缺血性卒中常由未预警的高危动脉粥样硬化斑块破裂引发，因此无创识别易损斑块对卒中早期诊断和治疗至关重要。然而，当前心血管影像指南主要关注管腔狭窄程度，难以满足临床需求。MRI虽可识别部分高危特征，但低特异性、长采集时间等问题限制了其定量评估斑块易损性的应用。从病理角度看，泡沫巨噬细胞驱动的斑块破裂是核心机制，因此精准量化泡沫巨噬细胞负荷成为分层斑块风险的关键。近日，南开大学的夏爽教授团队联合天津医科大学第二医院的李雪教授和同济大学的张兵波教授团队，在纳米科学领域顶级期刊 《ACS Nano》 上发表了一项突破性研究Predicting Plaque Vulnerability Using Machine Learning-Enabled Nanoagents Sensitized Molecular High-Resolution Magnetic Resonance Imaging Data。他们开发了一种靶向泡沫巨噬细胞的MR纳米探针tFM-Nanoagents，结合机器学习技术解码高分辨率血管壁MRI数据，构建了nano-AML评分，实现了对动脉粥样硬化斑块易损性的精准预测。该探针以谷胱甘肽包裹的超小金纳米颗粒为核心，表面修饰靶向泡沫巨噬细胞清道夫受体SR-AI的PP1肽，并螯合Gd³⁺赋予MR成像功能。探针经静脉注射后，通过PP1肽与SR-AI的特异性识别，主动富集于斑块内的泡沫巨噬细胞区域，在HR-VWI上产生高信号。随后，研究团队提取104个斑块的影像组学特征，通过机器学习筛选出9个与病理易损指数最相关的特征，构建逻辑回归模型，生成nano-AML评分，用于量化斑块易损性。图1展示了诊断范式：tFM-Nanoagents靶向泡沫巨噬细胞→HR-VWI可视化斑块分布→ML筛选影像特征→构建nano-AML评分量化易损性。图2验证了探针的靶向特异性。共聚焦显微镜显示，tFM-Nanoagents在泡沫巨噬细胞中的荧光强度是普通巨噬细胞的3.33倍，是PP1阻断组的2.16倍。体内HR-VWI显示，探针注射后10 h，斑块区域CNR从6.50升至48.71，增强倍数较Gadovist高1.93倍。免疫荧光三染证实Cy5标记的探针与SR-AI和CD68共定位，与内皮细胞（CD31）和树突状细胞（CD11c）无共染。图3纵向评估了斑块进展。20周高脂饮食模型中，tFM-Nanoagents在每个时间点的斑块CNR均显著高于Gadovist，且与SR-AI表达强相关（R=0.77-0.85）。Bland-Altman分析显示，两名放射科医生对探针增强HR-VWI的管壁面积和斑块存在性评估一致性高（p>0.05），而Gadovist组存在显著差异（p<0.05）。探针测得的管壁面积和斑块面积与H&E染色结果相关性（R=0.89和0.78）优于Gadovist（0.59和0.60）。图4实现了泡沫巨噬细胞斑块的3D空间定位。通过CNR≥3倍基线识别斑块区域，在3D重建的LCCA中，探针增强区域与油红O染色阳性区域高度一致，4-20周高脂饮食的斑块时空分布一目了然。图5构建了nano-AML评分模型。从104个斑块（4-20周）的HR-VWI中提取1431个影像特征，经稳定性筛选、共线性降维和ANOVA F值排序，最终选出9个特征（包括小波特征、纹理特征等）输入逻辑回归模型。训练队列AUC为0.871，验证队列AUC为0.870，显著优于Gadovist组（AUC 0.560和0.538）。模型在验证队列中敏感度0.750，特异度1.000，准确度0.857。图6展示了nano-AML评分的诊断准确性。以0.681为阈值，典型病例1（nano-AML评分0.821）被判定为易损斑块，与病理易损指数1.165一致；病例2（评分0.397）被判定为稳定斑块，与病理易损指数0.847一致。本研究首次将靶向泡沫巨噬细胞的纳米探针与机器学习影像组学相结合，构建了nano-AML评分用于预测动脉粥样硬化斑块易损性。其核心创新包括：1、精准靶向：PP1肽修饰的纳米探针特异性识别泡沫巨噬细胞SR-AI，实现分子水平成像；2、影像解码：机器学习从HR-VWI中提取9个与病理易损指数最相关的特征，突破肉眼判读局限；3、量化易损：nano-AML评分在验证队列中AUC达0.870，敏感度0.750，特异度1.000；4、临床潜力：该技术可为无症状/非狭窄性易损斑块的早期识别提供客观工具，助力个性化干预策略制定。该研究为动脉粥样硬化斑块风险分层提供了新的无创诊断范式，也为纳米探针与人工智能的深度融合开辟了新方向。
「BioMed科技」关注生物医药×化学材料交叉前沿研究进展！交流、合作，请添加杨主编微信！
https://doi.org/10.1021/acsnano.5c17779来源：BioMed科技
声明：仅代表作者个人观点，作者水平有限，如有不科学之处，请在下方留言指正！
