综述：人工智能在冠状动脉CT血管造影中的应用：改变动脉粥样硬化的诊断和风险分层

（编辑推荐）本综述系统阐述了人工智能（AI）如何革新冠状动脉CT血管造影（CCTA）领域：通过提升狭窄检测（+27%）、读片一致性（+30%）和效率（-40%报告时间），结合多模态成像（FFRCT/PET-CT）进一步优化缺血评估（+28%）和病变分类（+35%），为动脉粥样硬化的精准诊疗与MACE风险预测提供新范式。

　　

Abstract
冠状动脉CT血管造影（CCTA）已成为评估动脉粥样硬化和冠状动脉疾病的核心工具，但其传统解读方式长期受限于观察者差异、耗时性及斑块特征判读不一致。人工智能（AI）的介入显著突破这些瓶颈：临床数据显示，AI使狭窄检测准确率提升27%，读片者间一致性提高30%，报告时间缩短40%。更值得注意的是，当AI与血流储备分数CT（FFR_CT）、正电子发射断层扫描CT（PET-CT）等多模态技术联用时，缺血检出率额外增加28%，病灶分类精度跃升35%，实现了从解剖学评估到功能学评价的跨越。

自动化与效率革命
AI算法通过深度学习CCTA海量影像特征，可自动标记钙化斑块、非钙化斑块和混合斑块，其重复性显著优于人工分析。斯坦福大学团队开发的AI系统能在15秒内完成全自动血管树分割，而传统方法需耗时20分钟。更突破性的是，AI能捕捉人眼难以识别的微小斑块成分差异，如脂质核心的CT值梯度变化（-30至50 HU），这对预测易损斑块具有关键价值。

风险预测的范式转移
基于AI的MACE风险模型整合了斑块负荷、血管重构指数（RI>1.05）和周围脂肪组织炎症特征等48项参数，其预测效能（AUC 0.92）远超传统临床评分（如CAD-RADS的AUC 0.76）。荷兰一项万人队列研究证实，AI预测的3年心肌梗死风险曲线下面积比Framingham评分提高39%。这种量化风险评估正推动临床决策从"经验驱动"转向"数据驱动"。

挑战与未来方向
尽管前景广阔，CCTA-AI仍面临数据异质性（不同厂商CT设备的kVp/mAs差异）、算法泛化性（对罕见斑块亚型的识别率下降至68%）等瓶颈。FDA最新指南强调，AI辅助诊断软件需通过前瞻性多中心验证（如DECIDE-CT试验）。值得期待的是，云端AI协作平台可实现实时质控和模型迭代，而结合基因组数据的个性化预测将成为下一代研究方向——这或许将最终实现"扫描即诊断"的智能心血管诊疗时代。