深度学习赋能冠状动脉CT血管成像：斑块与狭窄定量分析及心脏风险预测的系统评价

本研究针对冠状动脉疾病(CAD)诊断中传统CCTA分析效率低、依赖专家经验等问题，系统评价了2019-2024年间10项深度学习(DL)应用于冠状动脉CT血管成像(CCTA)的研究。结果显示DL模型在斑块体积(TPV)、狭窄程度(DS)量化方面与IVUS高度一致(ICC>0.95)，AI-QCPA等模型将分析时间从25分钟缩短至秒级，显著提升诊断效率。该综述为AI辅助CAD精准诊疗提供了循证依据，对推动智能影像临床应用具有重要价值。

　　

在全球每年约1790万心血管疾病死亡病例的严峻形势下，冠状动脉CT血管成像(CCTA)作为非侵入性诊断工具日益重要。然而传统半自动斑块定量方法存在耗时(>25分钟/例)、依赖专家经验、结果变异性大等瓶颈。尤其当面对低衰减斑块负荷(LAP)这类心肌梗死独立预测因子时，人工分析的局限性更为凸显。为此，国际多中心研究团队通过系统评价DL技术在CCTA中的应用，探索AI能否突破现有技术壁垒。

研究团队严格遵循PRISMA指南，检索了2019-2024年间MEDLINE/Embase等数据库的532篇文献，最终纳入10项符合标准的研究。采用RevMan 5.4软件进行统计分析，使用Cochrane偏倚风险评估工具对纳入文献进行质量评价。样本量跨度从70例至20,612例不等，涵盖美国、日本、德国等国的多中心数据。

【研究结果】

1. 模型性能验证
   AI-QCPA模型在237例患者中显示与IVUS的强相关性：总斑块体积(TPV)r=0.91，钙化斑块(CP)r=0.91，非钙化斑块(NCP)r=0.87。DenseNet-121 CNN将心血管事件预测AUC从0.646提升至0.680。

2. 影像质量突破
   超分辨率深度学习重建(SR-DLR)较传统MBIR技术显著降低图像噪声(22.1 HU vs 27.4 HU)，提升信噪比(SNR 16.3 vs 13.7)，支架内腔测量更精确(1.84 mm vs 1.52 mm)。

3. 临床效能提升
   CNN+GBDT联合模型实现斑块分类准确率87.0%，狭窄分级准确率90.9%，处理速度较人工快5倍。复发CNN在163例中达到斑块分类准确率80%，狭窄检测准确率80%。

4. 风险预测价值
   DL量化总斑块体积≥238.5 mm³时，心肌梗死风险增加5.36倍(HR=5.36, p=0.0042)。低衰减斑块负荷(LAP)被证实为最可靠的心梗预测指标。

5. 技术局限性
   61.67%研究存在选择偏倚，13.33%存在高报告偏倚。模型透明度不足、训练数据多样性欠缺(主要来自欧美人群)影响泛化能力。

【结论与展望】
深度学习赋能CCTA展现出三大临床价值：(1)量化精度媲美IVUS金标准(ICC>0.95)；(2)将分析时间从"分钟级"压缩至"秒级"；(3)整合斑块体积、组成等多维参数实现个性化风险预测。Orii等开发的SR-DLR技术突破传统CT分辨率极限，使支架评估等精细诊断成为可能。

当前面临四大挑战：(1)缺乏标准化评估框架；(2)真实世界验证不足；(3)计算资源门槛高；(4)监管审批滞后。未来需通过联邦学习解决数据偏见，结合FFR_CT实现"解剖-功能"双重评估。随着FDA等机构加速AI医疗器械审批，DL-CCTA有望成为CAD诊疗的新标准。