基于深度学习的急性胸痛患者冠状动脉阻塞性病变（≥50%狭窄）智能诊断模型的多中心验证研究

来自多中心的研究团队开发了基于YOLOv4算法的深度学习模型，通过分析10,060张冠状动脉CT血管造影(CCTA)的曲面多平面重建(MPR)图像，实现了对急诊科急性胸痛患者阻塞性冠状动脉疾病(CAD，≥50%狭窄)的高精度检测。该模型在外部验证中表现出色，动脉水平灵敏度达92.7%、阴性预测值(NPV)98.5%，患者水平AUC为0.871，为急诊科医师提供了可靠的AI辅助诊断工具。

　　

这项突破性研究构建了基于"你只看一次"(YOLOv4)框架的智能诊断系统，专门用于急诊场景下冠状动脉阻塞性病变的精准识别。科研团队收集了2015-2022年间676例急性胸痛患者的临床数据，其中训练集包含378例患者的10,060张曲面多平面重建(MPR)图像，每支主要冠状动脉选取15张经人工预处理的典型图像进行模型训练。

令人振奋的是，在包含298例患者的多中心外部验证中，该模型展现出接近专家水平的诊断性能：在动脉层面，不仅达到92.7%的高灵敏度，更实现了98.5%的惊人阴性预测值(NPV)，意味着当模型判断无梗阻时基本可排除严重CAD；而在患者整体评估方面，其曲线下面积(AUC)达到0.871，特异性保持在80.7%。这些数据充分证明，该深度学习算法能有效辅助急诊医师快速识别需要紧急干预的冠心病患者，特别是对于占验证队列27.5%(82/298)的梗阻性CAD病例具有重要临床价值。

这项研究的创新之处在于将目标检测算法YOLOv4创造性应用于曲面重建的冠状动脉影像分析，虽然目前仍需人工预处理提取MPR图像，但其卓越的阴性预测能力(96.6%患者水平)显著降低了急诊科漏诊风险，为急性胸痛的精准分诊提供了智能解决方案。