综述：基于CT的分数流量储备评估：第一部分——方法学的全面综述

《Journal of Cardiovascular Computed Tomography》：CT derived fractional flow reserve: Part 1 – Comprehensive review of methodologies

CCTA通过计算流体动力学（CFD）和人工智能（AI）结合斑块形态学实现非侵入性FFR评估，扩展了其从解剖评估到生理功能评估的临床应用。

　　随着医学影像技术的不断发展，心脏计算机断层扫描血管造影（CCTA）已经从单纯的解剖评估工具，逐渐演变为能够提供非侵入性冠状动脉生理信息的重要手段。CCTA在评估冠状动脉阻塞性疾病（CAD）方面具有高灵敏度和优秀的阴性预测值，使得其在临床诊断中占据重要地位。然而，尽管CCTA在识别冠状动脉狭窄方面表现出色，它在判断功能性的严重性方面仍存在一定局限。这种解剖学与功能学之间的脱节促使了新的技术发展，特别是基于计算流体动力学（CFD）的CT-FFR（CCTA衍生的分数流量储备）和利用人工智能（AI）分析斑块特征的非CFD方法。这些技术不仅扩展了CCTA的应用范围，还使其能够在不依赖侵入性检查的情况下，对冠状动脉的生理状态进行评估，从而为临床决策提供了更多支持。

在传统的心脏生理评估中，分数流量储备（FFR）被广泛应用于判断冠状动脉狭窄是否具有临床意义。FFR通过测量狭窄部位的远端冠状动脉压（Pd）与主动脉压（Pa）的比值，来评估在最大充血状态下冠状动脉血流的限制程度。这一概念由Dr. Gould在1970年代提出，标志着心脏生理学研究的一个重要里程碑。然而，FFR的应用仍受到一些限制，特别是在存在微血管功能障碍的情况下，如糖尿病、长期高血压、左心室肥厚、主动脉瓣狭窄以及心肌梗死后微血管功能障碍，这些情况可能导致最大充血反应减弱，从而影响FFR的准确性。因此，FFR通常被解释为一种连续的风险评估指标，而非简单的二元判断。

为了克服这些局限性，研究人员开始探索如何从CCTA图像中提取生理信息。CT-FFR作为一种非侵入性的方法，通过应用CFD模型来模拟冠状动脉内的血流和压力分布，从而间接评估FFR。这一方法依赖于对冠状动脉的三维重建和精确的分割，以便构建详细的血管模型。随后，通过计算每个血管段的阻力，并结合CFD方程来模拟在最大充血状态下的血流情况，最终得出CT-FFR值。这种方法能够提供病变特异性的心脏血流限制评估，生成彩色编码的冠状动脉图谱，帮助医生更直观地理解冠状动脉的生理状态。尽管CT-FFR已被广泛验证并用于临床实践，但仍存在一些挑战，如模型的准确性依赖于高质量的三维血管重建，以及对边界条件的合理设定。

除了CT-FFR，近年来基于AI的斑块相关缺血评估方法也逐渐受到关注。这些方法不依赖于复杂的流体动力学模拟，而是通过分析CCTA图像中的斑块特征，如低衰减斑块、正向重塑、坏死核心体积等，来预测特定病变是否会导致缺血。这些AI模型通常采用机器学习算法，通过大量的影像-组织学数据进行训练，从而建立病变特征与生理意义之间的联系。其中，一些模型直接输出类似FFR的连续值，而另一些则提供二元分类（是/否）的缺血判断。这些方法在计算效率和可扩展性方面具有优势，能够更快地处理CCTA数据，并适用于更广泛的临床场景。然而，它们仍然面临一些挑战，例如对静态解剖特征的依赖，缺乏对动态血流和压力变化的建模能力，以及在不同人群和复杂解剖结构中的验证不足。

近年来，深度学习技术的引入为CCTA衍生FFR的计算提供了新的可能性。与传统的CFD方法相比，深度学习模型能够直接从标准CCTA图像中提取FFR值，无需复杂的流体动力学模拟。这些模型通常基于大量配对的影像数据和FFR值进行训练，从而学习解剖特征与生理意义之间的关联。例如，DeepVessel FFR（Keya Medical）采用多阶段的深度学习流程，对分割后的冠状动脉进行处理，并输出预测的FFR值。这种方法的优势在于其处理速度快，能够在较短时间内完成分析，适用于临床快速决策。然而，目前这些深度学习模型的临床验证仍处于初步阶段，尤其是在不同种族、不同扫描设备和不同患者群体中的表现仍需进一步研究。此外，分割算法在处理钙化、运动伪影或对比剂增强不足等情况时，可能会影响模型的准确性。

CCTA衍生的FFR和AI驱动的斑块相关缺血评估方法在临床中的应用，标志着心脏影像学向更深层次的生理功能评估迈进。这些技术不仅能够提高诊断的准确性，还能帮助医生更好地理解冠状动脉疾病的复杂性。例如，CT-FFR可以用于评估多支病变、串联病变或弥漫性病变的生理意义，而基于AI的斑块评估方法则能够识别那些在解剖学上看似不严重但可能在生理学上具有重要意义的病变。这两种方法的结合，为心脏疾病的综合评估提供了新的视角。

值得注意的是，CT-FFR和AI驱动的斑块评估方法各有优劣。CT-FFR虽然计算复杂，但能够提供更精确的生理数据，适用于需要详细血流动力学分析的患者。相比之下，基于AI的斑块评估方法计算效率高，能够快速处理大量数据，适用于筛查和初步评估。然而，这些方法在某些情况下可能无法提供足够的细节，尤其是在病变的分布和严重程度存在较大差异时。因此，如何在不同的临床场景中选择合适的评估方法，成为临床医生面临的重要挑战。

此外，这些非侵入性方法的推广还需要克服一些技术障碍。例如，CT-FFR的准确性高度依赖于高质量的三维血管重建，而目前的CT技术虽然已经取得了显著进步，但仍存在一定的局限性。同时，AI模型的训练和验证需要大量的高质量数据，这在不同地区和不同医疗体系中可能存在差异。因此，为了确保这些方法在临床中的广泛应用，还需要进一步的研究和标准化。

总体而言，CCTA在心脏疾病评估中的作用正在不断扩大。从单纯的解剖评估到提供非侵入性的生理信息，这一转变不仅提高了诊断的准确性，还为患者管理提供了新的思路。CT-FFR和AI驱动的斑块评估方法作为两种主要的技术路径，各有其独特的优势和局限性。随着技术的不断进步和临床数据的积累，这些方法有望在未来进一步优化，成为心脏疾病评估的重要工具。然而，目前仍需更多的研究来验证其在不同人群和复杂临床情况下的适用性，并探索如何更好地整合这些技术，以提高整体的诊断效率和临床价值。