综述：深度学习技术在冠状动脉自动分割和冠心病检测中的应用：过去十年（2013-2024）的系统综述

这篇综述系统回顾了过去十年（2013-2024）深度学习（DL）技术在冠状动脉分割（CAS）和冠心病（CAD）检测中的研究进展。通过PRISMA方法筛选97篇Q1期刊文献，揭示了卷积神经网络（CNN）和U-Net在CAS中的主导地位，以及心电图（ECG）和冠状动脉CT血管造影（CCTA）作为主要模态的应用现状。文章指出当前挑战包括数据集局限性、模型复杂性，并建议未来研究聚焦轻量化模型、可解释人工智能（XAI）和临床转化。

　　

Abstract

冠状动脉疾病（CAD）是全球发病率和死亡率最高的心血管疾病，其诊断依赖冠状动脉成像和分割（CAS）。传统方法依赖专家经验且效率低下，而深度学习（DL）技术通过自动特征提取显著提升了CAS和CAD检测的准确性与效率。

Background

心脏通过冠状动脉为自身供血，右冠状动脉（RCA）和左冠状动脉主干（LMCA）分支为左前降支（LAD）和左回旋支（LCX）。CAD由动脉粥样硬化斑块导致管腔狭窄（直径狭窄>50%时定义为梗阻性病变），可能引发心肌梗死或猝死。非侵入性成像如CCTA和功能评估如血流储备分数（FFR）是诊断核心，但存在辐射暴露、图像噪声和观察者间差异等局限。

Method

研究遵循PRISMA指南，从1589篇文献中筛选97篇Q1期刊论文，分析DL模型、数据集（如ASOCA挑战赛）、模态（CCTA占CAS研究主流）及性能指标（Dice系数、AUC等）。

Results

• CAS领域：48项研究中38项采用U-Net，结合注意力机制和图神经网络提升小血管分割精度。
• CAD检测：50项研究中45项使用CNN，20项为纯CNN架构，近年多模态模型（如结合ECG与CCTA）兴起。
• 挑战：公开数据集稀缺（仅15%研究使用公共数据）、性能指标不统一（Dice范围0.82-0.94）、模型泛化性不足。

Discussion

DL在CAS中克服了传统手工分割的耗时问题，但临床落地仍受限于数据多样性（如种族、病变类型偏差）和模型可解释性。未来需开发轻量化模型（如MobileNet变体）并整合不确定性量化模块，以适配资源有限地区的临床需求。

Conclusion

DL技术已证明其在CAD自动化分析中的变革潜力，但需跨学科合作解决数据与计算瓶颈，推动从实验室到床旁的转化医学应用。