心外膜与心包脂肪组织：解剖、功能、影像与临床干预新视野

本刊推荐研究人员针对心外膜脂肪组织（EAT）和心包脂肪组织（PAT）在心血管疾病中的作用机制与定量评估难题，系统综述了其解剖基础、病理生理特性与影像学评估策略，深入探讨了深度学习分割技术和药物治疗对脂肪体积的影响，为心血管风险分层和靶向干预提供了重要理论依据和工具支持。

近年来，心外膜脂肪组织（Epicardial Adipose Tissue, EAT）和心包脂肪组织（Pericardial Adipose Tissue, PAT）作为心血管疾病的新型生物标志物和潜在治疗靶点，引起了广泛关注。尽管肥胖与心血管疾病的关联已被大量研究证实，但特定脂肪沉积的局部与系统效应机制尚未明确，尤其在影像定量、功能评估及临床干预方面仍存在显著争议。不同文献对EAT和PAT的定义不一致，测量方法缺乏标准化，导致研究结果难以比较和转化。此外，传统手动分割方法效率低下且主观性强，而新兴深度学习技术的应用仍面临数据量不足、模型可解释性差等挑战。在治疗方面，虽然部分药物和生活方式干预显示可减少EAT体积，但其是否作为独立治疗靶点仍存疑问。

为系统回应上述问题，由Tristan T. Demmert、Konstantin Klambauer、Lukas J. Moser、Victor Mergen、Matthias Eberhard和Hatem Alkadhi组成的团队在《British Journal of Radiology》上发表了一篇题为《Epicardial and Pericardial Adipose Tissue: Anatomy, Physiology, Imaging, Segmentation, and Treatment Effects》的综述文章。该研究旨在厘清EAT与PAT的解剖与功能差异，总结影像评估与分割技术的最新进展，分析其在心血管风险预测中的作用，并评估药物及生活方式干预对脂肪组织的影响。

本研究为综述性研究，未涉及原始实验数据，但系统检索并分析了截至2024年已发表的相关文献，涵盖影像学、分割算法及临床干预研究。关键技术方法包括：多模态影像评估（如CT、MRI和超声心动图）、深度学习分割模型（如卷积神经网络和EAT-Mamba框架）、脂肪衰减指数（Fat Attenuation Index, FAI）分析、以及放射组学特征提取。部分研究基于临床影像数据库和公开心血管队列（如SUMMIT试验亚组）。

研究结果主要包括以下几个方面：

解剖学特征

EAT位于脏层心包与心肌之间，起源于内脏中胚层，具有棕色脂肪样特性，无筋膜屏障，可与心肌直接相互作用。而PAT位于壁层心包之外，来源于白色脂肪，代谢特性更接近皮下脂肪，由心包膈动脉供血，其影响主要通过系统性机制介导。

生理与病理作用

EAT通过旁分泌和血管分泌机制影响心肌和冠状动脉功能，分泌包括IL-6、TNF-α、MCP-1等促炎细胞因子，以及脂联素等保护性因子。其在肥胖、胰岛素抵抗等状态下表现为促炎表型，与冠心病、心房颤动（Atrial Fibrillation, AF）、心力衰竭（Heart Failure, HF）等密切相关。PAT则主要参与系统性炎症和代谢调节。

影像学评估

计算机断层扫描（Computed Tomography, CT）是评估EAT体积和衰减值的金标准，常用HU阈值范围为-190至-30。管电压、重建参数及季节变化等因素可影响测量结果。磁共振成像（Magnetic Resonance Imaging, MRI）无辐射暴露，适用于纵向研究，3D Dixon序列可提高分割准确性。超声心动图测量EAT厚度简便易行，但无法进行体积评估，且操作者依赖性较高。

分割方法

传统手动分割耗时且存在较大观察者间变异。深度学习技术（如卷积神经网络）显著提高了分割的自动化水平和准确性，Dice系数可达0.98。然而，其应用仍受限于训练数据量不足、模型可解释性差以及过拟合风险。

治疗与干预

他汀类药物、GLP-1受体激动剂（GLP-1 RA）和SGLT2抑制剂可减少EAT体积，其中GLP-1 RA效果最为显著（SMD = -1.005）。生活方式干预如地中海饮食和高强度间歇训练也可有效减少EAT和PAT体积。然而，SUMMIT试验亚组分析发现，tirzepatide虽减少心室质量和总心旁脂肪，但未显著影响EAT，提示其减少可能反映整体脂肪减少而非特异性作用。

研究的讨论部分强调，EAT和PAT在心血管疾病中具有重要但不同的作用。EAT更倾向于通过局部炎症和代谢机制影响心脏，而PAT则参与系统性调节。准确量化这些脂肪组织对于心血管风险分层和开发靶向治疗策略至关重要。

本研究结论认为，心外膜和心包脂肪组织是心血管疾病风险评估和干预的重要靶点。影像学技术的进步与深度学习分割方法的应用极大提高了测量的准确性和可重复性。尽管目前部分药物治疗和生活方式干预显示出减少脂肪体积的潜力，但其特异性及临床效益仍需更多研究验证。未来工作应致力于标准化影像协议、明确EAT与PAT的生物学差异，并推动可解释人工智能模型在临床中的集成应用。

该综述为理解脂肪组织在心血管健康与疾病中的作用提供了全面框架，并为未来研究指明了方向，对促进精准心血管医学发展具有重要理论和实践意义。