突破性研究：AI 助力心脏 MRI 自动测量左心室整体纵向应变 GLS，精准预测心血管风险！

在心血管疾病风险预测领域，一项发表于《Radiology》的最新研究为我们带来了重要突破。该研究聚焦于利用人工智能（AI）自动测量心脏 MRI 中的左心室整体纵向应变（GLS），并深入探讨了其对主要不良心血管事件（MACE）的预后价值。接下来，让我们一同深入了解这项研究的精华内容。

一、研究背景：风险预测的挑战与 GLS 的潜力

风险预测在心血管疾病预防中占据核心地位，但对于传统模型界定为中风险的人群，其风险评估仍面临巨大挑战。将新的、更精准的风险标志物纳入评估体系，对于实现更精准的分类、个性化的临床决策以及优化患者管理至关重要。

此前已有多项研究表明，心脏磁共振成像（MRI）测量的左心室整体纵向应变（GLS）在不同临床场景中对死亡率和心血管事件具有独立的预后价值。随着心脏 MRI 特征追踪成像（FTI）技术的发展，如今可从标准 cine 图像中评估应变，无需专用脉冲序列。然而，观察者间的可重复性以及时间限制阻碍了该技术在临床的广泛应用。AI 算法能够自动计算左心室应变，有望克服这些局限性。基于此，本研究旨在明确基于 FTI 的 AI 自动测量 GLS 是否可靠，以及其预测 MACE 的准确性是否优于传统心血管风险因素和心脏 MRI 检查结果。

二、材料与方法：严谨设计确保研究可靠性

（一）研究对象

本研究为单中心纵向研究，回顾性纳入了 2016 年 1 月至 2018 年 12 月期间在研究实验室接受负荷心脏 MRI 检查的所有连续患者。患者因多种临床症状接受检查，包括心绞痛、呼吸困难以及已知冠心病的随访等。所有患者均签署了知情同意书，研究获得了机构伦理委员会的批准，并遵循 1964 年《赫尔辛基宣言》及 STROBE 队列研究报告指南。

（二）心脏 MRI 协议与分析

心脏 MRI 检查采用 1.5T 扫描仪。通过双嘧达莫诱发血管舒张，在注射钆基造影剂 10 分钟后，采集 T1 加权反转恢复梯度回波序列图像以检测晚期钆增强（LGE）。由四位经验丰富的医师进行心脏 MRI 分析，他们对临床随访情况不知情。异常负荷心脏 MRI 定义为存在可诱导的缺血和 / 或 LGE。

（三）基于 AI 的 GLS 自动测量

使用西门子医疗公司的 TrufiStrain 研究原型进行基于 AI 的 GLS 自动分析（仅用于研究）。应变分析采用 FTI 评估静息状态下的左心室 GLS。如先前发表的研究所示，开发了一种全自动深度学习算法，用于从静息状态下获取的四腔心、三腔心和两腔心 cine 图像评估 GLS，并在 3000 例心脏 MRI 上进行了验证，显示出高度的一致性。GLS 值为三个长轴视图的平均应变幅度值。值得注意的是，GLS 作为变形指标，其数值较为特殊，负值越大表示心功能越好。29/3192 名患者（0.9%）出现 GLS 测量失败，包括三个长轴视图中有一个无法解释的所有患者。

图一 GLS测量示意图

（四）患者随访与主要结局

患者随访持续至 2023 年 1 月，包括常规临床就诊（34%）或与患者或转诊 cardiologist 的直接联系（66%）。由资深心脏病专家完成包含临床研究结局详细描述的临床问卷。主要结局为 MACE，这是一个复合结局，包括急性心力衰竭住院或心血管死亡。

（五）统计分析

连续变量以均数 ± 标准差表示，分类变量以频率和百分比表示，随访时间以中位数和四分位数间距表示。采用 Mann-Whitney U 检验进行连续变量组间比较，采用 Pearson 卡方检验和 Fisher 精确检验进行分类变量组间比较。计算 Pearson 相关系数以评估 GLS 与左心室射血分数（LVEF）之间的关系。

在研究组的 60 名随机患者子集上进行了一致性和可重复性分析。使用 Bland-Altman 分析评估基于 AI 的 GLS 测量与专家（J.G.，拥有 25 年经验）得出的 GLS 测量之间的一致性，显示平均偏倚和 95% 一致性界限。使用组内相关系数（ICC）评估可重复性，显示出良好的相关性（ICC = 0.89；95% CI，0.84-0.93）。

采用 Kaplan-Meier 法估计无事件生存概率，采用 log-rank 检验比较各组 MACE 发生率。使用 Cox 比例风险模型确定 MACE 的预测因素。

为评估 GLS 相对于传统变量的附加预后价值，使用了多个多变量模型：

• 模型 1：根据心血管风险因素调整，即年龄、男性、糖尿病、高血压、血脂异常、吸烟、已知冠心病和肥胖（BMI≥30 kg/m²）；
• 模型 2（GLS 模型）：模型 1 + GLS 值；
• 模型 3（缺血模型）：模型 1 + GLS 值 + LVEF + 缺血程度。
• 模型 4（LGE 模型）：模型 1 + GLS 值 + LVEF + 缺血程度 + LGE 程度。
  为评估预测因子之间的潜在多重共线性，计算了每个变量的方差膨胀因子（所有方差膨胀因子值均小于 2，表明变量之间无显著多重共线性，确保估计的风险比适当稳定和可靠）。使用 Schoenfeld 残差直观评估 Cox 模型的比例风险假设。使用限制性三次样条评估 GLS 与对数标度 HR 之间的潜在非线性关系，结果支持在临床相关 GLS 范围内的线性近似。

为确定 GLS 预测 MACE 的最佳截止值，采用了条件推理树（ctree）方法（R 包 partykit）。该方法涉及递归分区方法，基于置换检验选择统计上最显著的分割点，从而最小化截止值选择中的偏倚。为评估从 ctree 导出的截止值的稳定性，通过 1000 次有放回抽样的 bootstrap 估计截止值的置信区间。

通过估计 Harrell C 统计量并对每个模型进行似然比检验，研究了添加 GLS 后模型判别值的增加。使用 R 软件 4.3.0 版（R Project for Statistical Computing）进行统计分析。

由于研究的观察性质，未进行正式的先验样本量或功率计算。然而，2830 名患者的可用样本量提供了足够的事件率，可根据当前建议（即每个包含的变量 > 10 个事件）进行稳健的多变量建模。所有统计检验均为双侧，p 值 < 0.05 被认为具有统计学意义。

三、研究结果：AI 自动测量 GLS 展现卓越性能与预后价值

（一）患者特征

在 3192 名成功接受负荷心脏 MRI 检查的连续患者中，29 名（0.9%）患者的基于 AI 的自动 GLS 测量失败。此外，333/3163 名患者（10.5%）失访，最终研究人群为 2830 名。主要排除标准为幽闭恐惧症、ECG 门控问题和对压力剂不耐受。研究人群的平均年龄为 65±12 岁，68% 的参与者为男性。

如 Bland-Altman 图所示，自动 GLS 测量与专家进行的传统 FTI 测量之间总体一致性极佳：组内相关系数为 0.89，专家与基于 AI 的测量之间的平均差异为 - 0.11，95% 一致性界限为 - 3.57 至 3.34。无患者在心脏 MRI 期间或之后一个月内死亡，但 4 名患者在检查后 2 小时内出现不稳定型心绞痛。进行了最佳截止分析，确定≥-10% 作为预测 MACE 的最佳截止值，≥-9% 作为预测全因死亡的最佳截止值，与其他研究的结果一致。因此，将 - 10% 用作 GLS 的截止值。按 GLS 截止值划分的两组患者的基线特征显示，高 GLS 值组和低 GLS 值组的心血管风险因素和心血管疾病病史（已知冠心病、既往心力衰竭住院等）分布相似，而高 GLS 亚组中男性比例更高（512/620，83% 对 1412/2210，64%，P<0.001）。正如预期，GLS 高于 - 10%（更正）的患者 LVEF 值较低，左心室容积较高（均 P<0.001），GLS 值与 LVEF 之间存在中度负相关，Pearson 相关系数为 - 0.47。两组在缺血或 LGE 的存在或程度方面没有差异。

（二）主要结局

中位随访时间为 4.5 年（四分位距：3.8-5.2 年）。发生 MACE 的患者年龄较大，但与未发生 MACE 的患者相比，心血管风险因素分布或心血管疾病病史无差异。然而，这些患者的 LVEF 值较低，缺血和 LGE 的患病率较高，GLS 值较高（均 P<0.001）。年化事件率为每年 3.7%，GLS<-10% 的患者为 2.7%，GLS≥-10% 的患者为 7.4%（P<0.001）。

（三）GLS 的预后价值

按照 GLS 截止值（-10%）分层并调整年龄、性别和所有心血管风险因素后，生存曲线分析显示，GLS 值较高（负值较小）的患者发生 MACE 的风险高于 GLS 值较低的患者（调整后的 HR：1.47，99% CI：1.20-1.80，P<0.001），特别是在 GLS 最低的两个四分位数中。

调整所有传统预后因素后，GLS 值与 MACE 的发生独立相关（每 1% 增量的调整风险比 [HR]：1.16，95% 置信区间 [CI]：1.13-1.19，P<0.001）。

在心脏 MRI 正常的患者（调整后的 HR：1.26；95% CI：1.20-1.32，每 1% 增量，P<0.001）和心脏 MRI 异常的患者（调整后的 HR：1.11；95% CI：1.07-1.15，每 1% 增量，P<0.05）中，GLS 的独立预后价值相似。

按 LVEF 值、性别、缺血程度或 LGE 分层的几个患者亚组的 GLS 截止值分层的生存曲线显示，在所有其他临床相关亚样本（如男性和女性、有无已知心血管疾病的患者以及任何 LVEF 值的患者）中，GLS≥-10% 的预后价值仍然显著。

图二 GLS在心脏MACE的预后价值

四、讨论：AI 自动测量 GLS 的临床意义与未来展望

（一）主要发现总结

这项针对 2830 名接受负荷心脏 MRI 检查的连续患者的大型研究的主要发现如下：

1. 基于 AI 的自动 GLS 测量在 > 99% 的患者中可行；
2. GLS 是 MACE 的强独立预测因子；
3. 除心血管风险因素外，GLS 值改善了鉴别能力；
4. 在所有分析的亚人群中，即男性和女性、有无缺血的患者以及有无 LGE 的患者，GLS 值与 MACE 的发生独立相关。

（二）技术突破与优势

由于后处理时间长以及心脏 MRI 的可用性限制，将 FTI 衍生的 GLS 整合到临床实践中一直存在困难。最近的研究强调了 FTI-based 应变评估的可重复性问题以及读者经验的影响。因此，自动化已成为进行无偏倚和高通量应变评估的关键。

现有证据支持 GLS 在各种临床环境中的预后价值。Romano 等人最近表明，在血管扩张剂负荷心脏 MRI 期间，通过 FTI 评估的 GLS 在 535 名已知或疑似冠心病患者中提供了超过传统预后因素的增量预后价值。同样，当前研究表明，在大量接受负荷心脏 MRI 检查的类似患者中，使用 FTI 测量的 GLS 与 MACE 的发生率独立相关。基于 AI 的自动 GLS 可以增强广泛患者的风险分层，无论负荷心脏 MRI 结果如何，既可以作为负荷心脏 MRI 已确定存在缺血的患者的风险增加参数，也可以作为在心肌疾病变得明显之前识别心肌疾病的工具。

（三）病理生理机制探讨

GLS 改变与不良结局之间的病理生理关系仍不清楚。研究表明，纵向纤维易受缺血应激影响。然而，在本研究中，无论是否存在心肌缺血，GLS 都是 MACE 发生的独立预测因子。几项关于肥厚型心肌病患者的室间隔肌瘤切除术和移植心脏的研究表明，心肌纤维化可能是这种关联的关键因素：已观察到 GLS 与细胞外体积以及 T1 映射值（弥漫性间质纤维化的标志物）之间存在相关性，这可能是 GLS 值高的患者心血管风险增加的原因，正如多项研究已经证明的那样，间质纤维化与不良心血管结局（包括心力衰竭、心律失常和死亡）之间存在关联。

（四）临床应用前景

GLS 的自动测量有望广泛应用。许多大规模研究试图确定新的风险标志物，以根据个体患者调整医疗治疗，特别是针对凝血的 COMPASS 研究和针对炎症的 CANTOS 研究。我们研究中获得的证据表明，在负荷心脏 MRI 期间测量的 GLS 有助于根据个体风险对患者进行分层，特别是疑似缺血性心脏病患者。然而，需要进一步研究来证明 GLS 驱动的患者管理可以改善特定结局。在这种情况下，使用自动化工具常规测量 GLS 将有利于开展大规模前瞻性研究。

（五）研究局限性

我们的单中心回顾性研究虽然规模较大（n=2830），但存在一些局限性，包括需要通过单独的研究组验证我们的结果。

首先，患者随访中使用的方法，即临床访视和与患者或转诊心脏病专家的直接接触，可能由于确定偏倚而无法准确检测心血管死亡率。未来的研究应旨在使用更可靠的死亡率数据源验证这些发现。此外，333/3163 名患者（10.5%）失访，部分原因是随访期较长。

其次，没有药物数据和心脏 MRI 后决策结果。大多数患者使用双嘧达莫，这不再是首选的血管扩张剂；然而，这符合当时的建议。

第三，所使用的应变和分割算法不是开源的，但在附录 S2 中可以找到更多关于其可用性的详细说明。最后，FTI 解决方案之间的可变性使得将我们的方法应用于其他供应商时需要谨慎。在我们的模型中纳入 GLS 确实提高了它们的辨别能力；然而，好处是有限的，因此纳入 GLS 的决定还应考虑其他因素，如成本和可用性。

总之，在这项针对接受负荷心脏 MRI 检查的连续患者的大型研究中，使用基于 AI 的自动化系统可以可靠且准确地测量 GLS，并且 GLS 是 MACE 发生的强独立预测因子。在所有患者中都观察到这种预后价值，包括负荷心脏 MRI 正常和异常的患者。这些发现表明，基于 AI 的 GLS 自动测量可能是一种易于获得且有价值的方法，用于识别有不良事件风险的患者。需要进一步的前瞻性研究来评估源自负荷心脏 MRI 检查的 GLS 评估的临床意义。

参考文献

Elena Sofia Canuti, Solenn Toupin, Thomas Hovasse, et al. Prognostic Value of Global Longitudinal Strain using Automated Measurement in Cardiac MRI[J]. Radiology, 2025.

感谢关注

微信：Chushanzhishi2022
微信公众号：NMR凯米小屋
作者B站：楚山之石