eurheartj/ehz592.
- I lyushenkova J., Sazonova S., Popov E., Zavadovsky K., Batalov R., Archakov E. et al. Radiomic phenotype of epicardial adipose tissue in the prognosis of atrial fi brillation recurrence after catheter ablation in patients with lone atrial fi brillation. J. Arrhythm. 2022;38(5):682–693. DOI: 10.1002/joa3.12760.
- Zwanenburg A., Vallières M., Abdalah M.A., Aerts H.J.W.L., Andrearczyk V., Apte A. et al. The image biomarker standardization initiative: Standardized quantitative radiomics for high-throughput image-based phenotyping. Radiology. 2020;295(2):328–338. DOI: 10.1148/radiol.2020191145.
- Fedorov A., Beichel R., Kalpathy-Cramer J., Finet J., Fillion-Robin J.C., Pujol S. et al. 3D Slicer as an image computing platform for the Quantitative Imaging Network. Magn. Reson. Imaging. 2012;30(9):1323–1341. DOI: 10.1016/j.mri.2012.05.001.
- L ambin P., Rios-Velazquez E., Leijenaar R., Carvalho S., van Stiphout R.G., Granton P. et al. Radiomics: extracting more information from medical images using advanced feature analysis. Eur. J. Cancer. 2012;48(4):441–446. DOI: 10.1016/j.ejca.2011.11.036.
- Hamm C.W., Bassand J.P., Agewall S., Bax J., Boersma E., Bueno H. et al. ESC Guidelines for the management of acute coronary syndromes in patients presenting without persistent ST-segment elevation: The Task Force for the management of acute coronary syndromes (ACS) in patients presenting without persistent ST-segment elevation of the European Society of Cardiology (ESC). Eur. Heart J. 2011;32(23):2999–3054. DOI: 10.1093/eurheartj/ehr236.
- Writing Committee Members, Gulati M., Levy P.D., Mukherjee D., Amsterdam E., Bhatt D.L. et al. 2021 AHA/ACC/ASE/CHEST/SAEM/ SCCT/SCMR Guideline for the evaluation and diagnosis of chest pain: A report of the American College of Cardiology/American Heart Association Joint Committee on Clinical Practice Guidelines. J. Cardiovasc. Comput. Tomogr. 2022;16(1):54–122. DOI: 10.1016/j.jcct.2021.11.009.
- Antonopoulos A.S., Sanna F., Sabharwal N., Thomas S., Oikonomou E.K., Herdman L. et al. Detecting human coronary infl ammation by imaging perivascular fat. Sci. Transl. Med. 2017;9(398):eaal2658. DOI: 10.1126/scitranslmed.aal2658.
- Lee S., Han K., Suh Y.J. Quality assessment of radiomics research in cardiac CT: a systematic review. Eur. Radiol. 2022;32(5):3458–3468. DOI: 10.1007/s00330-021-08429-0.