基于机器学习的多参数心脏磁共振影像组学和临床特征联合模型对心力衰竭患者预后评估的研究

摘要

目的：探讨基于临床、心脏磁共振(CMR)多参数成像影像组学以及两者联合模型对心力衰竭患者预后评估的价值，为心力衰竭的精准风险分层和临床决策提供更优化的预测工具。方法：采用回顾性方法收集2021年8月—2025年1月乌海市人民医院收治的83例心力衰竭患者，均接受CMR多参数成像检查。获取患者的临床特征数据，并利用PyRadiomics软件从CMR图像中提取影像组学特征，分别构建临床模型、影像组学模型以及联合模型。所有模型均以患者在6～12个月随访期内发生心脏不良事件为预测终点。最终，采用受试者工作特征(ROC)曲线、校准曲线和决策曲线分析(DCA)对3个模型的预测效能进行综合评估与比较。结果：3个模型均对心力衰竭患者的预后具有预测能力。在训练集和内部验证集方面，联合模型的预测效能均表现更优，其ROC曲线、校准曲线和DCA均优于单独的临床模型和影像组学模型。在训练集中，联合模型的曲线下面积(AUC)为0.81，高于影像组学模型的0.76和临床模型的0.75。在内部验证集中，联合模型仍表现出较佳的预测能力，AUC为0.80，优于影像组学模型的0.71和临床模型的0.67。结论：基于CMR多参数成像结合临床特征的联合模型能够有效且更优地评估心力衰竭患者的预后，证实了联合模型在心力衰竭预后预测中的优越性，为临床医生提供了一种更全面、更精准的风险评估工具，有助于实现心力衰竭患者的个体化管理。

关键词

影像组学 / 多参数心脏磁共振 / 联合预测模型 / 机器学习 / 心力衰竭