用于血管内光学相干断层扫描的深度学习：斑块分析综述

《ARTIFICIAL INTELLIGENCE REVIEW》：Deep learning for intravascular optical coherence tomography: a review of plaque analysis

　　

摘要

冠状动脉疾病是全球主要的健康负担之一，其特征是冠状动脉壁内斑块的逐渐积聚，导致血流受限并可能引发危及生命的并发症。血管内光学相干断层扫描（OCT）能够高分辨率地评估斑块特征，但图像分析仍然耗时且依赖于操作者。本文综述了深度学习（DL）在血管内OCT中用于冠状动脉斑块分析的应用，旨在明确当前的研究范围，总结方法学进展，并识别临床应用的主要障碍。我们回顾了2017年1月至2025年3月期间发表的80篇原始研究。该综述涵盖了基于DL的斑块分析的主要方法学组成部分，包括数据集、预处理、验证策略、评估指标、损失函数、用于分类、检测和分割的模型架构，以及后处理和实施实践。文献显示，从直接使用通用计算机视觉模型到逐渐发展为针对血管内OCT数据定制的专用架构和处理流程，存在明显的进步。这一演变也揭示了一个核心矛盾：尽管模型复杂性的提高通常能提升预测性能，但临床上的有效应用仍依赖于更强的泛化能力、鲁棒性、可解释性和可重复性。通过批判性地综合这些进展，本文为研究人员提供了结构化的方法学参考，指出了该领域的主要技术和转化限制，并为开发更可靠、更具临床应用价值的血管内成像DL系统指明了实际方向。