AI-QCT定量斑块负荷联合狭窄程度提升冠状动脉CT血管造影对缺血性CAD的检出效能

针对冠状动脉CT血管造影(CTA)对缺血性冠心病(CAD)诊断特异性不足的问题，芬兰图尔库大学医院团队通过AI-QCT技术定量分析2145例患者的斑块负荷(PAV/NCPV/CPV)与狭窄程度，发现PAV联合30-70%狭窄区间可将诊断准确率提升至88%（AUC=0.91），为临床决策提供了更精准的影像学依据。

　　

冠状动脉CT血管造影(CTA)已成为临床筛查冠心病(CAD)的一线工具，但其诊断特异性不足常导致过度转诊功能学检查。传统≥50%狭窄标准虽敏感性尚可(75%)，但特异性仅88%，且无法反映斑块特征与缺血的关系。芬兰图尔库大学医院联合多国团队在《The International Journal of Cardiovascular Imaging》发表研究，创新性采用人工智能定量CT(AI-QCT)技术，首次系统评估了斑块负荷参数对缺血性CAD的诊断增量价值。

研究团队利用Turku心脏CTA注册库中2145例疑似CAD患者的影像数据，通过AI-QCT算法(Cleerly LABS)自动量化最大直径狭窄、总斑块体积百分比(PAV)、钙化斑块百分比(CPV)及非钙化斑块百分比(NCPV)，并以¹⁵O-水PET心肌灌注成像(MPI)作为缺血金标准。关键技术包括：1）64排混合PET-CT同步采集CTA和灌注数据；2）AI-QCT全自动斑块分割与HU密度分层（低衰减斑块<30HU，非钙化斑块30-350HU，钙化斑块>350HU）；3）网格搜索法优化 stenosis-PAV 联合诊断阈值。

【主要结果】

1. 斑块参数诊断效能：PAV与NCPV对缺血的预测价值显著优于CPV（AUC=0.89-0.90 vs 0.77，p<0.001），且PAV每增加1%使缺血风险上升12%(OR=1.12)。
2. 模型比较：传统≥50%狭窄模型(模型1)的准确率为86%，而联合PAV≥16.8%的模型2虽特异性提升至97%，但敏感性骤降至41%。最优方案为模型3：对30-70%狭窄患者采用PAV≥12.2%阈值，使敏感性和特异性达76%/91%，诊断准确率提升至88%（AUC=0.84 vs 模型1的0.81，p=0.048）。
3. 临床价值：该策略可减少44例(21%)不必要的PET检查，尤其适用于中等狭窄(30-70%)患者的精准分流。

结论部分强调，AI-QCT提供的PAV量化指标突破了传统CTA仅依赖狭窄程度的局限，首次证实斑块负荷在中等狭窄区间(30-70%)具有关键诊断价值。研究为《2019 ESC指南》推荐的"解剖-功能"联合评估模式提供了可落地的AI解决方案，未来或可优化血运重建决策。作者Tanja Kero和Sarah Bar指出，该方法通过标准化斑块分析减少了视觉评估的主观偏倚，但需在外部队列验证其普适性。该成果标志着冠状动脉影像学进入"AI赋能的精准定量时代"。