左心室熵值预测心肌炎 MACE

楚山之石

297人浏览 · 2026-07-14 11:09:29

楚山之石 · 2026-07-14 11:09:29 发布

左心室熵值预测心肌炎 MACE

当心脏 MRI 遇见信息熵：一个从像素分布中读出的预后密码，改变急性心肌炎风险分层。

导语

急性心肌炎是一种令临床医生头疼的疾病——大多数患者经治疗可完全康复，但少数人却会进展为扩张型心肌病、心力衰竭甚至心源性死亡。问题的核心在于：我们缺少一个足够灵敏的工具，能在看似恢复良好的患者中，提前识别出那些暗藏风险的人。

2026 年 7 月，中国医学科学院阜外医院陆敏杰团队联合昆明医科大学赵新湘团队在 Radiology 发表了一项重磅研究，将信息论中的Shannon 熵引入心脏 MRI 分析，从晚期钆增强（LGE）图像的像素分布中提取出一个全新的组织异质性指标——左心室（LV）熵值。这项覆盖 492 例患者的多中心研究证明：LV 熵值是急性心肌炎主要不良心血管事件（MACE）的独立预测因子，其预后价值超越了传统临床和影像指标。

文章配图
▲ 图1 ｜患者入组流程图。 研究从阜外医院连续收治的临床怀疑急性心肌炎患者中，依据 ESC 2013 标准和 Lake Louise 2018 标准筛选，最终纳入 319 例发现队列和 173 例外部队列。

背景：心肌炎预后评估的困境

目前，心脏 MRI 是评估可疑急性心肌炎的无创参考标准。LGE 被公认为预测临床结局的稳健标志物——已有荟萃分析证实 LGE 的存在和范围与不良预后显著相关。然而，传统 LGE 评估依赖视觉判读或基于阈值的半定量分析，无法全面捕捉心室心肌像素信号强度的全谱分布特征。

与此同时，T1 mapping、T2 mapping 和细胞外容积（ECV）等参数定量技术虽然提供了额外的诊断和预后信息，但它们高度依赖扫描序列、设备型号、后处理方法和患者的年龄性别——各大心脏 MRI 中心往往需要建立自己的参考值范围。临床上亟需一种客观、标准化、从常规 LGE 图像即可提取的量化指标。

什么是 LV 熵值？

熵（Entropy）的概念源自信息论，由 Claude Shannon 于 1948 年提出，用于度量系统的不确定性或信息量。将这一概念迁移到影像学中：心肌组织的熵值越高，意味着像素强度的分布越复杂，对应的组织异质性也越大。

在心脏 MRI 中，研究者从 LGE 短轴图像中手工勾画心内膜和心外膜轮廓（排除血池和乳头肌），汇集心底到心尖所有层面的心肌像素，构建多层面像素强度直方图，经概率归一化后代入 Shannon 公式：

$-\sum_{i=1}^{n} P(\chi_i) \log_2 P(\chi_i)$

计算出的数值即为 LV 熵值。研究定义了两个版本：

类型	计算范围	临床含义
LV 全局熵	整个 LV 心肌的像素强度分布	心肌整体组织异质性
LV LGE 熵	仅 LGE 区域（≥5 SD 阈值）的像素分布	纤维化/坏死区域内部的不均一性

文章配图
▲ 图2 ｜ LV 熵值图像处理工作流程。 上：急性心肌炎的组织病理学基质导致 LGE 图像信号强度异质性。中：在 Mass 软件中手工勾画心内外膜轮廓，排除血池信号。下：基于像素强度分布自动计算 LV 全局熵和 LGE 熵值，生成灰度直方图。Gd = 钆对比剂，ROI = 感兴趣区，stdev = 标准差。

这一方法的最大优势在于简便性和可重复性——所有计算基于常规 LGE 图像，无需额外扫描序列。研究中观察者内和观察者间的组内相关系数（ICC）分别高达 0.99 和 0.98，证明该方法具有极佳的可靠性。

研究设计：双队列、多中心验证

这是一项回顾性多中心研究，包含两个独立队列：

队列	中心	人数	中位随访	MACE 事件
发现队列	阜外医院	319	3.1 年	57 例（17.9%）
外部验证	深圳阜外 + 昆明医大二院	173	2.0 年	25 例（14.5%）

入组标准严格遵循 2013 年 ESC 心肌炎立场声明和 2018 年 Lake Louise 标准。所有患者均使用 3.0T Philips Ingenia 扫描仪完成标准化心脏 MRI 检查。MACE 定义为心源性死亡、心衰住院、心脏移植、复发性心肌炎和持续性室性心律失常的复合终点。

核心发现：熵值的独立预测价值

研究采用嵌套多变量 Cox 比例风险回归模型，逐步检验熵值的增量预后价值：

模型 1（传统指标）：糖尿病 + NT-proBNP + LVEF + LGE 范围 → χ² = 54.72, C-index = 0.73

模型 2（+ ECV）：模型 1 + ECV → χ² = 66.88, C-index = 0.75

模型 3（+ LV 全局熵）：模型 2 + LV 全局熵 → χ² = 77.47, C-index = 0.78

加入 LV 全局熵后，模型拟合显著改善（似然比检验 P < .001），净重分类改善（NRI）为 0.130。

多变量回归中，LV 全局熵的独立预测效力最为突出：

预测因子	风险比（HR）	95% CI	P 值
LV 全局熵	3.33	1.61–6.87	.001
LV LGE 熵	2.10	1.17–3.76	.01
ECV（每增加 5%）	1.44	1.12–1.87	.005
LVEF（每降低 5%）	1.13	1.02–1.26	.02

一个关键发现是：LGE 范围在多变量模型中加入熵值和 ECV 后不再具有独立显著性（P = .24），提示熵值可能捕捉到了 LGE 范围无法反映的组织异质性信息。

文章配图
▲ 图3 ｜熵值与心脏 MRI 参数、临床特征及心内膜心肌活检（EMB）结果的相关性热图。 颜色梯度表示 Pearson 相关系数 r 的大小和方向，红色为正相关，蓝色为负相关，颜色越深相关性越强。LV 全局熵与 LGE 范围（r = 0.77）、LGE 质量（r = 0.67）、ECV（r = 0.43）呈显著正相关。AF = 房颤，VT = 室性心动过速，VF = 心室颤动，LM = 淋巴细胞性心肌炎，GCM = 巨细胞性心肌炎。

相关性热图进一步揭示：LV 全局熵与 LGE 质量（r = 0.67）、LGE 范围（r = 0.77）、ECV（r = 0.43）、Native T1（r = 0.37）均呈正相关。但中等程度的相关性也说明，熵值反映的是与传统 mapping 参数不同的组织特征维度——mapping 反映全局水含量或弥漫纤维化程度，而熵值刻画的是信号强度的空间分布模式。

亚组分析：在"看似低危"的人群中发现风险

本研究最令人瞩目的发现之一是分层分析的结果。研究者以 LV 全局熵 = 8.5 为阈值，将患者分为高熵组和低熵组：

在 LVEF 保留的患者中，高熵组的事件-free 生存率显著降低（P = .003）
在 RVEF 保留的患者中，结果一致（P = .003）
在 LGE 范围 < 9.5%（低 LGE 负荷）的患者中，高熵组仍然更差（P = .02）
这意味着：即使常规指标都显示"低风险"，高熵值仍然能够警示潜在的不良结局。 这种"超越常规分层"的能力，正是 LV 熵值的核心临床价值所在。

文章配图
▲ 图4 ｜ LV 心肌信号强度直方图与 Kaplan-Meier 生存曲线。 左、右：两例患者的 LGE 短轴图像及对应的心肌信号强度直方图。无 MACE 患者（左）的像素集中在较窄的信号范围内，组织异质性低（LV 全局熵 = 7.48）；MACE 患者（右）的信号分布更宽，异质性更高（LV 全局熵 = 8.04）。中：高低熵值组的 Kaplan-Meier 曲线，高熵组 MACE-free 生存率显著降低（P < .001）。

Kaplan-Meier 分析还显示，LV 全局熵对 MACE 的预测价值在以下高风险事件亚组中尤为显著：心源性死亡和心脏移植（HR 更高），提示高熵值可能反映与不可逆结局相关的心肌结构破坏。

临床转化的机遇与挑战

从临床实践角度看，LV 熵值分析具有几个突出优势：

无需额外扫描：基于常规 LGE 图像即可计算，不增加检查时间
出色的可重复性：ICC > 0.98，不同观察者之间高度一致
客观量化：避免了视觉评估的主观性
识别残余风险：在常规指标判定为低危的患者中进一步分层
然而，该技术目前面临的核心挑战是标准化问题。研究的局限性部分明确指出：熵值的绝对值受扫描仪制造商、场强、脉冲序列参数和后处理软件版本的影响。因此，现阶段 LV 熵值应被理解为"平台内预后标志物"——在统一采集和分析协议下，其相对高低才具有临床意义。跨平台验证和标准化将是未来临床推广的关键步骤。

此外，外部验证队列的随访时间较短（中位 2.0 年），且未发生心源性死亡或心脏移植事件，因此目前证据更支持熵值用于轻中度事件的预测（心衰住院、复发、心律失常）。对于最严重后果的预测效能，尚需更长随访的研究确认。

文章配图
▲ 图5 ｜ Kaplan-Meier 风险分层与年化事件率。 根据 LVEF、RVEF、LGE 范围、ECV 及 LV 全局熵的截断值将患者分为高低风险组。上图：各风险分组的 Kaplan-Meier 曲线（组间比较采用 log-rank 检验）。下图：每组的样本量（柱状图）和年化事件率（圆点）。高 LV 全局熵（≥ 8.5）在保留 LVEF、保留 RVEF 和低 LGE 负荷亚组中仍与更高的年化事件率相关。

总结与展望

Wang et al. 的这项研究为心脏 MRI 预后评估开辟了一个新维度。LV 熵值将信息论的数学工具应用于心肌组织特征分析，以一种客观、可重复、不增加检查成本的方式，从常规 LGE 图像中提取出传统指标无法捕捉的预后信息。

在急性心肌炎的临床管理中，这一工具可能帮助医生做出更精准的风险分层决策——例如，识别那些可能从植入式心律转复除颤器（ICD）等预防性干预中获益的高危患者，同时避免对真正低风险患者的过度治疗。

从更广阔的视角看，这项研究也提示我们：影像学中蕴藏的信息远未被充分挖掘。 当 AI 辅助的心脏 MRI 分析日趋成熟，像熵值这样的影像组学特征有望被整合进自动化分析流程，实现真正的一键式预后评估。在个体化精准医疗的时代，每一比特的影像信息都值得被认真对待。

论文信息

标题：Entropy for Prediction of MACEs in Myocarditis: A Cardiac MRI–based Biomarker of Myocardial Tissue Heterogeneity
作者：Wang Y, Li L, Teng F, Song Y, Duan X, Lian X, Zheng T, Zhou W, Zhu L, Xu J, Zhou D, Yang W, Jiang M, Zhang H, Sirajuddin A, Arai AE, Litt H, Witschey WR, Zhao S, Gao L, Ju Z, Zhao X, Lu M
期刊：Radiology, 2026;320(1):e251932
DOI：10.1148/radiol.251932