European Radiology：基于T1 mapping的自动机器学习在HCM心肌纤维化方面的应用

肥厚型心肌病（HCM）是最常见的遗传性心肌病，其特点是不明原因的心肌肥厚和纤维化改变。晚期钆增强（LGE）的心脏MRI表现一直被认为是识别心肌纤维化的首要影像学表现。然而最近有证据表明，以钆为基础的造影剂在人体组织中会长期蓄积，特别是在中枢神经系统中尤为显著，这引起了人们对这种技术安全性的关注。

相比之下，native T1 mapping作为一项不需要使用钆对比剂即可成像的影像学手段，已经成为检测心肌纤维化的一种定量且客观的方法。然而，由于信号不均匀性和信号异常分布的细微变化可能会被忽略，因此，T1 mapping上异常区域的信号阈值定义和视觉评估仍十分困难。此外，健康心肌和异常心肌的T1弛豫时间可能存在重叠。

在过去的十年里，放射组学领域有了长足的发展，该技术通过高通量提取许多肉眼无法察觉的定量特征，可提供有关组织变化的影像学生物标志物。在HCM的情况下，使用native T1 mapping的放射组学模型的诊断性能比传统的图像判析更有价值。然而，没有一个放射组学模型能在每个数据集上都有良好的表现。TPOT是一项新兴的自动机器学习系统，可以自动优化机器学习通道以减少人工干预对结果的影响。虽然TPOT模型已用于各种临床应用，但该方法在检测HCM患者的心肌纤维化方面的表现尚未见报道。

近日，发表在European Radiology杂志的一项研究探讨了应用使用native T1 mapping的TPOT来识别HCM患者的心肌纤维化，为心肌纤维化的自动准确检测及HCM的快速诊断提供了技术支持。

本研究对91名HCM患者和44名健康对照者进行了心脏MRI检查。根据位置匹配的LGE图像，将HCM患者的native T1 mapping分类为LGE（+）或LGE（-）。使用TPOT实现了一个自动ML管道以用于3个二元分类：LGE（+）和LGE（-）、LGE（-）和对照以及HCM和对照。TPOT建模重复10次，以获得每个分类的最佳模型。使用敏感性、特异性、准确性和微平均曲线下面积（AUC）来评估各切片和各病例的最佳模型的诊断性能。 

TPOT为3个二元分类中的每个分类生成了10个预测模型。在HCM患者的测试队列中，用最佳管道检测LGE状态所获得的诊断准确率按层面计算为0.80，按病例计算为0.79。此外，TPOT模型还显示了LGE（-）患者和对照组（准确率：切片为0.77；病例为0.78）以及所有HCM患者和对照组（准确率：两者均为0.88）之间的可区分性。 

图 有LGE的HCM患者、无LGE的HCM患者和对照组的示例。HCM，肥厚型心肌病；LGE，晚期钆增强。

本研究表明，在基于放射组学特征的自动ML下，使用TPOT进行native T1 mapping分析与HCM的LGE（+）或（-）具有很好的相关性，使放射科医生能够实现自动优化ML过程。这项技术有助于可以在无需钆对比剂的情况下，为临床预测HCM患者的LGE状态提供新的见解。

原文出处：

Wan-Lin Peng,Tian-Jing Zhang,Ke Shi,et al.Automatic machine learning based on native T1 mapping can identify myocardial fibrosis in patients with hypertrophic cardiomyopathy.DOI:10.1007/s00330-021-08228-7