Orphanet Journal of Rare Diseases | 基于集成机器学习的放射组学分析在轻 chain心脏淀粉样变性与肥厚型心肌病鉴别诊断中的应用

推荐：

文献概述
本文《基于集成机器 learning的放射组学分析的多参数心脏磁共振成像在light chain心脏淀粉样变性与肥厚型心肌病的鉴别诊断》，发表于《Orphanet Journal of Rare Diseases》杂志，回顾并总结了AL-CA和HCM的鉴别挑战及传统CMR技术的局限性。研究通过提取native T1、post-contrast T1、ECV和T2 mapping图像的放射基因组学特征，结合临床数据，构建了一个高精度的集成机器 learning模型，用于非侵入性区分AL-CA与HCM患者。

背景知识
心脏淀粉样变性（CA）是一种由心肌中淀粉样蛋白沉积引起的限制性心肌病，可导致心力衰竭、传导系统疾病和猝死。AL-CA是最常见的CA类型，约70%的患者主要表现为心脏受累。心脏受累显著影响患者预后，早期识别对改善临床结局至关重要。心脏磁共振成像（CMR）因其组织特征分析能力，成为检测AL-CA的高敏感工具。然而，AL-CA与HCM在CMR图像上具有相似表现，如缺乏典型LGE模式或斑片状LGE、左心室壁增厚等，因此鉴别诊断具有挑战性。传统LGE方法在弥漫性对称性病变中因缺乏正常参考心肌而无法准确检测细微增强模式，导致诊断效能受限。T1 mapping、T2 mapping及ECV等新型CMR技术则提供定量心肌组织成分分析，支持AL-CA的早期检测与病情评估。本研究基于放射基因组学与机器 learning，构建了一个多模态集成模型，显著提升AL-CA与HCM的鉴别能力。

研究方法与实验
研究回顾性收集了84例AL-CA患者、63例HCM患者及34例健康对照，图像采集于2017年1月1日至2022年12月31日。前瞻性测试集包含37例AL-CA、21例HCM及14例健康对照，图像采集于2023年1月1日至2023年7月31日。所有CMR图像均使用cvio42进行盲法分析。放射基因组学特征从myocardium ROI自动提取，包含18个一阶统计特征、10个形状特征及75个纹理特征。通过8种特征筛选方法（如MRMR、XGboost、Lasso等）和7种ML分类器（如随机森林、逻辑回归、SVM等）组合，选取最优特征与分类器组合，最终采用“soft voting”集成方法进行多模态数据融合，提升诊断性能。

关键结论与观点

• 对于native T1、post-contrast T1、T2 mapping、ECV及临床数据，最优特征筛选与分类器组合分别为MRMR_RF、XGboost_RF、Lasso_Lasso、Lasso_RF和ANOVA_XGboost。
• 放射基因组学分析显示，native T1、post-contrast T1和T2 mapping的myocardial纹理与一阶特征在集成模型中占主导地位，心室形态特征作用有限。
• 在hold-out测试集中，集成ML模型AUC为0.98，准确率为93%，敏感度92%，特异度96%，F1值93%。
• ECV模型在hold-out测试集中AUC为0.91，优于native T1和post-contrast T1模型。
• 基于纹理特征的放射基因组学分析在T1和T2 mapping中显著提升AL-CA诊断准确性，支持其作为替代性生物标志物。
  
  研究意义与展望
  本研究为AL-CA的早期无创诊断提供了一种高效且可重复的集成machine learning模型，减少了对心内膜心肌活检的依赖。未来研究可扩展至多中心、多厂商数据，以增强模型的泛化能力。同时，放射基因组学方法可进一步应用于AL-CA预后预测，为临床管理提供定量依据。
  
  

   

  快速获取某个基因的参考序列、转录本和外显子信息，适用于基因研究和分子诊断。
  了解更多

   

  结语
  本文提出了一种基于放射基因组学与集成machine learning的心脏磁共振成像分析模型，用于区分light chain心脏淀粉样变性（AL-CA）与肥厚型心肌病（HCM）。研究团队在开发数据集中提取了84例AL-CA、63例HCM及34例健康对照的native T1、post-contrast T1、ECV及T2 mapping图像特征，使用8种特征筛选方法与7种ML分类器组合，最终采用“soft voting”集成方法实现三组分类（AL-CA、HCM、健康对照）的高诊断准确性（AUC 0.98）。结果表明，该模型在早期诊断AL-CA方面优于传统LGE方法，尤其适用于缺乏典型LGE模式的患者。纹理特征在模型中发挥主导作用，反映心肌组织异质性，为临床提供客观、定量的影像学生物标志物。该方法有望在临床实践中减少对侵入性检查的依赖，提升诊断效率。
  
  尽管本研究在单中心验证，且数据样本具有局限性，但其结果为AL-CA与HCM的鉴别诊断提供了新的计算影像学工具。未来需多中心、多组学数据验证模型的泛化能力。此外，该方法可拓展至其他罕见心脏疾病的诊断与预后评估，结合临床数据与多模态CMR，推动个性化医疗发展。本研究为集成machine learning在放射基因组学中的应用提供了实证支持，展示了AI在罕见病精准诊断中的潜力。

   

  文献来源：
  Shuyuan Zhang, Yubo Guo, Yuze Gao, Yining Wang, and Shuyang Zhang. Differentiation of light chain cardiac amyloidosis and hypertrophic cardiomyopathy by ensemble machine learning-based radiomic analysis of cardiac magnetic resonance. Orphanet Journal of Rare Diseases.