这篇文档属于类型a，即报告了一项原创性研究。以下是针对该研究的学术报告：
人工智能辅助CT衰减校正扫描在心脏灌注成像中的体素化六组织身体成分量化：一项多中心研究
第一作者及机构
本研究由Jirong Yi和Anna M. Marcinkiewicz（并列第一作者）领衔，团队来自美国洛杉矶Cedars-Sinai医学中心（人工智能医学部、生物医学科学与影像学部）、波兰华沙国家内政部医疗放射诊断中心、美国南加州大学电气与计算机工程系等14个国际机构。研究于2025年在线发表于《The Lancet Digital Health》，DOI: 10.1016/j.landig.2025.02.002。
研究领域与动机
该研究横跨心血管影像学与人工智能医学领域。传统CT衰减校正扫描（CTAC）在单光子发射计算机断层扫描（SPECT-CT）心肌灌注成像中仅用于衰减校正和钙化评估，但其包含的全身成分信息长期未被开发。每年全球超600万患者接受此类扫描，若能从现有数据中提取身体成分指标（如骨骼肌、脂肪分布），可为心血管疾病、代谢综合征等提供额外预后信息。
科学问题
既往身体成分分析多依赖腹部CT单层切片，且仅评估2-3种组织。本研究首次提出通过AI全自动分割胸部CTAC扫描中的六种组织（骨骼、骨骼肌、皮下脂肪SAT、肌间脂肪IMAT、内脏脂肪VAT、心外膜脂肪EAT），并验证其对全因死亡的独立预测价值。
1. 研究设计与人群
- 数据来源：纳入2009-2021年REFINE SPECT注册库中11,305例来自4个中心（耶鲁大学、卡尔加里大学、哥伦比亚大学、渥太华大学）的SPECT-CT患者数据。
- 排除标准：剔除T5-T11椎体覆盖不全、临床数据缺失或用于EAT模型训练的病例，最终分析9,918例（男性55%，中位年龄65岁）。
- 终点指标：通过国家死亡索引或行政数据库追踪全因死亡率，中位随访2.48年，死亡610例（6%）。
2. AI分割与量化流程
- 技术框架：
- 基础模型：采用开源TotalSegmentator分割117个解剖结构，结合自主研发的EAT分割模型（已用500例独立数据训练）。
- 局部化处理：以T5-T11椎体为基准区域（覆盖率96.4%），通过肋骨笼自动区分胸内外组织。
- 亨氏单位（HU）阈值：骨骼（+151~+1200 HU）、骨骼肌（-29~+150 HU）、脂肪组织（-190~-30 HU）。
- 量化指标：计算各组织的体积指数（体积/身高²）、平均HU值（反映组织密度）及标准差，共19项参数。
3. 统计分析
- 预后模型：
- 使用Cox回归调整11项临床因素（年龄、BMI、高血压等）及18项身体成分指标。
- 通过LASSO回归筛选关键变量，内部验证（3个中心）与外部验证（耶鲁大学）分别评估预测效能。
- 重复性检验：另纳入559例患者重复扫描数据，通过Bland-Altman图验证测量一致性。
1. 组织成分的预后价值
- 高风险指标：
- VAT高衰减（＞-80 HU）：调整后风险比（HR）2.39（95% CI 1.92–2.96, p<0.0001），提示内脏脂肪密度增高（可能反映炎症或纤维化）与死亡风险显著相关。
- EAT与IMAT高衰减：HR分别为1.55（p<0.0001）和1.30（p=0.012）。
- 保护性指标：
- 骨骼高衰减（＞250 HU）：HR 0.77（p=0.016），反映骨密度对生存的积极影响。
- 骨骼肌体积指数高（＞597 cm³/m²）：HR 0.56（p<0.0001），证实肌肉量对预后的保护作用。
2. 亚组分析一致性
VAT衰减的预测价值在所有亚组（性别、种族、BMI分层）中均显著（p<0.01），且不受扫描参数（千伏峰值、呼吸模式）影响。
3. 模型效能
身体成分指标将预测效能（C-index）从0.71提升至0.80（男性）和0.79（女性），显著优于传统临床因素。
科学意义
- 方法学创新：首次实现CTAC扫描的全自动六组织分割，耗时分钟/例，无需人工干预。
- 临床转化：为心肌灌注成像添加了“一站式”身体成分评估，无需额外扫描或辐射暴露。
应用前景
- 风险分层：VAT与骨骼肌指标可识别传统心血管风险模型遗漏的高危患者。
- 疾病管理：为肥胖、肌少症、骨质疏松等代谢性疾病提供影像学生物标志物。
局限性
- 未区分骨皮质与骨髓，且分析限于T5-T11区域。
- EAT分割在非门控CTAC中可能受心脏运动伪影影响。
该研究为心血管影像的“二次利用”树立了新范式，未来可扩展至其他胸部CT应用场景。