基于影像组学与炎症因子的心房颤动精准识别模型构建

摘要

目的:探讨基于影像组学特征与炎症因子水平的多模态融合模型在心房颤动(AF)精准识别中的应用价值。方法:回顾性分析2024年1月—2025年1月昆明市延安医院心内科收治的疑似AF患者100例,其中确诊AF患者70例、非AF患者30例。所有患者均完成心脏CT或MRI检查,提取226项影像组学特征,并检测血清白介素6(IL-6)、C反应蛋白(CRP)、肿瘤坏死因子α(TNF-α)、白介素10 (IL-10)水平。按7:3比例划分为训练集与验证集,训练集中采用最小绝对收缩与选择算子(LASSO)回归筛选特征,结合多因素Logistic回归确定独立预测因子,分别建立影像组学模型、炎症因子模型及融合模型(逻辑回归与随机森林算法),并引入5折交叉验证评价模型稳定性。逻辑回归模型采用P (AF)计算预测概率,随机森林模型以多棵决策树投票结果为输出。结果:LASSO筛选出10个最具区分度的影像特征,其中两组纹理熵、灰度方差及小波能量特征比较,差异有统计学意义(P<0.05)。多因素分析显示,纹理熵、灰度方差、IL-6与CRP为独立预测因素。训练集融合模型(逻辑回归)曲线下面积(AUC)为0.947,验证集AUC为0.934,准确率为90.1%,灵敏度为92.8%,特异度为87.3%,均优于单一模型。结论:结合影像组学特征与炎症因子水平的多模态融合模型可有效提高AF识别的准确性与稳定性,为早期诊断与个体化防治提供参考。

关键词

心房颤动 / 影像组学 / 炎症因子 / 多模态融合 / 精准识别模型