本研究探讨了心血管磁共振特征追踪(CMR-FT)获取的心肌力学指标（超出全局纵向应变(GLS)的范围）与左心室射血分数(LVEF)和左心室质量指数(LVMI)的关系。在186名社区居住的个体中，提取了全局周向和纵向CMR-FT指标，包括应变、应变率、位移、速度、达峰时间测量和力学离散度。使用Spearman相关分析评估了与LVEF和LVMI的单变量关联。利用经Shapley加性解释(SHAP)解释的监督机器学习模型，评估了广泛力学指标与LVEF和LVMI的多变量关联。在17个力学指标中，与LVEF相关性最强的指标包括全局周向应变(GCS, ρ = -0.71)、纵向收缩期应变率(sSRlong, ρ = -0.53)、周向舒张期应变率(dSRcirc, ρ = 0.50)和GLS(ρ = -0.48)(所有p < 0.001)。在多变量模型中，GCS和sSRlong对LVEF的影响仍然最大，而GLS降至影响最小(SHAP排名#17/17)。对于LVMI，纵向舒张期应变率(dSRlong)显示最强的单变量关联(ρ = -0.50)，其次是GLS(ρ = 0.41)和dSRcirc(ρ = -0.40)(所有p < 0.001)。SHAP将dSRlong和dSRcirc排名最高，其次是GLS。这些发现表明，在多变量SHAP分析中，特征重要性与单变量相关排名不同，这表明一旦心肌力学被综合考虑，与LVEF或LVMI显著相关的指标可能提供的信息较少。LVEF与GCS和峰值收缩期应变率关系最为密切，而LVMI则与峰值舒张期应变率和GLS相关。未来工作应测试整合的力学特征是否能提供超出单指标生物标志物的额外预后和诊断价值。
心脏成像常规用于评估心脏功能，即心脏调节泵血输出以满足身体不断变化的代谢需求并维持稳态的能力。在目前的临床实践中，心脏功能通常通过左心室射血分数(LVEF)来操作化，LVEF描述了每次收缩从左心室(LV)射出的血液比例。然而，容积位移是心肌运动和变形的下游效应。因此，假设通过明确表征心肌力学可以改善功能评估，通过探究LVEF背后的过程。当这些测量指标被综合考虑而非单独考虑时，哪些心肌力学指标最具信息量仍不清楚。
成像还可捕获LV的结构重塑，通常量化为按体表面积索引的LV心肌质量(LVMI)。LVMI在各种情况下增加，通常反映长期后负荷升高。随着重塑改变LV几何形状，很可能伴随着心肌力学的系统性变化。表征心肌力学如何与LVMI相关可能提供有关伴随结构重塑的力学特征的见解。
心脏磁共振(CMR)允许对LVEF和LVMI进行参考标准量化，以及通过CMR特征追踪(CMR-FT)量化心肌运动和变形。在实践中，心肌力学特性通常简化为单个关键指标：峰值全局纵向应变(GLS)，研究表明无论是从超声心动图还是CMR获取，GLS都能提供诊断和预后见解。虽然GLS捕获纵向变形，但不能假设它反映其他空间方向的变形，并且忽略了可能提供收缩和舒张补充信息的速率和时间特性。CMR-FT提供多个额外的力学指标，包括峰值周向和径向应变(GCS, GRS)、位移(D)、收缩/舒张期应变率(sSR, dSR)和速度(sV, dV)、全局应变/位移达峰时间(ttpGS, ttpD)以及力学离散度(MD)。多方向力学指标组如何与LVEF和LVMI相关仍未被充分表征，特别是当综合考虑时。虽然LVEF是心室收缩功能的不完美总结，但它仍然是最广泛使用的临床描述符，并与LVMI一起作为分析更广泛心肌力学如何与功能和重塑相关联的实用锚点。因为LVEF反映了心肌变形的综合结果，LVMI反映了全局重塑，检查力学综合可能比单指标关联更有信息量，将它们作为一组进行背景化。在社区居住的老年人中研究这些关系，可以表征正常至早期疾病谱中的这些关联，为后期疾病和预后研究提供参考。
因此，本研究检查了广泛的全局CMR-FT力学指标与两个基于CMR的LV功能和结构指标(LVEF和LVMI)在社区居住老年人中的关联。目标是(i)量化全局CMR-FT力学指标与LVEF和LVMI的关联，以及(ii)识别当力学特征综合考虑时，哪些指标最一致地贡献。
本研究遵循赫尔辛基宣言，并获得挪威地区医学和健康研究伦理委员会批准(参考编号2011/1475)。所有参与者提供了知情同意。
研究人群来自Akershus心脏检查1950(ACE 1950)研究，该研究包括1950年出生并居住在Akershus县(挪威)的一般人群个体，调查心血管疾病的发展和进展。邀请了一组参与者(n = 363)接受CMR检查，条件是他们在2012年至2015年入组时肾功能正常、无冠状动脉疾病病史，且心脏肌钙蛋白I水平处于队列最高或最低四分位数(图1)。CMR于2019年进行(n = 201)。排除了CMR-FT或LVEF和LVMI量化图像不足的参与者(分析中纳入n = 186)。
CMR图像使用1.5T Philips Achieva MRI扫描仪获取。覆盖心室的短轴图像以及四腔、两腔和LV流出道方向的单切片长轴视图，使用平衡呼吸保持稳态自由进动(bSSFP)电影序列获取。每个序列捕获每个心动周期30帧，切片厚度8mm，翻转角45度，回波时间1.53ms，重复时间3.1ms，视野30 × 30cm，矩阵240 × 240体素(1.25 × 1.25 × 8mm³每体素)。
使用临床后处理软件CVI42(v5.13.5, Circle Cardiovascular Imaging Inc.)的CMR-FT从上述bSSFP图像中提取了共同描述全局LV心肌力学的指标。空间方向如图2所示，指标定义见表1。在纵向、周向和径向空间方向提取了以下指标：峰值应变(GLS, GCS, GRS)、峰值位移(D)、峰值收缩/舒张期应变率(sSR, dSR)和速度(sV, dV)、所有空间方向的应变和位移达峰时间(ttpGLS, ttpGCS, ttpGRS, ttpLD, ttpCD, ttpRD)以及力学离散度(MD)。MD计算为16个AHA心肌节段跨节段纵向应变达峰时间的标准差。
舒张末期心肌轮廓半自动放置在心肌内侧以减少跟踪误差。放射科住院医师对整个心动周期的跟踪进行了视觉质量检查。径向和周向指标从短轴堆栈导出，纵向指标从三个长轴视图导出。纳入的参与者具有完整的bSSFP系列，充分覆盖所有16个AHA心肌节段，且无重大跟踪错误。
力学指标的符号约定：相关分析和模型训练在带符号的数据上进行。当报告负值指标的中位数和IQR时(GCS, GLS, sSRcirc, sSRlong, dSRrad, dVrad, dVcirc, dVlong)，我们显示|中位数|，|IQR边界|按低高顺序重新排列(不是median(|x|)或IQR(|x|))。为便于阅读，描述性结果("更大"/"更低")以幅度/绝对值呈现，相关系数报告原符号。
参考LVMI(g/m²)和LVEF(%)使用CVI42后处理软件从短轴SSFP CMR图像半自动量化。舒张末期和收缩末期放置心外膜和心内膜轮廓，小梁和乳头肌包括在腔室容积中，从心肌质量中排除。LVMI由舒张末期心肌容积(心外膜-心内膜差异)乘以心肌密度并按体表面积索引导出。LVEF基于心内膜轮廓计算为从舒张末期到收缩末期LV腔室容积的百分比减少。
Spearman秩相关(ρ)量化了全局CMR-FT指标与电影导出的LVEF和LVMI的单变量关联。报告了相关系数及其p值，并按每个终点的|ρ|绝对值排序。
周向、纵向和径向指标之间的成对Spearman秩相关表征了同一力学描述符类内(峰值应变、位移、收缩/舒张期应变率和速度，以及达峰时间测量)的空间方向间冗余。方差膨胀因子(VIF)评估了CMR-FT指标间的多重共线性。相关分析表明存在显著的方向间依赖性，GCS和GRS显示近乎完美的相关性(ρ = 0.99, p < 0.001)。考虑到径向、周向和纵向指标共同考虑时VIF升高，以及先前研究报道的径向应变的有限可重复性，径向指标被排除在主要多变量模型之外，以优先考虑可解释性。
LVMI和LVEF被建模为来自全局CMR-FT心肌力学指标的单独监督回归任务。主要模型使用了17个纵向和周向CMR-FT指标。包括径向指标的敏感性模型(总共25个指标)评估了可解释性-精度权衡。输入指标在建模前进行了标准化，并遵循符号约定。
考虑到样本量，我们使用嵌套交叉验证将超参数调优与模型评估分开，并估计样本外性能。186名参与者中，10名被留出用于探索性分析，从未进行评估。其余176名参与者被分配到五个外部折叠；在每次迭代中，35名参与者形成测试集，其余参与者与10名探索性病例(n = 151)一起形成训练池。超参数通过100种配置的随机搜索在训练池内使用三折内部交叉验证选择。对于每个外部折叠，最佳内部循环配置重新拟合在所有151个训练案例上，并在保留的测试折叠上进行评估。在外部折叠上汇总产生了175个唯一参与者的样本外评估，具有严格的训练-测试分离。
为减少随机变异性(例如，随机初始化)，我们使用不同的随机种子重复完整训练过程50次。我们报告运行平均值(包括关联符号)以提高稳定性并减少对随机波动的敏感性。所有模型都是从头训练，没有预训练。
参考LVMI和LVEF与模型估计在汇集的外部折叠预测(n = 175)上的一致性通过Bland-Altman分析评估，报告偏差和一致性的限值(偏差±1.96 SD)，近似95%差异预期所在的范围。计算中位绝对误差和均方根误差(RMSE)，并与已发表的CMR专家一致性进行基准比较。
为评估模型是否学习真实的特征-结果关系而非随机模式，进行了排列测试。LVMI和LVEF在参与者之间随机打乱，并使用相同的嵌套交叉验证方法重新训练模型。
训练后，使用可解释AI(XAI)方法SHapley Additive exPlanations(SHAP)解释机器学习模型。对于每个参与者和终点(LVMI, LVEF)，参与者级别的SHAP值量化了该指标的标准输入值如何将模型估计相对于基线(预期)值进行偏移：指标的正参与者级别SHAP值表示它增加了该人的估计值，而负SHAP表示它减少了该人的估计值。
对于50次独立训练/评估运行中的每一次，通过计算该指标在参与者中的平均绝对SHAP值，总结了每个CMR-FT指标的重要性，得到50个排名。50次运行的平均排名确定了在与其他力学指标一起考虑时，估计LVEF和LVMI的整体指标重要性。这种SHAP排名的指标组合被定义为每个终点的力学表型。
CMR-FT对临床变量和心血管风险因素的潜在增量信息通过无监督特征探索和监督增量价值模型进行评估。
首先，拓扑数据分析(Mapper)将标准化的径向、周向、纵向CMF-FT指标和临床变量可视化：年龄、性别、糖尿病、BMI、BSA、高血压、吸烟状况。特征(25个力学+7个临床)嵌入到3D中，划分为8个重叠bin(2×2×2，50%重叠)，使用k-means(k = 5)在bin内聚类，然后连接成网络，节点表示共享相似特征的特征簇，边表示簇之间共享的特征。节点根据簇中临床变量的比例着色，允许评估力学和临床信息之间的互补性与重叠。
其次，训练了仅使用临床变量和临床变量结合CMR-FT指标的附加模型，以量化CMR-FT的增量信息。
分析在Python v3.8.5中进行。Scikit-learn v1.0用于监督机器学习，SciPy v1.10.1用于统计分析，pandas v1.2.0和NumPy v1.20.0用于数据处理，matplotlib v3.3.4和seaborn v0.11.2用于可视化，SHapleyAdditiveExPlanations (SHAP) v0.44.1用于模型解释，无监督特征探索使用KeplerMapper v2.0.1。Inkscape v1.3.2用于插图和协调Python生成图表的布局/排版，编辑仅限于美观。
本研究遵循关键建议的《心血管成像相关机器学习评估的拟议要求》(PRIME)清单。手稿受益于ChatGPT(OpenAI)进行语法和清晰度改进。
个体CMR数据来自186名参与者(图1)。临床、CMR特征和CMR-FT指标总结在表2、3、4中。
几种力学类别显示显著的方向间相关性(图4a)。周向-径向相关性在GCS和GRS(ρ = -0.99, p < 0.001)以及ttpGCS与ttpGRS(ρ = 0.98, p < 0.001)之间特别高。因此，当径向、周向和纵向指标共同包含时，VIF高于仅包含周向和纵向指标的情况。相应地，主要多变量模型仅使用周向和纵向CMR-FT指标进行训练，以优先考虑可解释性。添加径向指标显著降低了LVMI的中位绝对误差1.8 g/m²(p = 0.021，通过配对Wilcoxon符号秩检验)，而对LVEF则无显著降低(降低0.2%，p = 0.062)，反映了LVMI的适度精度增益与较低可解释性(图4b)。径向指标与LVEF/LVMI的单变量关联如图4c所示。
图5显示了纵向和周向CMR-FT指标的单变量相关性，以及使用SHAP分析的多变量建模中的相对排名。对于LVMI和LVEF，指标按与LVEF/LVMI的绝对Spearman相关排名，然后根据多变量模型中平均绝对SHAP值重新排名(跨越50次重复拟合)，说明当力学综合考虑时重要性如何变化。
对于LVEF，观察到最强的相关性是GCS(ρ = -0.71, p < 0.001)、纵向收缩期应变率(sSRlong, ρ = -0.53, p < 0.001)、周向舒张期应变率(dSRcirc, ρ = 0.50, p < 0.001)和全局纵向应变(GLS, ρ = -0.48, p < 0.001)。在多变量模型中，GCS、sSRlong和dSRcirc保持最高排名特征，而GLS降至最低排名特征(#17/17)。跨越50次拟合，平均SHAP计算表明，更高|GCS|和|sSRlong|显示出与更高LVEF最一致的参与者级别关联(具有实质性SHAP分布的清晰单调趋势)，而其他指标的SHAP值更接近零，表明贡献有限(图6a)。
对于LVMI，纵向舒张期应变率(dSRlong)具有最强相关性(ρ = -0.50, p < 0.001)，其次是GLS(ρ = 0.41, p < 0.001)、dSRcirc(ρ = -0.40, p < 0.001)和sSRlong(ρ = 0.34, p < 0.001)。在多变量建模后，dSRlong、dSRcirc和GLS仍保持在前三名指标中。图6b显示了跨越50次重复拟合的关联稳定性：更高LVMI对应于更低dSRlong和dSRcirc，以及更高|GLS|。
主要模型中17个周向/纵向CMR-FT指标之间的相关结构如图7所示，提供了多变量建模的背景。
主要模型产生的样本外估计跟踪了参考值(图8)，与LVMI(r = 0.52, ρ = 0.52)相比，与LVEF(r = 0.75, ρ = 0.70)的关联更强。平均偏差接近零，但存在比例偏差(两者p < 0.001)。跨越50次重复，中位绝对误差为LVEF 2.9%(IQR 1.4 – 5.3)，LVMI 5.9 g/m²(IQR 2.3 – 9.4)。RMSE分别为4.6%和8.9 g/m²。作为参考，已发表的CMR专家一致性RMSE：LVEF 4.2%，LV质量17.5 g ≈ LVMI 9.2 g/m²(当索引到BSA = 1.90 m²时，当前人群的中位BSA)。
结果-排列产生围绕训练集均值聚集的估计，以及预测和参考LVEF和LVMI之间的非显著Spearman秩相关(ρ = 0.03, p = 0.708表示LVEF，ρ = 0.11, p = 0.14表示LVMI)，表明在打乱标签下没有有意义的信号，支持真实标签下的性能反映了真实的特征-结果关联。
图9和补充结果展示了CMR-FT指标和临床变量的信息内容。临床变量集中在子网络中，与CMR-FT指标混合有限，表明信息基本不冗余。
本研究有三个主要贡献。首先，它同时使用多变量建模和SHAP基础特征排名评估了广泛全局CMR-FT力学测量与LVEF和LVMI之间的关联，而不是单独检查选定指标。从这些联合模型中，推导出LVEF和LVMI的力学表型，定义为最强烈影响模型估计的力学指标排名模式，以及它们关联的方向。其次，它提供了证据，证明多个CMR-FT指标(超出GLS)携带有关LVEF和LVMI的信号。这支持它们作为未来诊断和预后建模的候选特征的潜在效用，而不是作为补充输出或噪声。第三，它促使在未来针对更具临床操作性诊断或预后终点的研究中，超越单指标总结，转向心肌力学的集成多变量表征。
更高LVEF主要与更大的周向缩短(更高|GCS|)和更大的纵向收缩期应变率(更高|sSRlong|)在联合模型中相关，这些也在单变量分析中排名最高，将这些力学特性定位为LV射血的主要判别因素。虽然GLS与LVEF显示出显著相关性，但其在情境化分析中的关联相对较小。
更高LVMI最强烈地与降低的峰值舒张期应变率(|dSRlong|和|dSRcirc|)和降低的纵向缩短(更低|GLS|)相关，在联合和单变量分析中一致。舒张期应变率的高影响与肥厚性重塑的病理生理理解一致，与受损的舒张和被动充盈("僵硬心肌")相关。
单变量相关与SHAP基础多变量重要性之间的排名差异具有启发意义而非矛盾。GLS对LVEF排名的显著下降表明，其显著相关性并未转化为同样重要的情境化贡献。这可能反映了残余冗余，因为GLS捕获的部分信息可能与GCS和sSRlong重叠，但也可能反映了灵活联合模型捕获的非加性效应，赋予其他力学指标更大的情境化重要性。重复模型重新运行表明GCS对LVEF始终排名最高(SD排名 = 0)，表明可重复的主导情境化贡献。相比之下，GLS在力学综合考虑时也保持对LVMI的高排名。这表明GLS可能在情境化环境中保留更多LVMI信号，因为它冗余较少，或者因为其他指标在情境化分析中相对获益较少。当前分析未设计用来区分这些可能性。
与先前研究一致，较差的应变与较低LVEF和较高LV质量相关。本研究扩展了这一证据，并证明了更广泛的心肌力学面板的关联。此外，当前工作显示GCS-LVEF关联强于GLS-LVEF关联，这在联合建模后得到加强。这与Stokke等人的研究一致，他们推导并实证验证了一个分析模型，其中LVEF与GCS呈二次依赖，与GLS呈线性依赖。我们观察到GLS和GCS与LVEF和LVMI的相关性比先前报道的斑点追踪超声心动图更强，这可能反映了模态之间有限的可互换性。相对关联幅度和关联方向的一致性支持了所提出方法用于联合CMR-FT建模的外部有效性和生理合理性，尽管仍需在其他队列中验证。
虽然成对相关显示单个CMR-FT指标与感兴趣结果之间的独立关联，但它们不指示指标是否对其他力学描述符冗余，也不捕获由指标交互产生的非单调或联合效应。此处应用的灵活联合建模框架允许建模非单调力学-结果关联和情境化分析。这提供了(i)关于力学如何与感兴趣结果(LVEF和LVMI)相关的更广泛的生理洞察，以及(ii)表明在情境化时，其他CMR-FT指标可能比GLS单独提供更强的信号。后者支持在使用心肌力学建模更具操作性结果时，使用超越GLS的情境化、系统级心肌力学表征。虽然模型性能与专家一致性相当，但使用机器学习模型从CMR衍生力学指标估计LVEF/LVMI在临床上不是必需的，因为CMR是它们的参考标准。然而，实现的结果展示了临床可用软件提供的但很少被利用的力学指标的未开发潜力。关键信息是，心肌的更广泛力学表征携带有关心脏功能和结构既定测量的信息。这表明这种表征值得在针对临床操作性终点的研究中进一步调查，而不是暗示特定力学指标应作为LVEF或LVMI的代理。未来研究可以调查临床有用结果的力学特征，如射血分数保留的心力衰竭(HFpEF)、亚临床心脏毒性，或肥厚型心肌病中的风险分层。当前发现具有假设生成性，并支持在设计用于诊断或预后评估的研究中进行进一步评估。
在本研究中，周向和径向应变衍生测量(峰值应变、达峰应变和收缩/舒张期应变率)高度相关，可能反映了这两个测量都来自短轴成像并捕获心肌变形的方面，因此提供的增量信息有限。另一方面，位移衍生指标(峰值位移、达峰位移和峰值收缩/舒张期速度)冗余较少，可能提供补充信息，未来研究可以探索它们的联合价值。此外，当包含径向指标时，LVMI但不是LVEF的模型性能显著更好，支持当模型性能而非解释是目标时添加它们。
CMR-FT指标(径向、周向、纵向)在当前研究的选定一般人群中提供了超出标准临床变量和心血管风险因素(年龄、性别、糖尿病、BMI、BSA、高血压、吸烟)的补充信息。这与拓扑数据分析图一致，该图显示力学指标与临床变量的聚类基本不同，表明这两类变量之间的信息冗余有限。与此一致，在临床变量和CMR-FT指标(径向、周向和纵向)上训练的模型比仅在临床变量上训练的模型具有显著更低的误差。
同质化研究样本限制了可推广性。LVEF和LVMI的力学特征可能在运动员、心脏病患者中以及通过不同流程获取时有所不同。当前分析未确定力学指标的相对重要性是否在女性和男性之间不同。此外，力学指标可能随场强、供应商、后处理软件以及跨成像模态而变化。尽管如此，所提出的力学洞察方法可扩展/适应其他人群和流程。
鉴于横断面设计，无法确定因果关系。结果被视为关联性/假设生成。
本研究在一般人群中的老年人中确定了LVEF和LVMI的集成力学CMR-FT特征。多变量模型的SHAP分析相对于单变量相关重新排序了特征重要性，表明与LVEF或LVMI高度相关的指标在与其他指标一起考虑时可能不提供最多独立信息。这表明心脏功能表征可以围绕集成、可解释的系统级力学重新构建。未来工作应测试集成力学特征是否为超出单指标标记物的预后和诊断价值增加。
【全文结束】