基于冠状动脉计算机断层扫描血管造影的缺血算法的预测价值：与混合冠状动脉计算机断层扫描血管造影/正电子发射断层扫描成像的比较

《Stroke: Vascular and Interventional Neurology》：Prognostic Value of a Coronary Computed Tomography Angiography–Derived Ischemia Algorithm: Comparison Against Hybrid Coronary Computed Tomography Angiography/Positron Emission Tomography Imaging

人工智能引导的定量CT（AI-QCT）缺血算法与杂交CCTA/PET成像在冠心病预后预测中的比较显示两者具有相似准确性，但AI-QCT对心肌事件预测更特异。

　　### 人工智能引导的定量CT缺血评估在疑似冠心病患者中的长期预后价值

在医学影像技术快速发展的背景下，人工智能（AI）与机器学习的结合正在为心血管疾病的诊断和风险评估带来新的可能性。一项针对疑似慢性冠状动脉疾病（CAD）患者的观察性队列研究，对比了AI引导的定量CT缺血评估（AI-QCT ischemia）与混合CTA/PET心肌灌注成像在长期预后方面的价值。该研究的主要目的是评估AI-QCT ischemia是否能够在不依赖PET的情况下，提供与传统混合成像方法相当的预测能力。

### 研究方法与流程

研究对象是从芬兰图尔库大学医院的机构注册中筛选出的2411名有症状的疑似CAD患者，时间跨度为2007年至2016年。排除了已知CAD或已有心肌再血管化手术的患者，以及因心肌病或心力衰竭而接受CTA检查的患者。最终，2271名患者进入了全分析集。这些患者均接受了CTA检查，其中部分患者（约19%）由于CTA检查中发现了疑似阻塞性狭窄，进一步接受了PET灌注成像。而AI-QCT ischemia评估则是在不接触临床数据、CTA结果和PET结果的情况下进行的，结果分为正常或异常两类。

在研究过程中，混合CTA/PET检查的成功率为94%，而AI-QCT ischemia的评估可行性为83%。这意味着在实际应用中，两种方法在不同的患者群体中表现出不同的成功率。最终，1772名患者同时完成了两种检查，构成了研究的符合方案集。在这些患者中，有19%的混合CTA/PET结果显示存在缺血性CAD，而25%的AI-QCT ischemia结果为异常，提示可能存在缺血。

### 两种方法的比较与结果分析

在全分析集中，AI-QCT ischemia与混合CTA/PET之间的分类一致性达到了中等至较高的水平，Cohen’s κ值为0.61。这一结果表明，尽管两种方法在评估过程中存在一定的差异，但它们在识别缺血性CAD方面具有相似的准确率。在符合方案集中，两种方法在患者层面的分类一致性更高，而在冠状动脉区域层面的分类一致性稍低，这可能与个体冠状动脉解剖结构的差异有关。

研究的中位随访时间为7.0年，期间共有177名（10%）患者经历了复合终点事件，包括全因死亡、心肌梗死（MI）或不稳定型心绞痛（UAP）。通过多变量Cox回归分析发现，混合CTA/PET检测出的缺血性CAD是复合终点事件的独立预测因素，其调整后风险比（HR）为2.35（95% CI, 1.62–3.40），具有统计学意义（P < 0.001）。同样，AI-QCT ischemia的异常结果也被证明是复合终点事件的独立预测因素，其调整后HR为1.98（95% CI, 1.39–2.80），同样具有统计学意义（P < 0.001）。

两种方法的预测能力在C指数上表现相似，分别为0.734和0.729，差异不具有统计学意义（P=0.53）。这表明AI-QCT ischemia与混合CTA/PET在预测患者长期预后方面具有相当的准确性。此外，与仅包含临床变量的参考模型相比，这两种方法的预测能力均显著提高（P=0.007和P=0.021）。这一结果强调了影像学评估在心血管疾病风险分层中的重要性。

### 临床意义与未来方向

研究结果表明，AI-QCT ischemia算法在疑似CAD患者的长期预后评估中，其价值与混合CTA/PET成像相当。这种算法不仅在可行性上表现良好，而且能够提供与PET灌注成像相似的预测能力。然而，AI-QCT ischemia的异常结果可能更具体地预测心脏事件（如MI和UAP），而混合CTA/PET则可能更广泛地预测全因死亡。这种差异可能与AI-QCT ischemia算法中所整合的冠状动脉粥样硬化斑块体积等定量参数有关，这些参数已被证实是心血管不良事件的预测因子。

尽管AI-QCT ischemia在预测心脏事件方面具有一定的优势，但其结果仍存在一定的不确定性。例如，在符合方案集中，有14%的患者被两种方法分类不一致，而在意向治疗分析中，这一比例甚至上升至27%。这表明，在某些情况下，AI-QCT ischemia可能无法准确识别缺血性CAD，从而需要进一步的临床评估或验证。

此外，研究还指出，AI-QCT ischemia的异常结果可能导致更多的再血管化手术，而混合CTA/PET则可能在一定程度上减少不必要的侵入性检查。因此，AI-QCT ischemia的临床应用需要进一步评估其对医疗资源使用的潜在影响，以及在不同患者群体中的适用性。

### 研究局限性

本研究的局限性主要源于其回顾性设计。尽管AI-QCT ischemia的评估是盲法进行的，但混合CTA/PET的结果仍然可能影响临床决策，从而对患者的预后产生潜在影响。此外，由于PET灌注成像并未在所有患者中进行，而是仅在CTA发现阻塞性狭窄的情况下进行，因此该研究可能未能全面评估所有患者的微血管功能。同时，研究中未能获得具体的死亡原因，因此使用全因死亡作为终点，避免了验证偏倚。然而，这也意味着研究可能无法区分不同类型的死亡事件，从而影响对风险因素的深入分析。

### 未来展望

本研究为AI在心血管疾病评估中的应用提供了重要的实证支持。AI-QCT ischemia作为一种新兴的影像学方法，不仅能够提高评估的效率，还能在一定程度上减少对PET灌注成像的依赖。然而，为了进一步验证其临床价值，需要进行更多前瞻性研究，以评估其在不同人群中的适用性，以及其对再血管化决策和医疗资源使用的具体影响。

此外，AI-QCT ischemia在识别缺血性CAD方面仍存在一定的局限性，特别是在某些情况下，其结果可能不够明确。因此，未来的研究应关注如何优化该算法，以提高其在复杂病例中的准确性。同时，考虑到AI技术的广泛应用，如何确保其在临床实践中的可靠性和一致性，也是亟需解决的问题。

### 总结

综上所述，AI-QCT ischemia作为一种新型的机器学习方法，在疑似CAD患者的长期预后评估中展现出与混合CTA/PET成像相当的价值。尽管在某些情况下，AI-QCT ischemia的评估结果可能与PET灌注成像存在差异，但这些差异并未显著影响其整体预测能力。未来的研究应进一步探索AI-QCT ischemia在临床实践中的具体应用，以及其对心血管疾病管理的潜在影响。通过不断优化和验证，AI技术有望在心血管疾病的诊断和风险评估中发挥更大的作用。