基于人工智能的心脏CT诊断与预后评估进展：综合评述与未来展望

《Current Cardiology Reports》：Advancements in Artificial Intelligence for Enhanced Diagnosis and Prognosis in Cardiac CT: a Comprehensive Review and Future Perspectives

　　

目的评述：心血管疾病以冠状动脉疾病（CAD）为主要病因，仍是全球死亡的主要原因。聚焦于动脉狭窄程度（直径狭窄百分比，%DS）的传统诊断方法可能遗漏疾病的早期征象或提示高风险的特定斑块特征。本评述旨在探讨人工智能（AI）如何增强心脏计算机断层扫描（CCT）的诊断与预后评估能力，并明确AI在何处能最有意义地改善诊断准确性、工作流程效率及患者照护。近期发现：AI正在整个成像路径上变革心脏CT。通过应用AI算法，近期研究优化了冠状动脉钙化（CAC）评估，改善了斑块表征，并检测出可能逃避传统检测方法的细微病变。AI进一步实现了缺血（血流减少）的无创评估，辅助心肌梗死评价，分析心脏周围脂肪组织，改善图像质量，并为风险分层提供有价值的预后见解。总结：本综合评述探讨了AI在心脏CT中的变革潜力，强调其在心血管疾病准确诊断、精准风险分层和个体化管理中的作用。通过AI技术与临床专业知识的协作，研究人员展望了一个心脏CT成像更强大、更高效、更以患者为中心的未来，最终改善心血管医学的结局。持续的标准化、外部验证和临床医生教育对于在常规实践中实现这一影响至关重要。

引言部分指出，心血管疾病尤其是冠状动脉疾病（CAD）是全球主要健康问题，主要由动脉粥样硬化驱动。传统诊断方法聚焦于动脉狭窄程度（直径狭窄百分比，%DS），但相当一部分危险病变因缺乏显著阻塞而常被漏诊。为此，斑块特征评估（包括高危斑块（HRP）、斑块负荷和斑块成分）对于识别狭窄测量之外的风险个体变得至关重要。近期研究强调低衰减斑块负荷是未来心脏事件的强预测因子。冠状动脉计算机断层扫描血管造影（CCTA）已成为有力工具，可提供冠状动脉循环、管腔狭窄和粥样硬化斑块形态的详细信息。除解剖特征外，使用血流储备分数（FFR）评估冠状动脉斑块的功能意义在指导治疗决策中已获认可。此外，冠状动脉周围脂肪组织（PCAT）作为心血管风险标志物的新兴作用提示其可整合入常规CCTA成像以进行个体化风险评估。在此快速演变的环境中，人工智能（AI）已成为变革者，有望自动化和增强心脏CT成像的各个方面。

基本原理部分介绍了机器学习（ML）。在心脏CT背景下，ML使算法从数据中学习，通过分析大量心脏CT扫描数据集识别复杂模式和关系，从而对新数据进行预测或推断，无需为每个特定诊断任务显式编程。ML包含三种主要范式：监督学习（从标注数据中学习以分类或预测结局）、无监督学习（在未标注数据中发现隐藏结构和关系，可能揭示新生物标志物或疾病亚型）和强化学习（通过试错和環境反馈学习最优策略，在优化治疗方案或指导干预方面显示前景）。深度学习（DL）作为ML的子集，采用多层人工神经网络擅长图像分割和特征提取等复杂任务。在DL中，卷积神经网络（CNN）通过自动识别图像中的解剖结构和疾病标志物革新了心脏CT分析；循环神经网络（RNN）专用于序列数据，适合分析心脏运动模式或基于纵向CT扫描预测未来心脏事件。DL模型性能取决于网络架构、训练数据质量和数量以及优化算法选择。影像组学是一种创新的AI驱动方法，通过从医学图像中提取定量特征超越传统视觉评估。在心脏CT中，特别是CCTA和非对比心脏CT，影像组学分析超越狭窄和钙化评估，深入探究图像中Hounsfield单位（HU）或信号强度的精细纹理和空间排列，实现对冠状动脉斑块、PCAT和心肌的全面表征。

AI在CT诊断中的应用部分指出，AI集成CCT从评估钙化评分到预测预后和增强图像质量，已成为无创心脏病学的关键。冠状动脉钙化（CAC）评分从非对比CT扫描计算，是评估粥样硬化疾病的简单而有力工具，为主要不良心血管事件的独立预测因子。传统上通过轴向CT图像上密度大于130 HU的钙化斑块半自动分割评估。近年来，DL算法在各种CT协议下自动准确计算CAC评分，某些情况下优于传统方法。Van Vezlen等研究强调DL在该领域的稳健性，Martin等发现基于DL的软件可在500余例患者中准确计算CAC评分，潜在简化临床工作流程同时保持准确性。AI还改进了CAC测量方式，比较PureCalcium重建与虚拟非对比（VNC）和真实非对比（TNC）采集的研究揭示了AI增强方法的优越准确性。此外，通过在CCTA扫描中自动化CAC定量，AI可能消除专用CAC评分扫描的需要，减少患者辐射暴露。

斑块特征部分指出，AI结合CCTA革新了对冠状动脉斑块特征及其对CAD预后影响的理解。CCTA提供冠状动脉的卓越可视化，允许识别和表征狭窄程度及斑块本身成分，这对定制CAD患者管理策略至关重要。CCTA不仅评估形态（形状和大小）还评估冠状动脉斑块功能，包括区分钙化和非钙化斑块，识别高危斑块特征如低衰减斑块、正性重构和点状钙化，这些常与急性冠脉综合征（ACS）的罪犯病变和不良结局相关。近期AI进展推动进入心血管精准医学时代。应用于冠状动脉多平面重建（MPR）图像的多任务循环卷积神经网络（CNN）在自动检测和分类冠状动脉斑块和狭窄方面显示前景。通过利用3D CNN沿冠状动脉提取特征并用循环神经网络聚合，该方法可同时检测和表征斑块类型（无斑块、非钙化、混合、钙化）和狭窄严重程度（无狭窄、非显著<50%管腔狭窄、显著>50%管腔狭窄），准确率分别为0.77和0.80。该创新可能实现患者自动分诊。专门评估低衰减斑块（LAP）的自动化分析方法和软件也显示显著前景。Matsumoto等证明AI算法可大幅改善LAP与富含脂质成分（LRC）存在和大小的相关性。DL系统在准确量化斑块体积和狭窄严重程度方面也证明其价值，甚至匹配专家阅读者和血管内超声的性能。此外，利用CT-FFR和ΔCT-FFR值的ML算法在预测近端斑块形成方面显示前景，潜在实现早期干预和预防不良事件。

CAD诊断部分指出，AI算法在自动病变检测和诊断方面显示显著潜力，改善敏感性和观察者间一致性。这在基于云的AI软件中尤为明显，在检测冠状动脉狭窄方面显示高准确性，导致更快更精确的高级别狭窄评估。这些AI驱动工具超越简单病变检测，涵盖全面CAD评估，包括斑块表征和狭窄严重程度评估。深度学习网络已成功用于自动斑块检测、量化和分类，实现高准确率，为自动分诊和诊断铺路。AI还通过结合CCTA分析左心室心肌，为识别功能显著狭窄提供有前景途径，有助于优化患者管理并减少不必要的侵入性操作。随着AI持续演进，持续标准化和验证工作对其无缝整合入临床实践至关重要。

AI在CT引导缺血评估中的应用部分，功能评估方面指出，AI在CT-FFR评估中的应用取得重大进展。结合CCTA与左心室心肌（LVM）的DL分析在识别功能显著冠状动脉狭窄方面更准确，潜在减少侵入性操作需要。大规模研究中ML整合也改善了缺血风险预测，通过考虑狭窄和斑块体积之外的多因素，AI算法在识别病变特异性缺血方面显示比传统CCTA狭窄分级更强的判别力。基于计算流体力学的CCTA新型FFR算法在检测中间病变（传统方法常困难的"灰色地带"）缺血方面显示令人印象深刻的性能。近期研究显示基于ML的CT-FFR在诊断致缺血病变方面有前景，优于直径狭窄等传统指标，甚至媲美直径狭窄与心肌危险指数（MJI）的组合，准确率达82%，曲线下面积（AUC）为0.864。此外，将基于ML的CT-FFR与Duke危险评分（DJS）和最小管腔直径（MLD）等附加参数结合，可实现血流限制性与非血流限制性病变的精确无创区分。重要的是，用于CT-FFR计算的新ML算法提供与已建立的基于计算流体力学（CFD）方法相当的准确性，但处理时间更短。研究表明，包括影像组学和DL在内的ML技术组合可执行与模拟FFR测量相当的性能，这些方法的融合在识别特定冠状动脉斑块段血运重建需求方面达到最高预测准确性。基于ML的CT-FFR在诊断准确性方面也优于传统CCTA alone，不受狭窄位置影响。此外，CCTA斑块负荷定量分析与AI技术结合进一步提高了确定血流动力学意义的准确性，特别是在中间冠状动脉病变中。利用ML算法的现场CT-FFR与瞬时无波形比率（iFR?）等侵入性参考标准显示强相关性，指向CAD无创血流动力学评估的可行性。

CT灌注方面指出，AI也在变革CT灌注（CTP）成像，特别是心肌灌注评估。近期研究引入专为定量心肌灌注CT检查设计的DL图像配准技术，有效解决低图像质量、动态对比变化和心脏应激运动导致错位等挑战，显著改善准确性和效率。此外，使用ML方法将静息心肌CTP分析与CCTA整合显示巨大前景，通过纳入附加信息，识别显著缺血的准确性显著增强。

心肌梗死和瘢痕组织方面指出，近期研究强调AI使用心脏CT成像评估心肌瘢痕组织的令人兴奋潜力。通过应用ML分析影像组学特征（从医学图像提取的定量测量），可评估延迟增强CT扫描并精确识别瘢痕心肌节段，准确性类似专家手动阅读。有趣的是，纹理分析（检查图像内视觉模式的技术）在检测心肌梗死（MI）方面优于主观视觉诊断。事实上，迭代重建技术可显著改善用于该分析的图像质量。Mannil等研究表明纹理分析和ML甚至可检测放射科医生视觉上不明显MI病例，展示AI增强诊断准确性的潜力。

预后和风险分层部分指出，近期AI应用于心血管疾病预测显示有前景结果。一个例子是基于机器学习的风险计算器优于传统指南，向更少个体推荐他汀类药物同时仍有效识别心血管事件风险者。AI和影像组学整合入心脏CT正在变革心血管风险评估方式。众多研究展示AI模型增强风险分层和预测MI甚至死亡等不良结局的潜力。例如，半自动斑块定量提供临床风险因素和传统CT阅读之外的附加预后信息。大规模研究如ADVANCE注册和CONFIRM注册证明ML模型预测主要不良心脏事件（MACE）和死亡的有效性，这些模型利用定量CT测量、临床风险因素和生物标志物创建更准确的长期心脏事件预测。事实上，AI驱动的CCTA数据分析在识别未来心血管事件风险患者和预测死亡方面优于传统评分。

心外膜和血管周围脂肪组织部分指出，心外膜脂肪组织（EAT）和PCAT的体积和密度正成为心血管风险评估中有价值的生物标志物。EAT与炎症和甘油三酯储存问题相关，而PCAT可能更特异地指示冠状动脉炎症和CAD。AI在心脏CT中的应用革新了EAT和PCAT评估。使用CNN，AI算法可从CT图像准确分割和测量这些脂肪组织，允许大规模研究心脏代谢风险标志物，如SCAPIS研究显示高分割准确性。重要的是，AI揭示EAT/PCAT特征与心血管健康之间的复杂关系。例如，较低EAT密度和增加EAT体积与冠状动脉钙化、斑块炎症标志物升高和MACE相关。基于AI的EAT和PCAT体积定量在预测CAD、心房颤动、心肌梗死、卒中和死亡方面证明有价值。事实上，源自CCTA的PCAT模型在预测MACE方面显示优越性能，特别是与临床因素结合时。研究还发现EAT体积结合CCTA斑块测量和CT-FFR可有效预测缺血性CAD。此外，将PCAT影像组学特征纳入冠状动脉CCTA改善血流动力学显著冠状动脉狭窄的识别。

影像组学部分指出，AI和影像组学结合正在革新心脏CT，增强心血管医学诊断准确性和预测建模。影像组学分析已显示改善CCTA识别心肌缺血和预测MACE的诊断性能。Denzinger等引入包括影像组学和DL的ML方法评估CCTA扫描中冠状动脉斑块段，这些方法执行与模拟FFR测量相当的性能，为全自动风险评估提供潜在途径。此外，影像组学分析超越斑块表征，应用于PCAT分析，改善未来三年内急性冠脉综合征（ACS）预测。源自CCTA的PCAT影像组学特征在预测MACE方面优于传统斑块特征。AI驱动模型通过自动化从CCTA图像提取定量特征进一步增强该方法，实现有效斑块分类和MI和稳定CAD中罪犯和非罪犯病变的精确表型分析。

图像质量部分指出，基于深度学习的图像恢复（DLR）正在成为冠状动脉CT血管造影（CCTA）中的强大工具。与传统混合迭代重建（IR）或滤波反投影（FBP）相比，DLR持续提供优越图像质量，表现为更低噪声、增强对比噪声比（CNR）和整体改善清晰度。DLR优势在涉及钙化病例中尤为明显，通过增强这些场景图像质量，DLR不仅改善诊断准确性还开启潜在减少辐射暴露的大门。研究显示DLR图像获得专家更高主观评分，进一步确认其益处。

未来展望部分指出，CCTA未来令人兴奋，AI有望通过DLR进步变革其能力。近期研究证明DLR相比自适应统计迭代重建-Veo（ASiR-V）等传统方法显著降低CCTA图像噪声的能力，同时保持诊断准确性。这一突破有潜力不仅增强图像质量还革新心血管成像各个方面。虽然AI有望革新心脏CT，但其角色可能补充而非替代人类医生专业知识。临床医生在验证AI驱动诊断、确保结果准确性和可靠性方面仍至关重要。基于AI的CCTA软件已显示增强高危斑块和斑块负荷评估的前景，但需要持续研究解决冠状动脉异常、心肌桥和成像伪影等特定情况的细微差别。AI技术与临床专业知识的协作将是最大化AI益处实现最佳患者照护的关键。

挑战部分指出，将AI整合入心脏CT并非没有挑战。关键挑战是缺乏明确诊断金标准，使确定AI算法准确性困难。此外，电子健康记录（EHR）数据常因非结构化性质需要大量预处理。理解心脏病专家如何在日常 workflow 中与AI系统互动是另一个关键方面。需要更多随机对照试验（RCT）评估AI辅助照护的真实临床影响。在心血管风险评估中使用AI时存在额外障碍：ML模型严重依赖数据可用性和质量，罕见疾病数据稀缺时存在问题；标准化图像采集协议对有效数据整合至关重要；处理大型数据集的计算成本可能限制AI广泛访问；确保AI模型跨多样患者人群的泛化性是另一关键挑战，需要多中心外部验证和持续模型更新；监管批准（如FDA或EMA）是临床实施所必需的。克服这些挑战对释放AI革新心脏CT诊断和改善患者照护的全部潜力至关重要。

结论部分指出，AI正在革新心脏CT领域，提供创新解决方案改善诊断准确性和临床决策。近期研究证明ML技术（包括影像组学和DL）预测冠状动脉斑块段血运重建需求的显著潜力，这些方法特别是组合时显示与模拟FFR测量相当的性能，为评估冠状动脉病变功能意义提供更快、更少侵入性的替代方案。随着CCTA成为排除稳定CAD的首选方法，工作负荷增加 necessitating 整个成像过程的自动化。AI有望在简化数据采集、后处理和解释方面发挥关键作用，最终实现更高效精确的心血管成像方法。AI在心血管CT中的应用广泛多样，超越图像采集和重建。AI算法可通过去噪增强图像质量、准确分割解剖结构、执行定量分析、提供诊断支持甚至辅助决策。AI技术整合不仅改善诊断准确性还基于临床数据和成像发现的预后风险实现个体化治疗建议。虽然AI在心脏CT中的潜力不可否认，但成功实施需要高质量数据和在不同未见数据集上的严格验证。AI算法持续进步和成像协议标准化将进一步改善准确性和可解释性。随着AI日益整合入标准心脏图像分析软件，医疗专业人员必须发展解释AI生成结果、理解其局限并拥抱有前景应用的能力，以优化患者照护。