综述：人工智能在核心脏病学中的应用

（编辑推荐）本综述系统阐述了人工智能（AI）在核心脏病学中的革新应用：通过深度学习（DL）提升SPECT图像质量，机器学习（ML）整合临床与影像数据优化冠心病（CAD）诊断，并探讨了AI在风险预测与辐射剂量控制中的潜力。文中强调训练/测试数据分离的严谨性，为临床转化提供方法论指导。

　　

Section snippets

Key points

• 人工智能（AI）指模拟人类智能的算法，可提升核心脏影像质量、减少配准误差或模拟衰减校正成像。
• 机器学习（ML）通过整合临床、负荷试验和影像变量，显著提高阻塞性冠状动脉疾病（CAD）的识别准确率（诊断精度达86%）。
• 深度学习（DL）可直接从图像数据中预测疾病，如利用堆叠自动编码器将低剂量SPECT图像重建为全剂量质量。

Artificial Intelligence Terminology
AI泛指执行人类智能任务的算法，如语言理解、图像识别和模式学习。ML作为AI子集，需预编码数据训练模型，而DL通过多层神经网络自动提取特征，在医学影像分析中表现突出。

Utilizing Artificial Intelligence to Improve Image Quality
DL技术可对低剂量SPECT图像降噪，仅用1/16临床剂量即可达到全剂量图像质量。例如，Ramon团队开发的堆叠自动编码器，通过训练预测低剂量与全剂量图像间的映射关系，为降低辐射暴露提供新思路。

Artificial Intelligence for Disease Diagnosis
Arsanjani等开发的ML模型整合总灌注缺损（TPD）、缺血变化和左心室射血分数，诊断阻塞性CAD的准确率显著高于单独使用TPD（86% vs 81%）。Eisenberg团队进一步纳入更多临床变量，证明ML可优化风险分层。

Summary
AI在核心脏病学中的应用涵盖图像重建、疾病诊断和预后评估。临床转化需关注数据分离的严谨性，简化模型和可解释性设计将加速AI落地。

Clinics care points

• 评估AI模型时需严格区分训练与测试数据。
• DL可替代传统衰减校正（AC）成像，降低辐射剂量。
• 简化ML模型有助于临床推广。

Disclosures
R.J.H. Miller博士披露接受辉瑞（Pfizer）的咨询费和研究支持。