综述：发作性睡病的神经影像学：近期进展与未来研究方向的批判性综述

这篇专家共识系统阐述了人工智能（AI）在冠状动脉CT血管造影（CCTA）领域的三大研究要素（大规模高质量数据训练、外部验证、临床验证），并针对图像采集重建、后处理、诊断、预后预测等全流程提出分级推荐意见（Class I/II/III），为AI在心血管影像中的规范化应用提供了权威指导。

　　

摘要

冠状动脉CT血管造影（CCTA）已成为评估冠状动脉疾病的一线技术，而人工智能（AI）正深刻变革其全流程。本共识提出AI在CCTA领域的三大研究要素：需基于大规模多样化高质量数据训练模型；必须通过独立外部数据集验证性能；最终需通过阶梯式临床验证（包括随机对照试验）评估实际效用。共识同时梳理了AI在CCTA各环节的应用现状，从图像采集到疾病预防提出分级推荐。

1. 引言

心血管疾病（CVD）是全球健康的主要威胁。CCTA不仅能评估管腔狭窄和斑块成分，结合CT血流储备分数（CT-FFR）和心肌灌注（CTP）还可实现形态与功能双重评估。然而海量数据对放射科医生构成挑战，AI技术有望通过自动化分析提升诊断效率。目前部分AI算法已获监管批准，但临床应用前需严格验证其有效性。

2. AI基础概念

AI通过机器学习（ML）和深度学习（DL）模拟人类智能。监督学习需标注数据训练模型（如支持向量机），无监督学习自动发现数据特征（如聚类分析），强化学习则通过环境交互优化策略。DL采用多层神经网络（如卷积神经网络），在医学影像中表现突出。

3. CCTA中AI研究的核心要素

3.1 数据训练

训练数据需兼顾患者多样性（年龄、种族）和图像多样性（扫描仪型号、协议）。标注标准优先选择病理或侵入性检查结果，次选专家标注。数据应划分为训练集（70%）、调参集（10%）和测试集（20%），性能评估需包含区分度（如AUC）和校准度指标。

3.2 外部验证

使用独立于训练集的多中心数据验证，评估模型在不同扫描参数和人群中的稳定性。样本量估算需参考临床研究方法，例如二分类结局模型至少需100事件/结局。

3.3 临床验证

分三阶段推进：计算机模拟验证（回顾性数据）、早期临床评估（前瞻性小样本）、随机对照试验（比较AI组与常规组）。试验设计可参考中国国家药监局《医疗器械临床试验设计指导原则》。

4. AI在CCTA中的应用现状

4.1 图像采集与重建

AI可优化患者定位（IIb/C推荐）和扫描范围，DL重建算法能显著提升低剂量图像质量（I/C推荐）。

4.2 图像后处理

AI自动计算冠状动脉钙化积分（CACS）与专家标注高度一致（I/B推荐），中心线提取时间缩短90%（I/B推荐）。但对心腔、心外膜脂肪的自动分割尚处探索阶段（IIb/B）。

4.3 疾病诊断

• 狭窄评估：AI软件灵敏度达94%，但特异性仅68%，需医师监督使用（IIb/B）。

• 缺血评估：AI-CT-FFR诊断效能与计算流体力学方法相当，敏感度79-97%（IIa/B推荐）。

• 斑块分析：深度学习可量化斑块体积，但高危特征识别仍需改进（IIb/B）。

4.4 预后评估

AI整合CACS、CT-FFR和脂肪衰减指数（FAI）等多参数，显著优于传统风险评分（IIa/B推荐）。

4.5 治疗指导

CT-FFR可减少90天内不必要的侵入性造影（IIa/B）。TAVR术前规划中，AI能快速测量主动脉瓣环径线（IIb/C）。

4.6 疾病预防

基于非门控CT的AI-CACS筛查使他汀处方率翻倍（IIa/B），FAI参数可指导抗炎治疗。

5. 挑战与展望

当前瓶颈包括模型泛化性不足、"黑箱"决策难解释、临床工作流整合待优化。未来需通过前瞻性多中心试验验证真实价值，并开发置信度评分系统防范过度依赖AI。随着技术迭代，AI将深度赋能CCTA全流程，最终改善心血管疾病管理结局。