编辑推荐：
本研究开发深度学习算法 AI-CAC，可从非门控、非增强胸部 CT 自动量化冠状动脉钙化（CAC）。模型经临床门控 CAC 评分验证，准确性高且具预后价值，能实现机会性心血管风险评估，为心血管疾病早期筛查和干预提供新方向。
背景
动脉粥样硬化是心血管疾病的根本驱动因素，其长期发展为早期检测和治疗提供了机会。传统的动脉粥样硬化性心血管疾病（ASCVD）风险计算器预测能力有限，而冠状动脉钙化（CAC）量化是确定动脉粥样硬化心血管风险的成熟方法。尽管心电图（ECG）门控 CT 扫描是量化 CAC 的金标准，但大多数常规临床胸部 CT 扫描是非门控的。此前已有研究探索使用深度学习算法自动化非门控 CT 的 CAC 评分，但存在一定局限性。本研究在退伍军人事务（VA）系统内开发并评估 AI 模型，使用来自全美 98 个医疗中心的数据，旨在开发对现实临床变化更具鲁棒性的模型。
方法
研究符合 HIPAA 标准，经机构审查委员会批准。通过 CPT 代码从 VA 数据库中选取在门控 CT 扫描 1 年内进行过非对比、非门控胸部 CT 的患者，构建配对数据集。由心脏 CT 认证的心脏病专家在 3D Slicer 中对部分非门控扫描的 CAC 进行分割，用于训练和调优模型。同时，检索低剂量肺癌筛查 CT（LDCT）数据集以模拟机会性筛查。模型采用基于 Transformer 架构的 2D Swin-UNETR，在训练过程中使用了多种技术和损失函数。通过回顾性队列分析评估模型对长期预后的预测能力，并进行了混淆矩阵等多种分析。
结果
在配对数据集上，非门控 AI-CAC 区分零与非零 Agatston 评分的准确率为 89.4%（F1 0.93），区分小于 100 与 100 或更高评分的准确率为 87.3%（F1 0.89），且能预测 10 年全因死亡率和复合事件。在 LDCT 数据集中，38.4% 的个体 AI-CAC 评分 > 400， cardiologists 定性审查显示 99.2% 的高评分患者可从降脂治疗中获益。模型在不同亚组中表现良好，且在排除训练集中的医疗中心后仍具泛化能力。
讨论
本研究表明，非门控扫描 AI-CAC 评分可预测 VA 系统内有症状和无症状患者的长期预后，并能泛化到未参与训练的医疗中心。与先前研究相比，本研究使用了涵盖多个医疗中心、扫描仪和成像协议的全国性队列，未过滤心内硬件患者，模型性能更优。但研究也存在局限，如模型在退伍军人人群中开发，其对非退伍军人的泛化性需验证。未来计划在系统范围内实施 AI-CAC 评分，评估其对降脂药物启动、患者依从性等的影响，以推动心血管疾病的主动预防。
