基于机器学习方法研究造成缺血特异性狭窄的斑块特征

摘要

目的利用机器学习(ML)方法探讨定量、定性的冠状动脉斑块特征以及血流动力学参数对缺血特异性狭窄血管的影响.材料与方法回顾性分析同时行冠状动脉CT血管成像(CCTA)、有创冠状动脉造影(ICA)及FFR测量的255例病人共328支血管的临床及影像资料.以FFR≤0.80作为提示病变特异性缺血的指标,依据FFR值将纳入血管分为非缺血组(FFR>0.80)和缺血组(FFR≤0.80).测量所有纳入斑块的CCTA参数,包括斑块的定量、定性特征以及血流动力学参数.采用LogitBoost算法建立随机森林模型,通过信息增益排序方法自动选择特征.分类准确度、敏感度以及f1值(分类准确度与敏感度的调和平均值)用以评价随机森林模型对造成缺血特异性狭窄斑块的预测价值,并计算受试者操作特征(ROC)曲线下面积.采用十折分层交叉验证法计算模型的总体分类准确度.结果应用ML方法得出,血流动力学参数FFRCT、ΔFFRCT是预测缺血特异性狭窄最重要的2个特征,其次是斑块的定量、定性特征,包括脂质斑块体积、斑块弯曲、斑块不规则、非钙化斑块体积、狭窄程度、纤维斑块体积和管腔体积.在排序前10的特征中有9个是CCTA相关参数,只有1个临床参数.采用随机森林模型预测缺血特异性狭窄的分类准确度为0.940,敏感度为0.940,f1值为0.940;预测缺血特异性狭窄的ROC曲线下面积为0.992,模型的总体分类准确度为0.921±0.047.结论ML方法能够很好地预测引起心肌缺血的冠状动脉特异性狭窄病变的斑块特征.