《Diagnostics》:Echocardiographic Framework for Left Atrial Appendage Morphology Assessment and Thromboembolic Risk Stratification in Atrial Fibrillation
编辑推荐:
背景:左心耳(Left Atrial Appendage, LAA)会为心房颤动(atrial fibrillation, AF)患者带来血栓风险。准确识别 LAA 形态可减少血栓性卒中。方法:研究人员提出一种混合深度学习框架,即左心耳血栓框架(Left At
背景:左心耳(Left Atrial Appendage, LAA)会为心房颤动(atrial fibrillation, AF)患者带来血栓风险。准确识别 LAA 形态可减少血栓性卒中。方法:研究人员提出一种混合深度学习框架,即左心耳血栓框架(Left Atrial Appendage Thrombus Framework, LAATF),该框架整合 Adaptive CLAHE、优化 Chan–Vese 轮廓提取和多头 AgileFormer transformer,用于分类 LAA 形态、检测血栓,并使用基于 LightGBM 的所提出血栓栓塞风险指数(Thromboembolic Risk index, TRI)评分估计影像衍生血栓栓塞风险。使用来自 240 例 AF 患者的 4320 幅时序图像数据集,包括四种 LAA 形态(鸡翼型 chicken-wing、风袋型 windsock、仙人掌型 cactus 和菜花型 cauliflower)。CLAHE 增强局部对比度。Chan–Vese 模型勾画心耳轮廓。AgileFormer 提取影像衍生纹理和形态特征,以分类形态和血栓存在。基于 LightGBM 的 TRI 回归估计伴有 LAA 的 AF 患者血栓栓塞风险。结果:所提出框架获得形态分类准确率 91–94%,血栓检测曲线下面积(AUC)为 0.935,敏感性为 93.4%,特异性为 92.6%。计算得到的 TRI 与实际结局强相关(R2 = 0.98, r = 0.99)。在各形态中,菜花型和仙人掌型显示出最高血栓栓塞风险,因其纹理熵和影像学特征增加。结论:LAATF 框架为 LAA 形态评估和血栓预测提供可解释的、基于影像的技术。
研究背景:左心耳(Left Atrial Appendage, LAA)是自左心房(left atrium, LA)延伸的肌性耳状囊袋,位于心包腔、靠近左心室游离壁,作为 LA 胚胎残余并保留梳状肌。按形状和叶数,LAA 形态分为鸡翼型(chicken wing)、仙人掌型(cactus)、风袋型(windsock)和菜花型(cauliflower)。正常窦性心律下,LAA 作为储库储存 LA 收缩期多余血液,通过收缩功能协助心房排空,分泌心房钠尿肽(Atrial Natriuretic Peptide, ANP)调节血压,并作为压力缓冲降低过高 LA 压力。AF 患者 LAA 内部小梁重构、收缩力丧失,血栓形成风险增加,是卒中原因。LAA 复杂形态使成像困难,影响 LAA 和血栓可视化,可能需要放置装置封闭 LAA。血栓最初在 LAA 尖端形成并蔓延至叶和小梁,导致卒中;LAA 叶数越多,与更低血流和更高血栓风险相关;入口窄、腔深、急弯和不规则弯曲限制血流。检测方式包括经食管超声心动图(Transoesophageal Echocardiography, TEE)、心脏计算机断层扫描(Cardiac Computed Tomography, CT)、心脏磁共振(cardiac magnetic resonance imaging, CMR)、3D TEE 和心内超声心动图(Intracardiac Echocardiography, ICE),但均有局限。问题在于:TEE 伪影和自发回声对比(spontaneous echo contrast, SEC)可类似血栓;CT 对低密度区血栓辨别困难;MRI 慢流可因运动伪影造成血栓假阳性。现有方法不能捕捉 LAA 内形态和纹理特征变化,影响血栓与伪影/SEC 鉴别和 AF 患者卒中风险分层,因此研究人员开展此项研究。
研究方法概括:研究人员提出左心耳血栓框架(Left Atrial Appendage Thrombus Framework, LAATF),整合 Adaptive CLAHE、优化 Chan–Vese 轮廓提取、多头 AgileFormer transformer 和基于 LightGBM 的血栓栓塞风险指数(Thromboembolic Risk index, TRI)评分。数据来源于 M. George’s Bethlehem Ayurveda Specialty Hospital and Research Centre, Ernakulam, Kerala 的 240 例 AF 患者、4320 幅时序图像,含四种 LAA 形态和血栓标注。按患者层面划分为 180 例训练、36 例验证、24 例测试。参考标准为 TEE 专家共识,两名心内科医师独立标注形态和血栓/SEC,第三名高级心内科医师仲裁。主要技术包括自适应 CLAHE 自动选参增强局部对比;优化 Chan–Vese 混合阈值与形态学操作提取 LAA 轮廓;AgileFormer 通过深度卷积和多头自注意力分类形态和血栓;LightGBM 回归估计 TRI。
研究结果:
4. 结果与讨论:研究人员用 precision、recall、F1-score、accuracy 和 AUC 分析 LAA 形态分类和血栓存在。框架达到形态分类准确率 91–94%,血栓检测 AUC 0.935,敏感性 93.4%,特异性 92.6%;TRI 与实际结局强相关(R
2=0.98, r=0.99)。菜花型和仙人掌型血栓栓塞风险最高,因纹理熵和影像学特征增加。LAATF 用纹理熵比和密度映射区分 SEC 与血栓;240 例中 58 例血栓阳性、182 例仅 SEC。患者水平均值特征用于独立 t 检验和患者水平线性混合效应模型。失败病例分析显示仙人掌和菜花型因多小梁叶和形态不规则最常误分类。研究人员还通过基线方法比较、交叉验证特征选择和超参数优化、消融分析评估框架。
4.1 影像衍生淤滞指数(Image-Derived Stasis Index, IDSI):IDSI 是由归一化纹理熵、形态复杂度(circularity、eccentricity、trabecular density)和几何参数(depth-to-orifice ratio)构成的复合替代指标,取值 0(低复杂度/低淤滞风险)至 1.0(高复杂度/高淤滞风险),不代表直接血流或血流动力学淤滞测量。研究人员分析 240 例 AF 患者,将血栓存在作为观察结局且不用于 TRI 构建;高特征间相关提示影像衍生淤滞与纹理熵存在冗余。
4.2 讨论:TRI 由独立形态和影像纹理特征构建为手工评分,包括影像衍生淤滞、纹理熵、形状复杂度、circularity 和 eccentricity。LightGBM 用相同独立影像衍生特征估计血栓状态或风险分层。传统 CHA
2DS
2-VASc 使用人口学数据,不能基于个体影像生物标志物、形态纹理特征和解剖变异预测卒中风险。TRI 通过个体化 LAA 形态评估计算。原文比较传统方法与 TRI 的患者特异风险分层,并比较当前技术与提出方法的多形态血栓性能和卒中风险分层。
4.3 TRI/卒中验证研究的简单队列设计:队列为 240 例接受 TEE 评估 LAA 的 AF 患者,单中心、印度、2024 年 4 月 12 日至 10 月 12 日。纳入确诊 AF(阵发性、持续性或永久性)、TEE LAA 成像充分、可随访至少 6 个月;排除索引 TEE 前 3 个月内卒中、关键数据缺失、随访 <6 个月且无事件且无删失信息。基线用 CHA
2DS
2-VASc 分组:低 0–1、中 2–3、高 ≥4;TRI 阈值定义低、中、高风险。随访 6 个月,主要终点为缺血性卒中或系统性栓塞;事件通过电子病历和门诊确认,由 2–3 名临床医生(神经科+心内科)盲法裁定,明确卒中为临床卒中加影像或专家确认。删失定义包括事件、死亡、末次随访或 6 个月。整合 LAATF 可提供非侵入性早期卒中预防和个体化治疗计划,帮助介入心内科医师选择合适装置、优化抗凝治疗和监测风险;可识别 AF、缺血性卒中、心源性栓塞性卒中、短暂性脑缺血发作、心力衰竭、高血压、冠状动脉疾病和外周动脉栓塞。LAA 血栓与异常血流和凝块形成强相关,标准化超声心动图方法可改善检测、鉴别诊断、基于血栓风险评估和临床决策。
4.4 局限性:需要多中心临床数据集外部验证;TRI 基于影像形态和纹理特征,未纳入 CHA
2DS
2-VASc 等更广泛临床变量;基于静态 TEE 帧而非动态 cine 序列,不提供直接血流动力学测量,如 flow velocity、wall shear stress、stasis time;所有指标为影像衍生替代特征,与血栓形成中的淤滞相关但不直接量化。TRI 是影像风险预测因子,不是直接血流动力学测量。
5. 结论:提出的 LAATF 框架用于 AF 患者 LAA 形态自动评估和血栓检测。通过结合自适应对比增强、优化轮廓分割和基于 transformer 的特征提取,该方法获得较强分类性能,形态准确率为 91–94%,血栓检测 AUC 为 0.935,敏感性为 93.4%,特异性为 92.6%。基于影像的分析获取 LAA 中临床相关结构模式,并支持标准化超声心动图评估。TRI 评分进一步显示作为影像衍生风险指标的探索性价值,并在研究队列内与心内科医师评估的临床风险一致。影像 TRI 与心内科医师 TRI-p 结合,可估计视觉复杂超声心动图发现的风险,并将其分类为更可解释的风险谱。该研究在 240 例 AF 患者单中心队列中进行。TRI 框架由静态 TEE 帧提取的影像形态和纹理特征衍生,未纳入更广泛临床风险变量,如完整 CHA
2DS
2-VASc 参数、实验室生物标志物、cine-flow 分析或多中心人口差异。所提出框架可作为血栓栓塞风险分层和血栓评估的决策辅助工具,有助于专家临床解释。