基于非对比CT钙化评分的定量心脏钙化分析用于预测心肌缺血
机器学习
2026-05-22 v1
摘要
非对比CT钙化评分（CTCS）广泛被认识为心血管风险分层的有效工具。本研究旨在开发一种新型机器学习框架，用于从常规非对比CTCS扫描中预测心肌缺血。该研究分析了1375例患者，这些患者在University Hospitals Cleveland Medical Center接受了非对比CTCS和regadenoson应激心肌正电子断层扫描心肌灌注成像，且两者相隔一年内完成。共评估了74个变量，包括临床变量、Agatston评分和钙化-组学特征。通过XGBoost结合Shapley Additive exPlanations（SHAP）识别了相关特征。采用5折交叉验证训练和评估预测模型。在987例患者中，89例（9%）确诊为心肌缺血。最终模型包含Agatston评分、八个钙化-组学特征和年龄。该模型在精确率达到98.9±3.0%，灵敏度为79.2±8.4，F1分为87.7±5.3%。与仅使用临床变量或临床变量加Agatston评分的模型相比，加入钙化-组学特征显著提高了预测性能（p<0.05）。有趣的是，尽管钙化血管数目在SHAP分析中排名最低，但在Logistic回归分析中显示出与心肌缺血最强的关联（ odds比值：3.63，95%置信区间：2.80-4.77，p<0.00001）。我们开发了一种基于常规获取的非对比CTCS扫描的机器学习方法，用于预测心肌缺血。钙化-组学特征在常规风险因素和Agatston评分之外提供了额外的预测价值，可能支持更易于获取的心血管风险分层。
引用
@article{arxiv.2605.21745,
title = {Quantitative coronary calcification analysis for prediction of myocardial ischemia using non-contrast CT calcium scoring},
author = {Juhwan Lee and Sadeer Al-Kindi and Ammar Hoori and Tao Hu and Hao Wu and Justin N. Kim and Robert Gilkeson and Sanjay Rajagopalan and David L. Wilson},
journal= {arXiv preprint arXiv:2605.21745},
year = {2026}
}
备注
15 pages, 4 figures, 3 tables