0 引言

       心血管疾病是全球范围内导致死亡和残疾的主要原因之一^[1]。与缺血性心肌病（ischemic cardiomyopathy, ICM）存在清晰的冠脉病变基础不同，非缺血性心肌病（non-ischemic cardiomyopathy, NICM）是一组高度异质性、以非冠脉阻塞性心肌结构和功能异常为核心特征的疾病谱系，涵盖扩张型心肌病（dilated cardiomyopathy, DCM）、肥厚型心肌病（hypertrophic cardiomyopathy, HCM）、高血压性心肌病（hypertensive heart disease, HHD）、心脏淀粉样变（cardiac amyloidosis, CA）、限制型心肌病（restrictive cardiomyopathy, RCM）、致心律失常心肌病（arrhythmogenic right ventricular cardiomyopathy, ARVC）、炎症性、代谢性、浸润性、药物性等数种亚型，其病因多样，病理生理机制复杂，临床表现和预后千差万别，从无症状到进行性心力衰竭、恶性心律失常乃至心源性猝死，具有高度的异质性和不可预测性，诊断和预后评估一直是临床难点，风险分层与预后评估亟待优化^[2]。传统的风险预测模型多依赖于左室射血分数、NYHA分级等宏观指标，但其敏感性及特异性有限，亟需找到新的、更精细的 NICM风险标志物^[3]。

       心脏磁共振（cardiac magnetic resonance, CMR）凭借其无辐射、高软组织分辨率、多参数成像的独特优势，已成为评估NICM不可或缺的工具。与传统影像学方法相比，CMR不仅能定性、定量地评估心脏的室腔大小、室壁厚度和整体功能，还能通过心肌延迟强化（late gadolinium enhancement, LGE）来识别心肌纤维化，并通过T1 mapping、细胞外容积定量（extracellular volume, ECV）等技术实现对弥漫性心肌病变的早期定量评估^[4]。然而，这些定量指标在不同心肌病之间存在广泛数值重叠，且难以解析心肌细胞排列紊乱、细胞外基质异质性等决定预后的微观结构信息，限制了对NICM病理机制的深入解析，为突破上述局限，影像组学作为现有CMR参数的补充，能够挖掘这些精细的异质性特征，有望为NICM的精准分型与个体化评估提供新思路^{[4, 5]}。

       影像组学作为一种新兴的高维特征提取与分析技术，能够从标准医学图像中挖掘蕴含在图像像素灰度、纹理和空间关系中的深层信息，量化病变空间异质性差异，以往大量研究主要集中在肿瘤方向，并展现出了巨大的临床研究价值^[6]。将影像组学与CMR相融合可为解析NICM复杂内在表型提供新方法，实现无创条件下心肌组织的微观特征量化，推动心脏医学从传统的形态功能评估，迈向基于数据驱动的精准分型与个性化管理的新范式。近年来，CMR影像组学在NICM中的应用研究逐渐增多，初步显示出超越传统CMR视觉评估的潜力^{[7, 8]}。然而，现有研究多为单中心、小样本的回顾性分析，特征提取缺乏统一标准，模型可解释性不足。本文对CMR影像组学在NICM中的研究进展进行综述，重点探讨其在病理机制解析、病因鉴别、危险分层及预后预测中的临床价值，分析当前研究存在的局限性，并提出未来的研究方向，以期为NICM的精准诊疗提供新的思路与依据。

1 文献检索方法

       本综述遵循系统性文献检索策略，以确保涵盖该领域的高质量研究，检索数据库为PubMed、Embase、Web of Science、Cochrane Library、中国知网（CNKI）及万方数据库，检索时限从建库至2026年1月。检索词采用主题词与自由词相结合的方式，中文检索式主要为：（“非缺血性心肌病” OR “扩张型心肌病” OR “肥厚型心肌病” OR “心脏淀粉样变”）AND（“心脏磁共振” OR “CMR” OR “影像组学” OR “纹理分析” OR “机器学习” OR “深度学习” OR “卷积神经网络” OR “深度学习影像组学”）AND（“预后” OR “预测” OR “结局” OR “生存” OR “风险分层” OR “MACE” OR “主要不良心血管事件” OR “死亡率” OR “随访”）。英文检索式主要为：(“non-ischemic cardiomyopathy” OR “dilated cardiomyopathy” OR “hypertrophic cardiomyopathy” OR “cardiac amyloidosis” OR “NICM” OR “DCM” OR “HCM” OR “CA”) AND (“cardiac magnetic resonance” OR “CMR” OR “cardiovascular magnetic resonance” OR “radiomics” OR “texture analysis” OR “machine learning” OR “deep learning” OR “convolutional neural network” OR “deep radiomics”) AND (“prognosis” OR “prognostic” OR “prediction” OR “predict” OR “outcome” OR “survival” OR “risk stratification” OR “MACE” OR “major adverse cardiovascular events” OR “mortality”)。

       文献纳入标准：（1）研究对象为确诊的NICM患者（包括扩张型心肌病、肥厚型心肌病、心脏淀粉样变等亚型）；（2）采用CMR影像组学方法进行分析；（3）研究报告了与诊断、风险分层或预后相关的结局指标；（4）纳入研究限定为人类研究，语言为中文或英文。排除标准：（1）病例报告、综述、会议摘要、社评、信件等非原始研究；（2）数据不完整或无法提取关键信息的研究；（3）重复发表的文献。文献筛选由两名具有八年以上工作经验的影像医生（一名主治医师、一名主任医师）独立完成，首先通过标题和摘要初筛，再对初筛纳入的文献进行全文复筛。如有分歧，通过讨论协商。最终纳入探讨CMR影像组学在NICM诊断、风险分层及预后价值的相关研究。

2 影像组学：从视觉评估到数据挖掘的范式转变

2.1 影像组学特征提取

       影像组学特征提取通过量化医学影像中像素灰度的空间分布规律，可以获取形态学、纹理及统计特征等多维信息^[9]。现有NICM研究中指出，纹理特征能够有效揭示心肌微观结构改变，增强对早期心肌纤维化和炎症的检测能力^[10]。近年来，深度学习影像组学通过卷积神经网络（convolutional neural networks, CNN）直接从原始图像中端到端学习高维特征，突破了人工特征提取的局限，在肿瘤异质性量化中已展现优势^[11]。与此同时，生境分析通过识别肿瘤或病变内部不同微环境亚区域，捕捉空间异质性的拓扑分布特征^[12]。CMR凭借高软组织分辨率及多参数成像优势，为影像组学提供理想数据基础。这些方法对心肌纤维化空间分布异质性的精细刻画，为NICM早期识别及预后评估提供了新方向。

2.2 特征选择与降维

       高维特征中常存在冗余与噪声，特征选择与降维是提升模型性能的关键。传统方法包括主成分分析（principal component analysis, PCA）、最小绝对收缩和选择算子（the minimum absolute shrinkage and selection operator, LASSO）、最小冗余最大相关（minimum redundancy maximum relevance, mRMR）等通过统计手段筛选最具价值的特征，兼顾模型准确性与可解释性^{[9, 11]}。深度学习方法则内嵌于模型中自动学习多层次特征，无需人工干预^[13]。

2.3 模型构建与验证、可解释性

       模型构建是实现影像特征向临床决策转化的核心环节。依据建模策略的不同，当前研究可分为传统机器学习与深度学习两大范式。传统方法基于人工筛选特征进行建模，常用方法包括支持向量机（support vector machine, SVM）、随机森林（random forest, RF）、梯度提升算法（extreme gradient boosting, XGBoost）等，流程成熟且解释性较强^[11]。相比之下，深度学习基于自动提取的特征进行端到端的模型训练，可捕捉影像与NICM表型间的复杂非线性关系。混合模型结合两者优势，近年来逐步展现出在疾病识别、组织表征、瘢痕定量及风险评估中的巨大应用潜力^[13]。

       模型验证是评估模型性能的重要环节，常用方法包括训练/验证/测试集划分、交叉验证及外部验证，重点关注模型在不同CMR设备及扫描参数下的可重复性与可迁移性^[14]。

       模型可解释性是NICM临床转化的关键，传统模型可借助特征重要性排序、SHAP值等方法进行解释^[15]。深度学习模型结合显著性图、Grad-CAM及注意力机制定位关键区域^[16]。需要指出的是，注意力机制并不等同于因果解释，仍需结合临床知识与病理对照综合判断。

3 CMR影像组学在NICM风险预测及预后价值的研究进展

3.1 非对比心脏磁共振电影序列

       非对比心脏磁共振电影序列（non-contrast cine cardiac magnetic resonance, Cine-CMR）基于稳态自由进动与心电门控技术，作为心腔定量的金标准，它能够精确且可重复地评估心房和心室的体积、心肌质量以及射血分数，并通过心肌应变和机械分散度等先进技术支持功能分析，早期识别亚临床功能障碍并描述机械不同步性，是评估心脏形态和功能的基本影像技术^[17]。然而，其无法识别心肌中的微小结构变化，诊断价值相对受限^[18]。为弥补这一局限，研究者已将高维特征影像组学应用于常规Cine图像，通过挖掘纹理、形状等特征，间接量化心肌微结构重构，展现出广阔临床应用前景。MA等^[7]证实，Cine-CMR影像组学可检出高血压所致的早期心脏改变，实现最高准确率83.3%，有望在未来用于早期HHD中对潜在心脏损伤的筛查。SCHOFIELD等^[19]关于Cine-CMR影像组学特征在左室肥厚病因分类的研究中发现，HCM/CA因固有弥漫纤维化与蛋白沉积而呈现更高组学异质性，压力负荷性肥厚（主动脉缩窄、HHD）则特征相对均一，为机制解析提供影像-病理的桥梁。JIANG等^[20]利用纹理特征联合传统CMR参数构建机器学习模型用来区分 CA 与 HCM，提升鉴别能力，准确率可达85.2%，并可追踪不同阶段的微结构演变。LIU等^[21]利用6个最佳的心肌+乳头肌联合影像组学特征，显著提升了 HHD 与 HCM 的鉴别能力，准确率达87%。此外，IZQUIERDO等^[22]综合左室表现最好的10个形态学与纹理特征，实现 HCM、DCM 与左心室致密化不全（left ventricular non-compaction cardiomyopathy, LVNC）的自动化鉴别，并提示影像组学特征可反映弥漫纤维化和心肌重塑。在肾功能受损的患者中，服用Gd可能会导致肾源性系统性纤维化^[23]。为此，在PU等^[8]证实整合全左室 Cine-CMR影像组学的预测模型可在无Gd对比剂条件下有效评估心肌瘢痕（准确率达89.02%），拓展了CMR影像组学的适用人群。WEBER等^[24]研究则显示基于Cine图像传统影像组学与深度学习特征融合模型在无创识别心肌瘢痕上显著优于单一模型（AUC=0.93）。

       在预后预测方面，HAN等^[25]证实Cine-CMR影像组学较单纯临床指标可额外提升LVNC患者不良事件的预测价值。近期，吕静等^[26]进一步基于影像组学联合临床因素构建多个HCM室性心律失常风险模型，最高实现93.75%的准确率，为HCM患者风险分层提供了新的定量工具。在此基础上，ZHANG等^[27]证明在 LGE 基础上加入Cine-CMR影像组学特征，可为 HCM心力衰竭事件预测提供增量价值（AUC=0.82）。

       总之，Cine-CMR影像组学凭借无对比剂即可间接量化心肌微结构重构的独特优势，对肾功能不全患者筛查纤维化展现出良好预测效能，并广泛应用于病因鉴别及心衰与心律失常的风险预测。然而，该技术的临床转化仍受限于特征稳定性的不足：特征提取高度依赖心动周期时相的选择，易受呼吸伪影干扰，且对不同厂商的重建算法敏感性较高。未来的研究亟需建立标准化的采集与时相选择协议，在大规模队列中验证动态功能分析中特征的稳定性，并深化影像组学特征与组织病理学的对照研究，以阐明其生物学机制。

3.2 延迟强化序列

       LGE凭借“正常心肌信号抑制-纤维化高信号”这一高对比机制，对局灶性、替代性心肌纤维化具有极高检出率，已成为NICM诊断、危险分层和预后评估的核心影像指标。LGE阳性已被证实会升高全因死亡、室性心律失常及主要不良心血管事件发生风险，并被国内外众多指南列为ICD植入决策的影像依据^{[28, 29]}。然而，LGE对弥漫性间质纤维化评估存在固有局限性。为突破这一不足，研究者应用影像组学技术开展了大量探索性研究。

       在病因鉴别方面，当临床信息、病史有限或心肌梗死和心肌炎都存在透壁性LGE强化时,其鉴别诊断存在一定困难，DI NOTO等^[30]基于CMR的LGE序列提取影像组学特征结合机器学习构建鉴别诊断模型，实现了最高89%准确率。CA通常预后较差，早期发现和准确诊断是提高患者生活质量和生存的关键。心内膜心肌活检被视为诊断金标准，但由于其侵袭性，其诊断及鉴别诊断通常基于LGE和ECV图像的关键信息联合临床信息^[31]。然而，使用LGE图像诊断CA是基于对淀粉样蛋白的目测评估或定量测量，这可能低估了那些在心肌淀粉样蛋白沉积的早期阶段没有任何明显LGE的患者CA的患病率，而LGE图像影像组学可以提供与CMR的目测评估和定量参数相比的增量价值^{[32, 33]}。

       在预后预测方面，AMYAR等^[34]开创性研究表明，对LGE的影像组学分析，特别是纹理特征，在DCM的心律失常风险分层中提供了超出临床和LGE负担的额外增量价值[HR：2.38（95% CI：1.28~4.42）；P=0.01]，这些异常的纹理特征被认为反映了微观的心肌间质纤维化和心肌束排列紊乱，构成了LGE无法显示的致心律失常基质。此外，ALIS等^[35]及后续DURMAZ等^[36]研究也证实了基于机器学习的LGE影像组学是区分HCM室性心动过速风险的一种很有前景的工具。在SHU等^[37]研究中指出LGE图像纹理分析是严重收缩功能异常DCM不良事件新型影像标志物，预测能力显著优于常规延迟强化磁共振成像参数[HR：12.748（95% CI：2.692~60.371）；P=0.001]。另一项对1229名HCM患者进行了为期4年的研究中发现，心肌LGE影像组学与SCD风险密切相关，并增强了当前ESC或AHA/ACC风险模型的预后价值（C-index分别显著提升至0.73和0.76）^[38]。这一发现与WANG等^[39]研究一致，其指出LGE图像衍生的影像组学特征对鉴别HCM不良事件高危患者具有独立的预后价值[HR：1.212（95% CI：1.032~1.423）；P=0.02]。而最新的一项基于394名轻链型CA患者的研究表明LGE深度学习特征模型对CA整体生存率展现出良好的预测效能（C-index=0.91；AUC=0.95），该模型的预测效果远超传统的 Mayo分期系统（C-index=0.65；AUC=0.71）^[40]。

       总体而言，LGE影像组学凭借高对比度捕捉微观异质性的独特优势，有效弥补了常规LGE对弥漫性纤维化评估的不足，在病因鉴别及预后风险分层中提供显著的增量价值。但现有研究多为回顾性设计，反转时间设定差异导致组织对比度改变，影响特征稳定性，未来亟需探索人工智能辅助的自动反转时间优化技术，并开展前瞻性、多中心的大样本验证，以突破标准化瓶颈并推动其临床转化。

3.3 T1/T2 mapping序列、ECV

       T1/T2 mapping、ECV定量等新技术，进一步实现了对弥漫性心肌纤维化和浸润性病变的早期、定量评估，对NICM的诊断、治疗和预后预测具有重要意义。然而，多种心肌病的Native T1 mapping和ECV值存在广泛重叠，异质性的细微变化，很难观察和量化，这使得仅使用Native T1 mapping和ECV值来区分NICM疾病亚型具有挑战性^[4]。在病因鉴别方面，NEISIUS等^[41]研究显示Native T1 mapping图像的影像组学在区分HCM及HHD方面比单纯整体T1值测量提供更高分类效能（准确率高达86.2%）。这在后续SHI等^[42]的研究中也得到了证实，他们进一步指出Native T1 mapping与ECV纹理分析在鉴别HCM、HHD与健康对照组时效能较高（患者 vs. 健康对照：Native T1 mapping的AUC为0.969 3，ECV为0.963 8；HCM vs. HHD：Native T1 mapping的AUC为0.797 2，ECV为0.894 3），心肌应变参数可以有效显示患者和健康对照组之间的差异（AUC=0.920 8），但对区分HCM和HHD方面表现较差（AUC=0.616 9），这为深入解析不同NICM基质异质性奠定了方法学基石。鉴于心内膜心肌活检无法广泛应用的局限性，CMR成为无创诊断心肌炎的重要工具。2018年更新的Lake Louise标准虽整合了T2与T1相关参数以评估水肿与纤维化，但其诊断效能在不同研究中差异较大，尤其对心力衰竭样心肌炎，始终存在一定局限性^[43]。一项小样本影像-病理对照研究中也证实全局T1/T2值在怀疑心肌炎的患者中诊断效能不足（AUC=0.65/0.67），而纹理分析则能实现对活检确诊心肌炎的精准识别（AUC=0.88）^[10]。而在预后预测方面，ZHANG等^[44]研究发现基于T1 mapping影像组学结合临床及CMR常规参数的RF模型可以有效预测DCM全因死亡和心脏移植手术风险，其AUC和F1分数分别可达0.95 和 0.89。

       尽管基于mapping的影像组学通过高通量定量分析，克服了传统分析中因特征信息单一而导致的数值重叠难题，在疾病鉴别及预后预测中展现出良好性能。然而，当前证据缺乏长期随访验证，且磁场均匀性及厂商算法差异影响结果稳定性。未来的研究重点在于建立序列标准化方案，并探索多参数mapping特征的融合模型。

3.4 T1WI、T2-STIR序列

       常规T1WI序列、T2-STIR主要用于心脏结构的初步评估和心肌水肿的定性诊断，由于其诊断价值主要依赖定性分析且易受伪影干扰，这限制了其在NICM精准诊断中的独立应用价值。值得注意的是，多项小样本影像组学研究展现出潜在应用价值。例如，BAEßLER等^[45]研究指T1WI图像在灰度级不均匀性（gray level non-uniformity, GLNU）等组学特征与健康对照组相比存在显著差异，可以准确检测HCM患者的心肌组织变化（AUC=0.95）。此外，基于T2-STIR的纹理模型在鉴别CA与HCM方面表现突出，7项独立纹理特征联合诊断在测试集中实现79.2%的准确率，鉴别诊断效能与LGE 量化相当，同时避免了对比剂的使用^[46]。在预后预测方面，MANNIL等^[47]小样本研究首次确定了基于T2-STIR图像纹理特征可以有效预测Takotsubo综合征患者的长期主要不良心脑血管事件（major adverse cardiac and cerebrovascular events, MACCE），AUC达0.88。

       虽然T1WI与T2-STIR影像组学在NICM评估方面展现出巨大潜力，为资源受限地区提供了替代方案。但现有研究存在样本量小、证据等级低，T2-STIR信噪比低且伪影干扰大问题。未来需优化图像预处理算法，并探索与高级序列的联合应用。

3.5 多序列联合

       联合多序列CMR影像组学通过整合多维度影像信息，进一步突破了单一序列的局限，实现了对心肌组织特征更全面、更精准的定量刻画。NAKAMORI等^[48]研究发现，基于多序列（Native T1 mapping、ECV和LGE）影像组学可以有效区分DCM中非胶原基质扩张（常伴炎症）与轻－中度胶原纤维化，这一发现为无创性地识别处于可逆炎症阶段的DCM患者提供了强有力的工具，有望指导更精准的个体化治疗决策。在此基础上，AMYAR等^[49]进一步构建了DCM影像-病理的精准对应关系，深度解析了不同CMR序列影像组学特征与DCM组织病理学改变之间的量化关联，为CMR影像组学从疾病鉴别诊断迈向预后风险评估奠定了病理生理学基础。近年来，多个研究基于Cine序列的影像组学模型，成功实现NICM亚型^[50]及NICM与ICM有效鉴别^{[51, 52]}。而联合LGE和Cine图像的深度学习特征可以有效鉴别HCM与CA（AUC=0.954），并明显优于单一模型^[53]。

       多序列联合影像组学虽通过信息互补提升了模型性能，但面临序列组合方案不统一、特征维度过高及多中心协调困难等挑战。未来需建立标准化融合协议，探索最优序列组合，并开展大规模前瞻性研究验证其临床实用性。

3.6 CMR影像组学研究的质量评估、共性挑战与对策

       随着CMR影像组学研究的日益增多，其研究质量与可重复性备受关注。影像组学质量评分（radiomics quality score, RQS）作为目前公认的评价工具，已被广泛应用于评估影像组学研究的方法学质量。

       一项针对CMR影像组学研究的系统评价采用RQS进行评估，发现纳入的32项研究平均RQS仅为14.3%（满分36分），尤其在验证（-60.6%）、校准统计（1.6%）、临床实用性（3.1%）和开放科学（3.1%）等项目上得分极低，提示当前CMR影像组学研究的整体方法学质量仍有较大提升空间^[54]。此外，一项纳入33篇影像组学原始研究的可靠性分析显示，RQS总分的评估者间信度（ICC：0.30~0.55）仅为中下等水平，各条目评分的可重复性普遍较低，提示RQS工具本身的应用一致性亦存在挑战，亟需更简便、稳健的评分框架^[55]。

       在技术稳定性方面，JANG等^[56]研究探索了3.0 T CMR不同序列之间影像组学特征的敏感性差异，发现定性成像序列（Cine、T1WI、T2WI）对空间分辨率的变化更为敏感，而定量序列（T1 mapping、T2 mapping）则易受翻转角度、层厚等扫描参数影响。此外，由于设备厂商、磁场强度、扫描参数及后处理流程的差异，Cine序列心动周期选取缺乏统一标准，T1/T2 mapping等定量指标的图像参考值存在显著波动，这些因素共同影响了CMR影像组学特征的稳定性。更关键的是，现有研究多为小样本或单中心探索性分析，普遍缺乏独立外部验证，严重制约了模型在不同临床场景下的泛化能力。

       与此同时，模型可解释性不足也是制约其临床应用的重要因素。无论是传统机器学习还是深度学习模型，其预测结果往往依赖于临床医师难以直接感知的高维特征，缺乏清晰的决策依据易引发临床信任度下降，从而限制其临床可接受性。

       针对上述挑战，已有研究提出若干解决方案。JENSEN等^[57]发现参数特征图可以改善Cine图像中跨不同视野范围的影像组学重复性；VIEZZER等^[58]在常规扫描框架内进行T1 mapping标准化后处理，初步实现了跨平台图像的归一化；MANZKE等^[59]研究确定了与切片方向和空间分辨率无关，具有良好重复性的T1/T2 mapping影像组学特征子集。这些探索性研究为后续工作奠定了重要基础。

4 小结与展望

       综上所述，CMR影像组学已成为近年来心血管影像领域的重要研究方向，为无创解析NICM病理异质性的细微差异开辟了新的研究范式。依托CMR影像组学高维特征，其在探索病理机制、病因鉴别、危险分层及预后预测方面展现出良好的应用前景（CMR各序列影像组学的核心优势、关键局限及未来方向详见表1）。然而，当前该领域在方法学质量、特征标准化、模型泛化能力、多中心验证及可解释性等方面仍存在明显不足。多数研究仍以人工特征提取联合传统机器学习为主，深度学习技术的临床转化仍受到严重制约。未来研究应在序列扫描、后处理流程及影像组学分析全面规范化的基础上，系统开展大样本、多中心研究，构建可重复、可推广的定量评分体系，从而显著提升CMR影像组学研究的质量与稳健性，推动影像组学特征与多组学信息的深度融合，进而缩小研究与临床应用之间的转化差距，为NICM的精准诊断、风险分层与预后评估提供可靠的影像学生物标志物。

点击查看表格

表1  CMR各序列影像组学的核心优势、关键局限及未来方向
Tab. 1  Core advantages, key limitations, and future directions of CMR sequences radiomics in NICM