Deep learning-quantified body composition from positron emission tomography/computed tomography and cardiovascular outcomes: a multicentre study.
研究背景
正电子发射断层扫描（PET）/计算机断层扫描（CT）心肌灌注成像（MPI）是评估冠心病患者的重要工具。低剂量CT扫描可用于衰减校正，其数据包含身体组织成分信息。本研究结合深度学习和图像处理技术，量化多种组织成分，评估其与死亡或心肌梗死（MI）的关联。
方法速览
- 患者群体：纳入三个中心10,085名2007‑2020年接受PET MPI和CT衰减校正扫描的患者。
- 图像处理：用深度学习模型自动分割骨骼肌、骨和四种脂肪组织，计算体积和密度。
- 统计分析：通过未调整和多变量调整模型评估体成分与死亡或MI的关联，调整多个变量。
主要发现
- 高脂肪组织密度增加风险：较高的内脏脂肪（VAT）、皮下脂肪（SAT）、心包脂肪（EAT）和肌间脂肪（IMAT）密度均与死亡或MI风险增加相关。
- 低骨骼肌体积指数增加风险：低骨骼肌体积指数与死亡或MI风险增加显著相关。
- 组合风险高：VAT密度升高且心肌血流储备（MFR）降低的患者，死亡或MI风险显著增加。
- 年龄和性别有差异：部分组织成分与死亡或MI风险的关联在不同年龄和性别组中表现不同。
- 体成分测量有价值：体成分测量调整传统PET标志物后，仍能提供独立且增量的风险分层信息。
总结展望
本研究首次用深度学习技术从心脏PET/CT扫描中快速自动量化多种身体组织成分。体成分测量可作为传统风险评估工具的补充，提高心血管风险预测准确性。但研究存在未手动分割对比、缺乏健康人群参考数据、观察性研究有局限等不足，未来需进一步完善。