AI-CXR（胸部X光）冠状动脉钙化筛查模型：一种基于多模态数据融合的多目标模型

《Mayo Clinic Proceedings: Digital Health》：AI-CXR (Chest X-Ray) Opportunistic Screening Model for Coronary Artery Calcium Deposition: A Multi-Objective Model With Multi-Modal Data Fusion

开发基于多任务学习的AI-CXR模型用于冠状动脉钙化筛查及心血管风险预测。通过内部验证（Mayo Clinic）和外部数据集（EUH、VGHTPE）测试，模型在区分低CAC（0）与高CAC（100+/400+）方面表现优异，平均AUC分别为0.86和0.83。融合图像特征与临床数据后，模型性能优于单一模态方法。该模型为资源有限地区提供低成本、高可及性的CAC筛查工具，支持早期心血管风险分层和干预。

　　本研究旨在开发一种基于常规前位胸部X光（CXR）和患者人口统计学信息的机遇性筛查模型，以预测冠状动脉钙化（CAC）负担及其相关心血管风险。冠状动脉疾病（CAD）是全球范围内的重要健康问题，其导致的发病率和死亡率极高。因此，有效的风险评估和早期干预策略对于改善患者预后至关重要。CAC评分作为CAD风险分层的重要指标，已被广泛用于指导预防性治疗，如他汀类药物和阿司匹林的使用，尤其是在无症状人群中。然而，ECG门控CT扫描虽然能够准确测量CAC评分，但存在一定的局限性，例如需要ECG门控、在心律不齐患者中存在技术挑战，以及需要专业人员进行图像处理和分析。这些因素使得在小型医疗机构或发展中国家的广泛应用变得困难。

鉴于CXR在医疗环境中普遍存在，且具有较低的辐射剂量，本研究提出了一种利用CXR图像进行机遇性筛查的新方法。研究团队构建了一个多任务学习框架，结合CXR图像和患者的人口统计学数据，以预测CAC评分并评估心血管风险。通过内部训练数据（来自梅奥诊所，共2,121名患者）以及两个外部数据集（来自美国的EUH和台湾的VGHTPE），模型在不同种族和民族背景的患者群体中均表现出良好的泛化能力。此外，研究还对前瞻性数据进行了评估，以观察模型在时间推移下的稳定性。

在方法上，研究团队首先对CXR图像进行了预处理，通过去除非心脏区域（如软组织、骨骼和肺部）来增强模型对心脏轮廓和纵隔区域的关注。这一过程不仅减少了非相关信息的干扰，还提高了模型在不同人群中的适用性。接着，团队使用了一个预训练的肺部分割模型来生成心脏掩膜，并结合骨抑制算法来减少肋骨对图像的影响。最终，他们将原始图像、肺部掩膜图像和骨抑制图像合并为一个三通道图像，以突出心脏和肺部区域的异常特征。

为了提高模型的预测性能，研究团队采用了多任务学习（MTL）策略，将CAC评分预测与重大不良心血管事件（MACE）预测任务结合起来。这种策略允许模型在学习CAC评分的同时，也从MACE事件中提取有用的信息，从而提高其对心血管风险的识别能力。在模型训练过程中，团队使用了ResNeXt101作为主干网络，并通过共享的卷积神经网络（CNN）结构来优化两个任务的损失函数。通过这种方式，模型能够更全面地学习与CAC相关的特征，同时减少对单一任务的过度依赖。

在结果部分，研究团队评估了模型在内部测试集（梅奥诊所）和外部数据集（EUH和VGHTPE）中的表现。在内部测试集中，模型对CAC评分的分类性能达到了平均F1分数为0.71±0.04，而在外部数据集中，这一数值分别为0.65±0.02和0.70±0.06。对于区分高风险和低风险CAC组（如0 vs 100+和0 vs 400+），模型在内部和外部数据集中均表现出较高的AUCROC值，分别为0.86±0.02、0.77±0.03和0.82±0.03。这表明，该模型能够有效识别具有较高心血管风险的患者，即使在不同的种族和民族背景下也能保持较高的预测准确性。

此外，研究团队还对模型的时间漂移进行了评估。通过前瞻性数据（2022年至2024年期间的CXR图像），他们发现模型在时间推移下的性能略有下降，但整体上仍与外部验证结果相当。这一结果表明，模型在实际应用中具有一定的稳定性，能够在不同时间段内保持较高的预测能力。然而，研究团队也指出，某些群体（如老年人和非白人患者）在模型的预测中可能存在不公平的差异，因此需要进一步的分析和优化。

在讨论部分，研究团队强调了该模型的临床意义。首先，CXR图像的广泛可用性使得该模型能够在各种医疗环境中进行机遇性筛查，包括初级保健诊所、急诊中心、医院以及资源有限的地区。其次，该模型的低辐射剂量（0.1 mSv）相较于CT扫描（0.8-10.5 mSv）具有明显优势，这使得它更适合于大规模筛查和长期随访。通过结合AI技术，该模型能够在不增加额外成本的情况下，利用现有的CXR图像进行心血管风险评估，从而提高筛查的可及性和效率。

研究团队还比较了该模型与其他现有模型的性能。例如，Kamel等人基于CXR图像开发了一个二分类模型，用于区分高风险和低风险CAC组，其AUC值分别为0.74和0.70。然而，这些模型仅在单一机构的数据上进行了验证，因此其泛化能力和临床价值仍存在不确定性。相比之下，本研究的模型在多个机构的数据集上进行了验证，显示出更强的适应性和稳定性。此外，Yuan等人基于超声心动图（TTE）图像开发了一个AI模型，用于预测CAC评分，但其性能仅限于区分0和400+ CAC组，未能有效处理中间风险群体（CAC评分在0到100之间）。因此，本研究的模型在处理中间风险群体方面具有显著优势。

尽管该模型在CXR图像分析方面表现出良好的性能，但研究团队也指出了其局限性。例如，模型仅考虑了CXR图像的前位视图（AP/PA），未来可以进一步评估后位视图（lateral view）以提高预测能力。此外，模型在三类CAC检测任务中的表现较为中等（AUC为0.717±0.060），但其二分类模型在区分高风险和低风险CAC组时表现优异（AUC为0.817±0.038）。这一结果表明，模型在机遇性筛查中的应用具有较高的临床价值，尤其是在无法进行CT扫描的资源有限地区。

总的来说，本研究提出了一种基于CXR图像的机遇性筛查模型，能够有效预测冠状动脉钙化负担及其相关心血管风险。该模型结合了多任务学习策略和多通道图像生成技术，提高了预测的准确性和泛化能力。同时，其低辐射剂量和广泛可用性使其成为一种理想的风险评估工具，尤其适用于大规模筛查和资源有限的医疗环境。研究结果表明，该模型在不同种族和民族背景的患者群体中均表现出良好的适应性，并且在时间推移下的性能保持稳定。未来，随着更多数据的积累和模型的进一步优化，该模型有望在临床实践中发挥更大的作用，为心血管疾病的早期筛查和干预提供支持。