深度学习评估RCA周脂肪组织与斑块体积对支架术后患者的预后价值超越CT-FFR

本研究探讨了基于深度学习的冠状动脉周脂肪组织衰减CT(PCAT)和斑块体积在经皮冠状动脉介入治疗(PCI)患者中的预后价值。来自未知机构的研究人员通过回顾性分析183例PCI患者的冠脉CTA数据，发现右冠状动脉(RCA)PCAT(HR=7.05)和斑块体积(HR=3.84)是主要不良心血管事件(MACE)的独立预测因子，其预测价值超越CT-FFR，为PCI术后风险分层提供了新的AI影像学生物标志物。

　　

这项开创性研究揭示了人工智能在心血管影像学中的突破性应用。通过深度学习技术分析183例接受过支架植入患者的冠状动脉CT血管造影(CCTA)数据，研究人员发现右冠状动脉(RCA)周围脂肪组织(PCAT)的衰减特征和斑块体积具有惊人的预后价值。

在中位38个月的随访期间，12%患者发生了包括非致死性心肌梗死(MI)、脑卒中及死亡在内的主要不良心血管事件(MACE)。令人惊讶的是，传统认为重要的CT血流储备分数(CT-FFR)未能独立预测MACE(p=0.150)，而RCA-PCAT和斑块体积却展现出强大的预测能力——经多变量校正后，其风险比(HR)分别高达7.05和3.84，相当于将患者发生不良事件的风险提高了7倍和近4倍！

该发现为临床实践带来重要启示：在评估PCI术后风险时，基于AI的血管周围脂肪组织分析和斑块定量可能比血流动力学参数更具价值。这些生物标志物犹如"冠状动脉的晴雨表"，通过深度学习算法解码脂肪组织的炎症信号和斑块负荷，为精准预测心血管事件提供了新思路。