0 引言

       心脏疾病是全球范围内主要的健康问题之一，其负担持续上升^[1]。据统计，截至2021年，心血管疾病分别占我国农村居民和城市居民总死亡原因的48.98%、47.35%，其中缺血性心脏病（ischemic heart disease, IHD）是导致心血管疾病相关死亡的主要病因^{[2, 3]}，严重危害人民群众生命健康。早发现、早诊断、早治疗心脏疾病是降低其死亡率及延长患者生存期最理想的策略。常规心脏成像方法包括X线、超声心动图及计算机断层扫描、心脏磁共振（cardiac magnetic resonance, CMR）等，为心脏疾病的诊疗提供了更丰富、直观且准确的信息^[4]。其中，CMR具有无辐射、高软组织分辨率、独特的心肌组织定性能力等优势，已经成为临床筛查的主要方式^[5]。然而该方法诊断效能在很大程度上受限于图像质量，同时也高度依赖于医师的临床经验与主观判断。此外，其在冠状动脉、瓣膜功能方面评估性能较差。CMR影像组学的应用为克服上述局限提供了新路径，其通过非侵入方式从医学图像中高通量、多维度提取反映空间和时间异质性的定量特征，挖掘超出人类视觉识别能力的深层特征^{[6, 7]}，定量分析肉眼无法辨别的微小变化，从而辅助实现更客观、可重复的疾病评估。尽管已有部分研究^{[8, 9]}探讨了CMR影像组学在心脏疾病中的应用，但现有文献多聚焦于常见疾病或特定影像序列，尚缺乏对CMR影像组学在多种心脏疾病中整体进展的系统性梳理。此外，该领域目前缺乏对研究方法标准化、特征可重复性及临床转化路径的深入系统评述。现有综述^{[10, 11]}亦未充分总结不同研究中存在的技术缺陷，如特征稳定性、模型泛化能力以及多中心验证不足等问题。

       因此，本综述旨在系统总结CMR影像组学在心脏各类疾病中的诊断及预后评估中的价值，探讨不同特征提取与分析策略的优劣，并评估其临床转化潜力，明确尚未解决的临床问题与技术挑战，提出标准化影像组学分析框架的发展方向，为推动CMR影像组学从方法探索走向临床实用提供理论依据与实践参考。

1 CMR影像组学在IHD评估中的应用

       IHD是指因冠状动脉血流减少导致心肌供氧不足而引起的一类心脏疾病。其中，心肌梗死和缺血性心肌病（ischemic cardiomyopathy, ICM）是导致患者后期发生心律失常甚至死亡的主要诱因之一^[12]。早期通过CMR结合影像组学分析，可实现对心肌梗死区域的范围、心肌活性以及纤维化程度的定量评估，进而识别出心律失常高风险患者^{[13, 14, 15]}，对提升患者远期生存率具有重要价值。

1.1 CMR影像组学在ICM诊断中的应用

       ICM是冠心病的一种严重并发症，指长期心肌缺血导致的心肌弥漫性纤维化、坏死和心室功能受损，最终引起心脏扩大、心力衰竭和心律失常的临床综合征^[16]。当前，CMR影像组学在诊断ICM方面的应用主要聚焦于对心肌特征的量化分析。

       RAUSEO等^[17]基于UK Biobank数据库，使用CMR影像组学展开了一项关于脑-心缺血时的心脏变化的研究。结合机器学习算法构建模型来区分ICM、缺血性脑血管疾病、心肌梗死、缺血性卒中患者，影像组学模型的效能良好，诊断上述各类疾病的 AUC均大于0.78。该研究首次探讨不同疾病间的特征模式差异及特征重叠，对疾病交互作用的研究具有重要的指导意义，不足的是该研究无法确定影像组学特征与心肌瘢痕程度之间是否存在相关性。基于此，LASODE等^[18]以100例ICM、100例扩张性心肌病（dilated cardiomyopathy, DCM）的电影磁共振成像（cine magnetic resonance imaging, cine-MRI）序列短轴图像为研究对象，聚焦于瘢痕心肌组织纹理差异，结合逻辑回归构建三种鉴别模型，结果表明各模型在训练集及测试集上AUC值均在0.9以上，对于微小瘢痕灶也取得了较好的识别效果，有利于减少不必要的钆对比剂使用。然而由于模型仅基于单中心、未进行正式的跨扫描仪比较且采用时相少，其泛化性能与对比剂豁免价值仍需外部队列确认。DENG等^[19]基于cine-MRI序列的不同区域提取纹理特征，构建影像组学模型以鉴别ICM与DCM，结果表明该模型性能优异，AUC高达0.857，显示出良好的分类效果，与RAUSEO等的研究结果相一致。

       上述研究表明，CMR影像组学特征与ICM病理生理改变存在统计关联，可用作早期识别及风险分层的潜在影像标志物，为心肌疾病的无创评估拓展了新方向。然而，当前研究普遍缺乏多中心/跨设备验证、所用图像时相较少，且未能充分评估模型的泛化能力，这可能影响诊断结果的稳定性与普适性。未来研究应重点开展多中心大样本验证、融合多时相图像信息，并系统评估模型在不同人群中的泛化性能，以推动临床转化与应用。

1.2 CMR影像组学在心肌梗死诊断及预后评估中的应用

       心肌梗死是指因冠状动脉血流急剧减少或中断，导致心肌细胞持续缺血、缺氧而发生的坏死，可导致心源性休克或猝死，在冠状动脉疾病中死亡率最高^[20]。心肌梗死后可表现为心室节段性室壁运动异常，并继发不同程度心肌纤维化^[21]。准确评估心肌梗死后的心肌存活状态及纤维化程度，与预测患者的心律失常和死亡风险密切相关^[22]。早期应用影像组学技术进行无创定量评估，对于改善患者远期预后具有重要价值。

       心肌梗死根据病程可以分为急性心肌梗死、亚急性心肌梗死和陈旧性心肌梗死，不同病程对应的病理特征和临床管理策略差异显著^{[23, 24]}。cine-MRI序列主要用于评估心室壁运动情况，研究已证实，cine-MRI影像组学分析可辅助识别心肌梗死。PUJADAS等^[25]利用UK Biobank数据库3万余例数据，采用前向特征选择将影像组学特征与传统血管危险因素及常规CMR指标融合，分别构建了七种模型以预测心房颤动、心力衰竭、心肌梗死，结果表明综合模型对三类疾病的AUC依次为0.76、0.83和0.72，提示综合模型在心衰与房颤预测中的增量价值更为突出，而心肌梗死方面性能提升有限，这可能与心肌梗死的病理改变通常较为局限密切相关，使得基于CMR的影像组学在全面捕捉其关键信息方面存在一定难度，加之UK Biobank中心肌梗死事件率较低、样本量偏小，进一步削弱了模型对关键特征的学习能力。后续研究需扩大样本规模，并纳入基因数据、血液生物标志物等多模态信息，以提供更丰富的心肌梗死特征谱。

       VANDE等^[26]创新性地利用cine-MRI图像固有对比度模式，对纳入的99例急性心肌梗死患者和49例对照患者的图像进行纹理分析，并在自动分割基础上辅以人工校正；随后通过LASSO、熵度量及支持向量机（support vector machines, SVM）完成特征筛选与模型分类，结果表明基于人工校正的收缩末期轮廓影像组学特征构建的模型性能最佳：训练和测试数据集的AUC值分别为0.903、0.957。充分验证了无需外源对比剂的cine-CMR影像组学诊断路径的可行性，为零对比剂CMR方案提供了新思路。然而，上述研究所纳入患者异质性大，未包括慢性心肌梗死或其他急性心肌疾病患者，导致其模型泛化能力欠佳，需要进一步扩大病种以提高泛化能力。BAESSLER等^[27]筛选出5个纹理特征，在鉴别亚急性与陈旧性心肌梗死方面具有显著意义，并指出特征Teta1和Perc.01诊断心肌梗死的效能最优，AUC值在0.9以上。值得注意的是，该研究在识别既往常被cine-CMR遗漏的微小心肌梗死病灶方面表现尤为突出，AUC高达0.9，但不足的是本研究所加入的二维感兴趣区可能影响依赖方向的纹理特征评估，在未来的研究应考虑纳入旋转不变性特征和三维纹理特征以提升模型的稳健性。

       心肌梗死后患者发生心血管不良事件的风险显著增加，其中心衰是最常见和最受关注的后续事件之一，而左室重构是ST段抬高型心肌梗死（ST-segment elevation myocardial infarction, STEMI）后心衰的重要原因之一^[28]。心肌梗死的预后受多种因素影响，包括梗死范围、治疗时机及患者基础情况等，及时再灌注治疗可显著改善预后，因此迅速而准确地识别可逆与不可逆心肌损伤，对评估血运重建的挽救价值、优化患者预后至关重要。已有研究指出，细胞外容积（extracellular volume, ECV）和晚期钆增强（late gadolinium enhancement, LGE）影像组学在辅助评估心肌梗死预后方面表现出色，例如在预测左心室重构方面^[29]。CHEN等^[30]基于ECV进行纹理特征分析，旨在区分STEMI后的可逆与不可逆心肌损伤，并预测心肌梗死后左室不良重构，发现存在5个定量特征能够显著区分心肌损伤程度及预测左室不良重构，其中水平分数得到了最佳的结果，在心肌损伤是否可逆方面其AUC值高达0.91，即心肌损伤越严重，水平分数值越高。YUE等^[31]从另一角度切入，探讨了LGE图像中梗死区纹理特征在预测STEMI患者左心室重构中的价值，基于LightGBM算法构建三种模型，结果表明联合模型性能最佳，其在训练集及测试集中AUC值分别为0.754、0.890，值得注意的是，该研究通过SHAP分析进一步揭示了左室质量的梗死百分比和小波变换的纹理特征是最具有再现性的特征，强调其在模型决策中的关键作用，这增强了模型的可解释性，但由于该研究局限于手动勾画，缺乏自动化流程，目前仍处于临床转化验证阶段。此外，XIN等^[32]基于cine-CMR影像组学特征所构建的模型，在评估心肌梗死后左室重构方面也展现了良好的性能。

       综上所述，CMR影像组学作为辅助分析工具，在心肌梗死的诊断与预后评估中具有重要价值。然而，该技术的临床转化中仍存在瓶颈：单中心研究和缺乏外部验证削弱模型的普适性；模型可解释性不足，难以充分建立影像特征与病理生理机制之间的关联。此外，图像采集、预处理及特征提取流程的标准化缺失，也为结果的可重复性带来挑战。因此，未来研究亟需通过开展多中心合作以验证模型的稳健性，并融合可解释性人工智能方法提升模型透明度，同时推动技术流程的标准化，以最终实现CMR影像组学的临床有效应用。

2 影像组学在非缺血性心肌病中的应用

       非缺血性心肌病是一组由先天性或获得性心肌结构改变引起的原发性心肌病变，主要分为肥厚型心肌病（hypertrophic cardiomyopathy, HCM）、DCM、心肌淀粉样变性（cardiac amyloidosis, CA）^[33]等。近年来，非缺血性心肌病的诊疗领域取得了显著进展，多种新型辅助诊断技术应运而生，其中CMR影像组学作为一种新兴的定量分析工具，在疾病评估中发挥着日益重要的辅助作用。

2.1 CMR影像组学在HCM中的应用

       HCM是一种常见的常染色体显性遗传性心肌疾病。尽管早期治疗能有效改善患者的临床症状，但其发生心肌纤维化、室性心律失常甚至心源性猝死（sudden cardiogenic death, SCD）等严重并发症的风险依然较高^[34]。CMR是诊断HCM和评估患者预后的重要工具，联合影像组学后可进一步提取高维定量特征^[35]，从而增强其客观诊断与风险分层的能力。

       ZHANG等^[36]基于cine-CMR和LGE图像提取的左室心肌纹理特征，搭建了鉴别HCM与高血压心脏病（hypertensive heart disease, HHD）的模型，量化了两种疾病在有或没有各种滤波器的情况下图像的形态学、纹理和体素分布的差异，影像组学模型性能在训练集和验证集的AUC值分别高达0.979、0.981。CMR-影像组学区分左心室肥厚病因的早期尝试普遍聚焦于心肌纹理，而乳头肌因体积较小常被忽视。LIU等^[37]首次同时提取CMR序列上乳头肌、心肌影像组学特征，在5种主流机器学习分类器中以SVM表现最佳（心肌+乳头肌联合模型：检测心肌肥厚方面AUC值为0.964，鉴别HCM和HHD的AUC值为0.935）。基于Boruta算法筛选出的形状最大二维直径切片（乳头肌组）与梯度灰度共生矩阵（gray-level co-occurrence matrix, GLCM）相关性（心肌组）两大关键特征，提示乳头肌的几何改变与心肌的纹理异质性具有互补判别信息。另外LIU还提出在未来研究中可进一步纳入患者T1 mapping、融合基因数据进行多模态研究以进一步提高模型诊断准确性。国内学者吕静等^[38]基于cine-CMR图像，利用纹理特征结合SVM构建的模型发现HCM与健康人群心肌的熵值、峰度、偏度间的差异具有统计学意义，其鉴别模型AUC值最高可达0.97。上述研究成果从不同角度验证了CMR影像组学在HCM及HHD鉴别中的有效性与潜力，展现了其优异的辅助诊断性能。

       HCM的预后与心肌不良纤维化密切相关，现有评估手段主要为CMR，目前已有多个团队利用CMR影像组学探索HCM预后研究。例如PU等^[39]发现基于非增强cine-CMR提取的影像组学特征，结合极端梯度增强开发的模型可以有效检测HCM是否纤维化。MANCIO等^[40]基于上述模型开展的多中心研究在鉴别HCM纤维化方面也展现出良好的性能，其AUC为0.83，敏感度为91%。以上研究表明cine-CMR影像组学有望作为钆剂增强前的筛查工具，辅助识别纤维化风险，从而为减少钆剂使用提供潜在支持。FAHMY等^[41]首次联合应用深度学习和影像组学特征，基于cine-MRI收缩末期与舒张末期图像，构建卷积-全连接混合网络去筛选HCM无瘢痕患者，并引入梯度加权类激活图可视化关键决策区域，深度学习-组学组合模型性能优于单一模型，其内部、外部验证集AUC分别为0.83、0.74。这提示融合多类型图像特征有助于提升模型的判别能力与泛化性能，值得在后续研究中进一步探索与验证。

       SCD是HCM患者重要死因，准确预测SCD对指导临床决策、改善患者预后具有重大意义。有研究表明LGE异质性可能在预测SCD事件中发挥关键作用。FAHMY等^[42]发现与定量LGE参数相比，LGE‐CMR影像组学能更好地预测HCM发生SCD风险，其AUC值为0.76，且心肌邻近灰调差矩阵的粗度显示出最显著的预后价值，可显著改善风险分层，值得注意的是其预测性能超越了标准ESC风险预测模型。WANG等^[43]同样构建了HCM患者SCD的预测模型，研究发现影像组学特征LBP（19）和Moment（1）能够表征心脏瘢痕程度，是HCM患者发生SCD的独立危险因素，当LBP（19）≥4.27或Moment（1）≥4.26时，患者发生SCD的风险显著升高，提示高阶纹理可在传统危险因素之外捕获微瘢痕信息。室性心律失常（如室速、室颤）是HCM患者发生SCD的关键机制^[44]。DURMAZ等^[45]从LGE和cine-MRI序列中提取影像组学特征，引入TabPFN算法生成了预测HCM患者室性心动过速的模型，发现伴或不伴室性快速心律失常病史的HCM患者，其心肌纹理特征存在显著差异，该研究还引入SHAP分析解释特征重要性，在一定程度上增强了模型的可解释性。有研究^[46]基于LGE序列不同区域心肌的影像组学特征结合临床因素所构建的模型均展现了不错的性能，其中左心室肥厚区域联合模型、左心室全心肌联合模型性能优异，其AUC值均高达0.98，具有早期预警HCM患者并发室性心律失常的价值，为临床医师进行风险分层提供了新的决策依据，有助于构建更完善的早期干预体系，从而改善患者预后。

       以上研究表明CMR影像组学在辅助诊断HCM及预测不良预后上展现出潜在优势，其为SCD风险预测带来了新可能，然而其临床转化中仍面临诸多挑战，如数据标准化与质量控制的缺乏、小样本数据导致的过拟合问题，以及如何将其有效整合进临床决策流程等，未来研究需更深入探索其预后价值、识别潜在生物标志物，并改进基于LGE的HCM患者心肌表征与风险分层方法。

2.2 CMR影像组学在DCM中的应用

       DCM是一种以左心室或双心室扩大伴收缩功能障碍为特征的心肌病，表现为心脏泵血功能下降，常并发心力衰竭、心律失常甚至SCD^[47]。早期药物干预可有效延缓疾病进展，在此背景下，CMR成像技术在DCM的辅助诊断与无创评估中具有重要价值。IZQUIERDO等^[48]、ZHANG等^[49]通过纳入包括DCM在内的多种心肌病变构建的鉴别模型均展现了不错的判别效能，例如IZQUIERDO开发的最佳模型，其AUC值达0.95，有效区分了DCM与其他心肌病变。NAKAMORI等^[50]首次揭示CMR影像组学与组织病理学结果之间的关联，证实基于native T1 mapping、ECV、LGE图提取的影像组学特征可无创区分DCM的非胶原蛋白、轻中度胶原蛋白沉积（C统计值分别为0.75、0.77和0.71），并指出GLCM-Maximum Probability是重现性最好的特征，该发现为检测DCM患者心肌中细微的慢性炎症提供了影像-病理对应的可行性证据。然而，该研究仅纳入132例单中心DCM患者，模型也仅止步于胶原含量预测，缺乏硬终点验证，亦未回答究竟是哪些病理改变驱动了信号差异，距离临床可解释与机制验证仍有缺口。针对上述局限性，近期，该团队^[51]实现了由分类走向特征：采用共识层次聚类将1023种影像组学特征无监督地凝聚为两个稳定簇，并以最具代表性的特征逐一映射至活检“金标准”，把“无创虚拟活检”从概念推向可解释、可重复、可外推的临床工具阶段，但仍需在其他心脏疾病中进一步验证。

       也有学者对DCM预后进行了相关研究，ZHANG等^[52]在基于330例DCM患者的前瞻性队列研究中发现native T1 mapping纹理异质性信息可显著提升预后模型性能：当把native T1 mapping影像组学特征与临床及常规CMR参数同步输入随机森林后，其复合终点的AUC由0.64升至0.95，其敏感度、特异度分别92.42%、81.48%，这表明影像组学的纹理异质性特征能捕捉到原本被整体均值指标忽略的信息，从而为预后预测提供更丰富和准确的信号。而LI等^[53]从另一角度进行研究，证明基于增强cine-CMR影像组学的模型在预测患者全因死亡和心脏移植的发生风险方面也具有良好的性能，训练集和测试集AUC分别为0.836、0.835。SHU等^[54]收集114例左心室射血分数严重降低（<35%）的DCM患者的LGE图像并构建影像组学模型去预测DCM收缩功能障碍，发现筛选出的3个特征（GLCM_contrast、GLCM_difference average、GLCM_difference entropy）可以作为DCM患者不良结局的新标志物，能在传统LGE参数基础上预测不良事件。而AMYAR等^[55]经过特征选择、内部验证和外部测试，发现基于LGE技术的影像组学联合模型能够有效地预测DCM室性心律失常的发生，模型AUC值为0.7，研究进一步指出灰度共生矩阵自相关这个影像特征是DCM室性心律失常的独立危险因素，有助于辅助临床风险分层。

       以上研究表明CMR影像组学为DCM患者的诊断及预后预测提供了更为客观、定量的方法学工具，有助于临床风险分层与决策优化。但现有研究仍缺乏大样本、多族群验证，其预后终点不一，模型临床增量受限。未来需开展多中心、多序列、多族群、多病种及标准化的图像采集，构建“影像组学-深度学习”融合模型，提高对细微心肌结构改变的捕捉能力，并拓展CMR影像组学在DCM的早期筛查、分型及无创虚拟活检方面的研究，促进临床转化。

2.3 CMR影像组学在CA中的应用

       CA是由于纤维蛋白在心肌细胞外异常沉积所致，主要分为轻链型和转甲状腺素蛋白型，常表现为左心室舒张功能障碍、心力衰竭和心律失常^[56]。早期无创检测心脏受累并对患者进行风险分层有助于调整治疗方案。

       SHE等^[57]、ZHOU等^[58]在相关研究中均取得不错成果，其中ZHOU等在多中心轻链型CA队列中证实基底段LGE-CMR的7个高稳定性纹理特征所构建的影像组学评分，其预测全因死亡的效能（AUC值为0.77）显著优于传统LGE定量参数（总增强质量AUC值为0.54）。当影像组学评分与Mayo分期联合后，AUC提升至0.86，死亡风险分层能力明显提高，证明影像组学可为CA提供超越血清标志物的增量预后信息。伍希等^[59]的研究显示由8个纹理特征构建的SVM模型鉴别无延迟强化CA和健康心肌最高准确度为89.8%，证实了CMR影像组学作为辅助工具在提升诊断准确性方面的价值。MA等^[60]进一步验证了上述结论。

       上述研究表明CMR影像组学在轻链型CA方面也具有良好的诊断及预测效能，然而CA整体样本量小，模型泛化能力弱，且转甲状腺素蛋白相关型完全缺位，显著限制了模型的外部验证可行性与临床推广价值，未来研究中可建立CA罕见病数据库、引入无创病理映射技术并整合影像-生物标志物，实现CA的早期干预。

3 小结与展望

       在诊断心脏各种疾病及无创预测其预后等领域，CMR影像组学的应用前景广阔，但仍面临多重挑战：（1）现有研究多为回顾性，单模态、小样本研究，缺乏外部验证，模型泛化能力较低；（2）图像采集设备、参数的差异致数据集异质性大，影响模型稳健性；（3）影像特征的筛选、模型算法缺乏统一标准化，重复性与临床落地困难^[61]；（4）影像特征与生物学机制之间的关联尚不明确，缺乏明确的病理生理学解释，难以与临床终点直接关联，需要进一步阐述各特征在心肌病理过程中的具体意义^[62]。

       未来研究应聚焦于数据异质性、模型可解释性及临床转化三大核心问题。具体而言，需推动CMR图像采集、预处理及特征提取的标准化体系建设，增强模型在不同人群和设备间的泛化性能；积极开展大规模、前瞻性、多中心、多学科协作，整合CMR影像特征与临床信息、基因组学数据，并引入动态心脏运动特征捕捉技术，构建更全面的疾病评估体系；加强方法学创新，突破当前技术瓶颈，推动AI系统实现自动化分析，开发影像-病理注释可视化工具，使其有效辅助临床医生疾病诊断，助力精准医疗。长远来看，若能实现心脏病理异质性与影像特征的精准映射，将显著提升影像组学在危险分层、治疗决策和预后预测中的临床转化价值，为心血管疾病的个体化管理开辟新途径。