基于心肌瘢痕延迟钆增强的影像组学机器学习模型预测 ST 段抬高型心肌梗死（STEMI）患者左心室逆向重构的研究及意义

　　当前成像方法存在局限，预测 STEMI 患者左心室逆向重构（r-LVR）颇具挑战。研究人员开展回顾性研究，分析 LGE 瘢痕影像组学特征和常规 CMR 标记物构建预测模型。结果显示联合模型预测准确性最高，该研究有助于优化患者分层和治疗策略。

娑撹桨绨℃穱鍐箻缁夋垵顒熼惃鍕炊閹绢叏绱濋悽鐔哄⒖闁岸鍣伴梿鍡曠啊鏉╂瑧鐦掗弬鍥╃彿閿涘苯顩ч棁鈧懟杈ㄦ瀮閸樼喐鏋冮敍宀冾嚞閻愮懓鍤敍锟�鐠併垽妲凚ioHot缁便垹褰囬崢鐔告瀮

　　本研究旨在评估延迟钆增强（LGE）瘢痕影像组学特征，利用机器学习（ML）预测 ST 段抬高型心肌梗死（STEMI）患者左心室逆向重构（r-LVR）的附加价值。回顾性研究纳入 105 例 STEMI 患者，在经皮冠状动脉介入治疗（PCI）后 7 天内和 5 个月进行心脏磁共振成像（CMR）扫描。运用经 Shapley 可加解释（SHAP）增强的 LightGBM 模型分析 LGE 瘢痕图像的影像组学特征和常规 CMR 标记物，患者分为训练集（80 例）和测试集（25 例），构建传统 CMR、LGE 瘢痕影像组学和联合三种预测模型，通过受试者工作特征（ROC）曲线和曲线下面积（AUC）分析评估模型性能。结果显示，训练集中传统 CMR 模型 AUC 为 0.745（95% 置信区间：0.62 - 0.86），LGE 瘢痕影像组学模型 AUC 为 0.712（95% 置信区间：0.58 - 0.83），联合模型最高为 0.754（95% 置信区间：0.63 - 0.86）；测试集中传统 CMR 模型 AUC 降至 0.656（95% 置信区间：0.42 - 0.88），LGE 瘢痕影像组学模型提升至 0.818（95% 置信区间：0.59 - 1.00），联合模型 AUC 达 0.890（95% 置信区间：0.75 - 1.00）。SHAP 分析指出左心室质量梗死百分比和小波变换纹理特征等是重要预测因子。结论表明，在 LightGBM 模型中整合 LGE 瘢痕影像组学特征和传统 CMR 参数，可提高对 STEMI 患者 r-LVR 的预测准确性，有助于改善患者分层和个性化治疗。

閹垫捁绁�

娑撳娴囩€瑰宓庢导锔炬暩鐎涙劒鍔熼妴濠団偓姘崇箖缂佸棜鍎禒锝堥樋閹活厾銇氶弬鎵畱閼筋垳澧块棃鍓佸仯閵嗗甯扮槐銏狀洤娴ｆ洟鈧俺绻冩禒锝堥樋閸掑棙鐎芥穱鍐箻閹劎娈戦懡顖滃⒖閸欐垹骞囬惍鏃傗敀

10x Genomics閺傛澘鎼isium HD 瀵偓閸氼垰宕熺紒鍡氬劒閸掑棜椴搁悳鍥╂畱閸忋劏娴嗚ぐ鏇犵矋缁屾椽妫块崚鍡樼€介敍锟�

濞嗐垼绻嬫稉瀣祰Twist閵嗗﹣绗夐弬顓炲綁閸栨牜娈慍RISPR缁涙盯鈧鐗哥仦鈧妴瀣暩鐎涙劒鍔�

閸楁洜绮忛懗鐐寸ゴ鎼村繐鍙嗛梻銊ャ亣鐠佹彃鐖� - 濞ｅ崬鍙嗘禍鍡毿掓禒搴ｎ儑娑撯偓娑擃亜宕熺紒鍡氬劒鐎圭偤鐛欑拋鎹愵吀閸掔増鏆熼幑顔垮窛閹貉傜瑢閸欘垵顫嬮崠鏍掗弸锟�

娑撳娴囬妴濠勭矎閼崇偛鍞撮摂瀣鐠愩劋绨版担婊冨瀻閺嬫劖鏌熷▔鏇犳暩鐎涙劒鍔熼妴锟�