慢性冠状动脉综合征中的人工智能：从细胞通路到精准风险预测

《Cells》：Artificial Intelligence in Chronic Coronary Syndromes: Linking Cellular Pathways to Precision Risk Prediction

　　

慢性冠状动脉综合征（CCS）已不再仅由心外膜冠状动脉的固定狭窄来界定，而是反映一个动态的生物学过程。其关键驱动因素包括内皮激活、脂质滞留、巨噬细胞泡沫细胞形成、血管平滑肌细胞表型转换及细胞外基质重塑；微血管稀疏、血管周围脂肪组织炎症、心脏代谢共病以及生物学衰老进一步增加了复杂性。这一更广泛的细胞与分子模型为人工智能（AI）提供了依据，因为传统工具往往孤立地评估解剖、生理、炎症与全身生物学特征。本叙述性综述探讨AI与机器学习如何通过将细胞通路与可测量的临床特征相联系，支持对CCS采取更具机制性和个体化的方法。重点关注AI赋能的斑块表型分析、无创生理学与缺血建模、冠状动脉微血管功能障碍评估、血管周围炎症成像以及多组学与心脏代谢风险分层的整合。然而，上述工具大多提供基于影像或数据的替代指标，而非对内皮激活、炎症或钙化生物学的直接测量。在此局限内，现有证据提示AI可量化亚视觉高危斑块特征、支持无创血流评估、识别与微血管功能障碍及血管周围炎症相关的影像模式，并在研究环境中将分子特征与长期心血管风险相关联。临床转化仍受限于回顾性研究设计、外部验证有限、影像方案异质性、可解释性不足、监管不确定性以及跨性别、种族、年龄和资源环境的算法偏倚。未来工作应优先开展前瞻性试验、透明报告、联邦式验证、临床可解释的输出以及与指南决策路径的整合。AI在CCS中的最大价值可能在于增强机制性风险分层，并为仅凭解剖学难以充分捕捉风险的患者实现精准预防。

1. 1.
   引言
   慢性冠状动脉综合征（CCS）被描述为一个涵盖临床与生物学的连续谱，而非单一解剖状态。2024年欧洲心脏病学会指南强调，疑似或确诊CCS患者的评估应超越是否存在阻塞性心外膜冠状动脉疾病。缺血与症状可源于斑块负荷、内皮损伤、冠状动脉微血管功能障碍（CMVD）、血管舒缩障碍、慢性炎症及心脏代谢疾病。传统风险评分与无创检查的常规视觉判读往往仅捕捉疾病过程的一部分，可导致诊断不确定、过度检查与治疗不足并存。人工智能（AI）可将解剖、生理、心电图、影像与分子数据整合为临床可用的风险模型。在CCS中，相关应用不限于狭窄检测，还包括定量斑块表型、功能缺血建模、微血管评估、血管周围炎症成像、生物标志物发现与个体化预后。综述将证据成熟度分为三级：具监管许可或指南支持的临床可用工具、已外部验证但尚未常规使用的科研模型、以及早期假设生成性工作，并区分外部验证、监管授权与临床结局获益三个常被混淆的问题。
2. 2.
   综述方法与范围
   本文为叙述性、非系统性综述，旨在综合AI在CCS中的机制与临床证据，而非定量合并分析。检索PubMed/MEDLINE、Embase、Scopus与Web of Science截至2026年10月的英文文献，检索词涵盖人工智能、机器学习、深度学习、影像组学、慢性冠状动脉综合征、冠状动脉CT血管成像（CCTA）、血流储备分数、血管周围脂肪组织、冠状动脉微血管功能障碍与多组学等。优先纳入前瞻性研究、外部验证模型、多中心队列、指南文件与共识声明，小型单中心及概念验证研究在可说明新兴机制或应用时纳入并予以标注。因涉及临床AI的性能、验证与实施，参考TRIPOD+AI与DECIDE-AI报告与评价框架进行定性评估，但指出二者并非质量评价工具，许多研究报告不完整或缺乏外部验证与前瞻性评价。本综述未注册，未采用正式偏倚风险评分系统。
3. 3.
   人工智能在慢性冠状动脉综合征中的应用
   3.1 CCS中AI的病理生理框架
   适用于CCS的AI框架应从疾病生物学出发。动脉粥样硬化经内皮激活、脂质滞留、免疫细胞募集、巨噬细胞泡沫细胞形成、平滑肌细胞表型转换、细胞外基质重塑、钙化与纤维帽破裂等过程发展，并受糖尿病、肥胖、慢性肾脏病、高血压、吸烟、衰老与全身炎症影响。微血管功能障碍增加另一层复杂性：冠状动脉小动脉与毛细血管调节大部分冠状动脉阻力，却对常规造影不可见；结构重塑、毛细血管稀疏、内皮功能障碍、一氧化氮生物利用度受损与异常血管收缩反应可在无心外膜狭窄时产生缺血，该机制在INOCA及女性、糖尿病与老年患者中尤为重要。AI的价值在于上述机制在多模态数据中留下可测量特征：斑块成分见于CCTA，血管炎症改变冠状动脉周围脂肪组织（PCAT）衰减，微血管损伤改变心肌灌注并可影响心电图模式，蛋白质组与代谢组谱捕捉全身炎症与代谢通路。核心挑战在于整合这些信号而不丧失临床可解释性。

3.2 细胞与分子通路作为CCS中AI的基础

CCTA因可检测冠状动脉粥样硬化、以高阴性预测值排除阻塞性病变并提供斑块分布信息而成为疑似CCS的核心检查。从细胞视角看，CCTA斑块特征常被视为内皮激活、脂质滞留、巨噬细胞聚集、平滑肌细胞重塑、细胞外基质转换与钙化的宏观对应物。深度学习模型可自动完成冠状动脉中心线提取、管腔分割、血管壁分割、狭窄分级与斑块成分分析。内皮损伤启动并维持CCS连续谱的大部分过程，一氧化氮生物利用度降低、氧化应激、黏附分子上调、糖萼破坏与异常血管舒缩信号促进白细胞募集并损害冠状动脉血流调节，这些过程在常规影像中无法直接测量；AI最多只能检测与内皮损伤存在统计学关联的影像或生物标志物模式，其是否反映个体患者的内皮生物学尚未验证，应视为合理关联而非已证实的推断。脂质滞留与免疫激活驱动斑块生长与易损性，氧化低密度脂蛋白（LDL）摄取促进泡沫细胞形成、炎症小体激活、细胞因子释放、坏死核心扩大与纤维帽削弱；定量CCTA与影像组学不能直接显示巨噬细胞，但可捕捉非钙化斑块、低衰减斑块、正性重构、点状钙化与冠状动脉周围炎症改变等下游结构对应物。血管平滑肌细胞表型转换是另一核心机制，平滑肌细胞可迁移、增殖、产生细胞外基质、参与纤维帽形成，或转向炎症与骨软骨生成表型以促进斑块不稳定与钙化；AI衍生的斑块成分与纵向斑块进展指标可能作为细胞外基质重塑与钙化的影像替代指标，但其与斑块愈合或失稳定的联系仍为间接且具假设生成性。微血管功能障碍将细胞损伤与症状及预后相连，内皮功能障碍、周细胞调节异常、小动脉重塑、毛细血管稀疏、线粒体功能障碍与血管扩张储备受损可在无阻塞性心外膜病变时产生缺血；AI心电、心脏磁共振（CMR）、正电子发射断层扫描（PET）、超声与灌注模型最好被理解为检测微血管功能障碍的功能或影像对应物，而非测量其细胞表型。血管周围脂肪组织提供了细胞信号与非侵入影像之间较为直接但仍属间接的联系：炎症冠状动脉壁释放的细胞因子改变脂肪细胞分化、脂质储存与组织含水量，产生可测量的冠状动脉周围脂肪衰减变化；AI与影像组学可通过提取空间、纹理与血管特异性特征拓展单一衰减阈值概念，影像研究亦将冠状动脉周围脂肪衰减与¹⁸F-氟化钠摄取等疾病活动标志物相关联。心脏代谢共病放大内皮功能障碍、氧化应激、免疫激活、自噬受损、细胞外基质转换与微血管稀疏；多组学AI能否识别个体CCS患者中占主导的生物学轴并指导机制性预防尚未证实，该预期多由其他心血管领域外推而来。

3.3 AI引导的CCTA斑块表型分析

当影像特征被解释为斑块生物学的替代指标时，AI引导的CCTA斑块表型分析最具信息价值。低衰减斑块、正性重构、非钙化斑块体积、点状钙化与总斑块负荷被认为对应脂质丰富坏死核心形成、巨噬细胞驱动的炎症、细胞外基质重塑、血管平滑肌细胞表型改变与钙化生物学等过程。外部验证显示，深度学习赋能的CCTA可快速量化斑块体积与狭窄严重程度，且与专家判读者及血管内超声高度一致。由于总斑块负荷、非钙化斑块、低衰减斑块与不良斑块特征常可预测狭窄严重程度之外的事件，自动化分析可推动CCTA从阻塞的二元检测转向风险分期与预防性治疗强化的定量工具。解读应遵循若干原则：AI斑块指标须与临床决策（如强化降脂、抗炎策略或随访影像）相联系，而非作为孤立技术输出报告；基于阈值的报告应避免虚假精确，因扫描仪类型、重建参数、对比剂时序、心率与分割质量均影响斑块定量；性别与种族特异性校准亦很重要，因斑块负荷与事件风险在不同人群中分布不均。

3.4 AI与基于生理学的缺血建模

基于生理学的缺血建模针对互补通路：心外膜狭窄与弥漫性粥样硬化、内皮依赖性血管扩张、小动脉张力与微血管阻力相互作用，决定病变是否产生缺血。CT衍生血流储备分数（FFR_CT）的估算方法应予区分，因其不可互换且并非均属AI。传统FFR_CT将计算流体动力学应用于CCTA解剖，验证最充分且被指南引用；机器学习CT-FFR则训练模型逼近计算流体动力学或侵入性结果，以机制透明度换取速度；AI亦用于冠状动脉分割与工作流自动化的上游环节，而非生理计算本身。将上述均描述为单一AI工具会夸大AI的具体贡献，且证据基础各不相同。AI可通过学习解剖、边界条件、血流与压力梯度间关系来加速和简化生理建模，但临床医生应避免将任何单一计算值视为绝对真理；FFR_CT依赖对充血性微血管阻力的假设，在冠状动脉微血管功能障碍、左心室肥厚、弥漫性病变、既往梗死或血管舒缩张力异常患者中可靠性可能降低。接近临床决策阈值的中间值需结合症状、斑块负荷、灌注数据与微血管评估综合判断。未来方向并非解剖与生理之争，而可能是在整合决策支持模型中联合斑块表型、狭窄严重程度、血流动力学意义、局部炎症与患者层面心脏代谢风险；该模型尚未建立或前瞻性验证，仍属研究目标。

3.5 AI对冠状动脉微血管功能障碍的评估

冠状动脉微血管功能障碍是CCS的关键机制，尤其在持续心绞痛且无阻塞性心外膜病变的患者中；细胞层面反映内皮功能障碍、一氧化氮信号降低、周细胞与平滑肌调节异常、毛细血管稀疏、氧化应激、线粒体功能障碍、炎症与充血储备受损。现行诊断标准包括侵入性冠状动脉功能检测及PET或CMR定量心肌血流量测定，机制清晰但许多中心不可及。就AI模型而言：基于心电图的评估中，经大量无标签12导联心电图自监督预训练、并针对PET、SPECT与CMR数据微调的基础Transformer模型可估算心肌血流储备并识别冠状动脉微血管功能障碍，优于早期任务特异性模型，其输入为原始心电图，预测目标为影像定义的流储备表型，参考标准为定量灌注影像，主要局限为缺乏前瞻性外部验证的结局数据。多模态影像方面，整合超声心动图、CMR与PET/CT自动分割与特征提取的可解释性增强模型（CMVD_MDAS）内部判别力高但外部曲线下面积明显较低（约0.79），反映单项目数据集典型的外部验证差距。应用于负荷灌注CMR或PET的深度学习模型以灌注图像序列为输入，输出定量心肌血流量或灌注储备，以侵入性冠状动脉功能检测（冠状动脉血流储备与微循环阻力指数）为参考标准，在自动化定量方面较成熟但多在专家中心验证；超声心动图模型估算冠状动脉血流速度储备，通常限于左前降支供血区。上述应用的共性局限为数据集小或来自单一项目、参考标准不一致、外部验证有限，且鲜有证据表明依据输出采取行动可改善结局，故将其视为早期研究应用。临床前景高但证据基础尚早，模型需针对侵入性生理或定量灌注参考标准开展更广泛验证，并报告校准度、亚组性能、临床效用与决策曲线分析。

3.6 血管周围脂肪组织作为炎症生物传感器

血管炎症驱动斑块进展与失稳定。血管周围脂肪组织，尤其冠状动脉周围脂肪组织，通过血管壁与周围脂肪间的双向信号传导充当血管炎症的局部传感器；炎症抑制脂肪生成并增加血管周围脂肪的水含量，从而改变CCTA衰减。血管周围脂肪衰减指数即为量化此类变化而开发，并在CRISP-CT研究中显示出对心源性死亡的预后价值。AI与影像组学可通过自动分割脂肪组织并提取常规视觉评估不可见的纹理特征来拓展该概念，这些特征或可识别狭窄轻微或传统风险评分中等时的残余炎症风险。该领域与机制性CCS框架高度契合，连接局部细胞因子信号、脂肪细胞重塑、血管炎症与临床预后。主要实施问题在于标准化：血管周围衰减高度依赖采集参数（含管电压与对比剂时序）、重建方法与卷积核、扫描仪型号、血管选择、分割技术及具体软件实现，任一因素改变均可显著移动已报告阈值，目前限制跨研究比较与常规部署。上述方法亦不应视为可互换：传统冠状动脉周围脂肪衰减指数在前瞻性队列的事后分析中具验证的预后关联，而标准化衰减评分与基于影像组学的预后模型处于更早期、更依赖方案且外部验证较少。常规部署前需可重复阈值、外部验证及报告炎症风险可改变治疗与结局的前瞻性证据。

3.7 多组学、生物标志物与心脏代谢共病

CCS风险既反映冠状动脉解剖，也反映全身生物学。糖尿病、肥胖、慢性肾脏病、高血压与衰老改变脂质代谢、免疫激活、内皮修复、氧化应激与细胞外基质转换；蛋白质组、代谢组、转录组与基因组数据可识别常规临床变量未捕捉的疾病通路。机器学习适合处理高维、相关变量与非线性交互，在慢性冠状动脉疾病中，蛋白质组研究已识别与心血管死亡及复发事件相关的循环特征；多组学模型最终或可支持更早风险检测、通路特异性治疗选择与药物靶点优先排序。然而多组学AI尚未准备好用于常规CCS诊疗，多数模型面临批次效应、平台变异、缺失数据、人群选择、可解释性与成本等问题。近期可行路径是利用组学数据细化生物学通路并产生候选生物标志物，再以更简便、临床可部署的检测方法加以验证。图1概述了所提出的AI赋能CCS机制框架，将血管影像、血管周围炎症、多组学、心脏代谢共病、细胞通路与临床结局联系到精准风险预测；该图为概念性概览而非已验证流程，并区分已确立应用与拟议研究目标：已确立或临床可用要素为AI辅助CCTA斑块与狭窄定量及计算流体动力学CT衍生血流储备分数；拟议或假设性要素包括特定细胞通路推断、微血管表型、血管周围与多组学整合及治疗反应预测；关键挑战包括验证、偏倚、可解释性、数据异质性、监管、工作流整合与公平可及；绿色标签表示已确立或临床可用应用，橙色标签表示拟议或研究性应用，颜色表示证据成熟度而非患者层面细胞推断的证明。

1. 4.
   临床实施、偏倚与可解释性
   AI在CCS中的主要障碍并非开发数据集中的模型性能，而是安全泛化。在单一卫生系统内训练的模型在跨扫描仪、采集方案、报告标准、种族、性别分布、共病谱或疾病患病率部署时可能失效。外部验证应成为强制要求，前瞻性影响研究应检验AI引导决策能否改善以患者为中心的结局。在患者数据无法集中时，联邦式验证可在不移动底层数据的情况下跨机构评估模型，提供保护隐私的多中心泛化路径。可及性公平亦值得关注：CCTA、PET、CMR与多组学等模态在许多环境中不可用，若部署未考虑可及性，AI工具可能扩大而非缩小照护差距；12导联心电图等可扩展低成本输入之所以有吸引力，部分在于可能有助于缓解该差距。实施应优先选择与明确生物学基础及清晰临床行动相联系的AI输出，即在CCS中将斑块表型联系到预防强化、生理模型联系到造影与血运重建决策、微血管特征联系到冠状动脉功能检测、血管周围炎症联系到残余炎症风险、组学信号联系到通路发现或生物标志物验证。可解释性亦重要：临床医生无需每个神经网络参数，但需要能映射到临床推理的输出；有用系统应显示图像质量、分割置信度、风险分类的解剖或生物学依据、不确定性估计及与指南一致的建议后续步骤，缺乏可审计性的黑箱预测难以在CCS路径中获得信任。在AI安全整合入CCS路径前，须解决外部验证有限、回顾性设计、算法偏倚、可解释性薄弱、数据异质性与临床可操作决策整合不佳等证据缺口。安全部署不仅取决于判别力，还应评估校准度（预测风险可能系统性偏高或偏低）、数据集漂移与谱偏倚（性能随扫描仪、方案、病例构成与患病率变化）、缺失数据处理与训练参考标签质量、跨性别年龄种族与共病的亚组性能，以及部署后的模型漂移，需定期监测与计划性重校准。
2. 5.
   建议的临床路径
   实用的AI赋能CCS路径应始于指南导向的临床评估、症状表型、共病负担与验前概率，以决定谁应接受CCTA。对选定接受CCTA者，AI可量化狭窄、总斑块负荷、斑块成分、不良斑块特征与血管周围炎症特征；这些输出是潜在生物学的间接影像对应物而非直接测量，应与图像质量及置信度指标一同报告，使低质量检查被标记为需专家复核而非自动处理。输出应映射到明确行动并整合临床背景而非机械应用：转诊侵入性造影不应依赖单一数值，异常CT衍生血流储备分数（采用FFR或FFR_CT≤0.80的既定缺血阈值）支持转诊，但决策还应权衡症状严重程度与难治性、高危解剖（如左主干或近端多支病变）、病变位置与验前概率；临界值（约0.76至0.80）或与症状或解剖不一致的发现，应先行负荷灌注影像或侵入性生理等额外功能评估而非立即造影，中度解剖狭窄（约40%至70%）是功能评估的典型触发点。高或进展性斑块负荷或高危斑块表型应促使按指南风险类别强化预防治疗，例如可在CAD-RADS 2.0（将狭窄严重度与斑块负荷修饰符配对）或冠状动脉钙化评分等既定框架内总结发现，使因广泛非钙化或低衰减斑块而上调分级的患者成为更强化降脂与更严格LDL目标的候选者；需强调具体定量斑块阈值尚未标准化、尚无AI特异性治疗规则，这些指标应支持而非替代指南风险评。对持续症状且无阻塞性病变者，AI支持的灌注或心电工具可提高对冠状动脉微血管功能障碍的怀疑，但阳性筛查在改变管理前应由定量灌注（PET或CMR）或侵入性冠状动脉功能检测确认；生物标志物与多组学数据目前仍为研究输入，不应驱动个体治疗决策。若干保障措施必不可少：图像质量差、AI输出与临床情况不一致或生物学上不合理的结果应触发人工复核与否决而非自动行动，模型不确定程度应向临床医生显示。该框架保留临床判断：AI应支持诊断、预防、血运重建转诊、微血管检测与随访强度决策，而不应替代患者评估、共享决策或症状与风险不一致时的侵入性检测。
3. 6.
   结论
   AI有潜力通过将评估从孤立狭窄分级转向整合生物学风险预测来重塑CCS照护。目前最强证据支持AI辅助CCTA斑块定量，以及无创生理学中尤其是计算流体动力学CT衍生血流储备分数，而非所有基于AI的实现。微血管功能障碍、血管周围炎症与多组学方面的工作更早期且多为假设生成性，随时间推移或可将生物学机制与可测量临床风险相连，但CCS现有证据尚未确立该联系。为使AI在CCS中具有临床价值，未来研究须证明的不止技术准确性，还包括跨人群校准改善、模型行为透明、跨平台可重复性能及临床决策中的可测量获益。目标并非自动化心脏病学，而是更好的表型分析、更早的预防以及为风险无法仅由冠状动脉解剖解释的患者提供更精准照护。AI应定位为对已确立且广泛可及预防措施的补充，在传统临床评估无法解释风险之处发挥最大作用。现有证据支持AI用于基于CCTA的斑块与狭窄定量及部分CT衍生生理学，而其在微血管、血管周围与多组学表型分析中的应用仍属研究性，本综述始终明确保持这一边界而非将上述方法等同呈现。