Потенциальная роль радиомического анализа КТ-изображений эпикардиальной жировой ткани в прогнозе развития острого инфаркта миокарда

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) по всем радиомическим показателям, плотности и объему ЭЖТ. Корреляционный анализ не выявил взаимосвязей между радиомическими характеристиками ЭЖТ и степенью стеноза КА, а также кальциевым индексом. По результатам анализа информации из МИС г. Томска группа 1 была разделена на 2 подгруппы: без ОИМ (подгруппа 1а; n = 27 (50%)) и с ОИМ (подгруппа 1б; n = 12 (22%)). При сравнении подгрупп 1а и 1б значимых различий в объеме и плотности ЭЖТ выявлено не было (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 < 8025,7; специфичность – 96%, чувствительность – 75%, AUC = 0,806; p < 0,001 для SZN; cut-off point < 4,08; специфичность – 93%, чувствительность – 83%, AUC = 0,861; для GLV; p < 0,001).

Выводы. Радиомические характеристики SZN GLSZM и GLV GLCM ЭЖТ на бесконтрастных МСКТ-изображениях ассоциированы с частотой развития ОИМ у больных с атеросклерозом КА. Радиомический анализ ЭЖТ потенциально может быть использован для персонализированной оценки риска развития ОИМ.  

1. 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.

2. 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. DOI: 10.18087/cardio.2020.12. n1304.

3. 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.

4. 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. DOI: 10.17802/2306-1278-2021-10-4-6-16.

5. 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.

6. 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.

7. 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.

8. 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.

9. 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.

10. 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.

11. 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.

12. 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.

13. Ilyushenkova J., Sazonova S., Popov E., Zavadovsky K., Batalov R., Archakov E. et al. Radiomic phenotype of epicardial adipose tissue in the prognosis of atrial fibrillation recurrence after catheter ablation in patients with lone atrial fibrillation. J. Arrhythm. 2022;38(5):682–693. DOI: 10.1002/joa3.12760.

14. 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.

15. 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.

16. Lambin 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.

17. 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.

18. 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.

19. Antonopoulos A.S., Sanna F., Sabharwal N., Thomas S., Oikonomou E.K., Herdman L. et al. Detecting human coronary inflammation by imaging perivascular fat. Sci. Transl. Med. 2017;9(398):eaal2658. DOI: 10.1126/scitranslmed.aal2658.

20. 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.