基于深度学习的法医尸检照片冠状动脉粥样硬化自动测量技术研究

来自韩国的研究人员针对法医尸检中冠状动脉粥样硬化(CAD)视觉评估准确性不足的问题，开发了基于深度学习的自动评估算法。该研究通过3,717张尸检照片验证，模型在测试集上表现出色（组内相关系数ICC=0.988，加权F1-score=0.904），尤其对轻度(0.957)和重度(0.876)分级准确，但中度分级(0.785)仍有提升空间。研究发现钙化(calcification)是影响评估的关键因素，而支架植入(stent)等干扰因素无显著影响，为法医病理学提供了智能化诊断新工具。

　　

在法医学领域，冠状动脉粥样硬化性心血管疾病(atherosclerotic cardiovascular disease, CAD)的诊断至关重要——众所周知，严重粥样硬化与猝死高风险密切相关。韩国现行的尸检实践中，冠状动脉粥样硬化评估主要依赖法医病理学家的肉眼观察，这种主观方法可能影响诊断精确度。

这项开创性研究构建了深度学习算法，旨在实现冠状动脉粥样硬化的快速精准评估。团队从1,920例法医尸检数据库中回溯性提取了3,717张数字照片，每例尸检选取左前降支(left anterior descending artery, LAD)和右冠状动脉(right coronary artery, RCA)各一张图像作为分析样本。

令人振奋的是，该算法在测试集上展现出近乎完美的评估一致性：预测值与真实值的组内相关系数(ICC)高达0.988（95%置信区间0.985-0.990），绝对一致性达0.986（0.978-0.991）。整体性能指标加权F1-score达到0.904，不过分级表现存在差异——轻度、中度和重度分级的F1-score分别为0.957、0.785和0.876，揭示出中度分级仍是当前算法的"阿喀琉斯之踵"。

通过多因素分析发现，尸体的分解(decomposition)、支架植入(stent implantation)和血栓(thrombi)等干扰因素对评估结果无显著统计学影响，唯独钙化(calcification)会显著干扰模型判断。尽管中度分级识别仍是待攻克的难关，这项研究无疑为人工智能在法医尸检影像分析中的应用树立了新标杆，为实现客观、标准化的冠状动脉粥样硬化评估开辟了智能化路径。