《Progress in Cardiovascular Diseases》：Artificial intelligence in nuclear cardiology: Enhancing diagnostic accuracy and fficiency
编辑推荐：
AI在核医学中的应用研究。摘要指出AI通过降噪、运动校正、合成衰减校正等技术提升图像质量并减少辐射，结合多模态数据辅助诊断和风险分层，未来需解决模型泛化与临床整合问题。
罗伯特·J·H·米勒（Robert J.H. Miller）|帕尼塔亚·查伦塔伊塔维（Panithaya Chareonthaitawee）|皮奥特·J·斯洛姆卡（Piotr J. Slomka）
美国加利福尼亚州洛杉矶西达赛奈医疗中心（Cedars-Sinai Medical Center）医学系（医学人工智能分部）、影像与生物医学科学系
摘要
人工智能（AI）正在迅速改变心血管成像领域，而核心脏病学在这方面具有独特的优势。通过解决图像采集、重建和解释的技术复杂性，AI可以提高图像质量、减少辐射暴露并提升效率。除了图像优化之外，AI还能够实现虚拟衰减校正以及自动化量化那些手动评估较为困难的新风险标志物。机器学习模型还可以整合多种模式的数据（包括临床数据、负荷试验数据和影像数据），以支持更准确的诊断并优化风险分层。深度学习可以从核心脏病学图像中直接提供诊断或风险分层的估计结果。本文综述了核心脏病学领域中AI的最新进展，探讨了这些技术改变临床工作流程的潜力，并讨论了将这些工具整合到常规实践中的未来方向。
引言
截至2025年7月，美国市场上有超过1000种获得食品药品监督管理局（FDA）批准的医疗成像相关软件设备，其中心血管医学是这类批准最多的领域之一。1然而，尽管有大量科学证据表明AI具有潜在优势，但只有少数AI解决方案在核心脏病学中得到了临床应用。
核心脏病学特别适合应用AI，因为图像采集、重建和解释涉及许多技术复杂的步骤，而AI可以帮助简化这些过程。该领域包含多种临床特征、负荷试验特征以及功能和解剖数据。典型的核心脏病学检查通常包括计算机断层扫描（CT），生成的多种模式数据需要系统整合才能进行准确解读。随着先进计算能力的提升以及大规模、高质量的多中心数据集的普及，2,3AI的应用机会进一步增加。
本文总结了核心脏病学中AI的最新进展，重点介绍了其在临床应用、技术进步及未来发展方向方面的内容。
部分内容
去噪与图像重建
基于AI的去噪技术已被证明能够显著提升核心脏病学图像的质量。多项研究表明，在大幅降低辐射剂量或扫描时间的同时，仍可保持甚至改善诊断图像的质量。例如，拉蒙（Ramon）等人使用堆叠自编码器从低剂量图像重建出全剂量图像，其图像质量与传统方法相当，但辐射剂量仅为一半。4类似地，奥利亚（Olia）也采用了类似的方法。运动校正
准确解读心肌灌注成像（MPI）需要校正心脏、呼吸和患者的运动误差，这是一个具有挑战性的任务，而AI可以帮助自动化这一过程。李（Li）等人开发了一种深度学习模型来预测变形场，该模型可以应用于PET图像的迭代重建中，从而减少重建误差。11同样，陈（Chen）等人利用深度学习从SPECT投影数据中估计呼吸信号，从而提高了成像的准确性。合成衰减校正
标准的衰减校正（AC）技术（如基于CT的AC、线源成像或双位置成像）15,16虽然可以提高诊断准确性，但会增加辐射剂量或成像时间。基于AI的合成衰减校正方法则通过利用现有图像数据生成衰减校正图来解决问题，既可以直接进行也可以间接进行。间接合成衰减校正需要先预测CT衰减图，例如施（Shi）等人开发了一种卷积神经网络来实现这一目标。冠状动脉钙化（CAC）分割
AI在混合SPECT/CT或PET/CT成像中获取的CT扫描分割中具有潜在应用价值。例如，冠状动脉钙化（CAC）可以通过CTAC成像进行分割，以优化风险分层25或指导医疗治疗的启动26。AI可以自动化CTAC中的CAC分割，其结果与手动分割相当27,28基于深度学习的CAC分割方法也与传统方法相比具有相似的准确性。SPECT/PET图像分割
传统的非AI方法在心肌成像中的左心室（LV）分割方面具有较高准确性。然而，AI的最新进展正在扩展其在不同心腔、示踪剂和成像设置中的分割能力。多项研究显示，深度学习能够实现精确的LV分割。46王（Wang）等人开发了一种端到端的卷积神经网络，用于门控MPI下的LV轮廓提取和体积量化，其结果与真实轮廓高度一致。46朱（Zhu）等人结合了3D技术进一步提高了分割精度。疾病诊断
核心脏病学的一个主要临床应用是诊断冠状动脉阻塞性疾病（CAD）。机器学习（ML）可以整合多种特征到预测模型中，以改进CAD的诊断。例如，ML模型可以根据SPECT52或PET53成像前的患者特征预测哪些患者可能出现异常心肌灌注。这些方法可用于选择需要负荷试验或其他成像检查的患者。风险预测
除了用于疾病诊断外，MPI还常被用于心血管风险的分层。胡（Hu）等人结合了临床特征、负荷试验特征和影像数据来识别低风险的心血管不良事件患者。64加入基于深度学习的CAC评分可以进一步优化这种风险分层。65费赫尔（Feher）等人结合了临床特征、负荷试验数据和影像参数，开发了一种AI模型来预测接受治疗的患者是否会出现心力衰竭住院。未来方向与挑战
尽管AI在核心脏病学中的应用范围不断扩展，且目前尚无明确的限制，但仍有一些值得关注的趋势。与医学领域的许多情况一样，对大型语言模型的评估也在增加。最近的多智能体模型显示出解决复杂临床问题的能力，远超人类表现。70在核心脏病学领域，大型语言模型在某些任务上也能取得不错的成绩。结论
AI在核心脏病学领域取得了显著进展。其应用范围从为医生提供新的信息来源（如合成衰减校正和自动化图像量化）到辅助医生进行诊断和风险评估。鉴于其广泛的应用前景以及可能在诊断和效率方面的提升，AI在未来核心脏病学中的作用将日益重要。作者贡献声明
罗伯特·J·H·米勒（Robert J.H. Miller）：负责可视化、概念构思和初稿撰写。帕尼塔亚·查伦塔伊塔维（Panithaya Chareonthaitawee）：负责可视化、概念构思和修订稿件。皮奥特·J·斯洛姆卡（Piotr J. Slomka）：负责项目管理、概念构思、修订稿件撰写及审稿工作。利益冲突声明
罗伯特·米勒博士曾接受CSL Vifor和辉瑞（Pfizer）的咨询费用，以及来自Pfizer和Alberta Innovates的研究支持。查伦塔伊塔维博士是Clario和GE Healthcare的顾问，曾获得Ionetix的演讲费用，并从UpToDate获得版税。斯洛姆卡博士参与了Cedars-Sinai Medical Center的QPS软件的版税收入，同时还获得了Siemens医疗系统的研究资助以及Synektik的咨询费用。
