基于 B 型超声的人工智能颈动脉斑块易损性用于脑血管风险分层：一项多中心队列研究

《npj Digital Medicine》：AI-derived carotid plaque vulnerability from B-mode ultrasound for cerebrovascular risk stratification: a multicenter cohort study

　　

摘要

常规的颈动脉B型超声广泛用于斑块评估，但易损性评价仍具有主观性，其预后价值尚不明确。我们开发并验证了一种级联多任务人工智能框架，用于斑块检测、五种B型超声特征的特征化以及易损性评估。多中心队列共纳入4个中心的6618名高危心血管风险参与者及38,090张图像。斑块存在与否及B型超声特征以专家B型超声共识为参照标准进行评估，而易损性则以多模态专家共识为参照标准。斑块检测的内部和外部AUC分别为0.95和0.96，特征特征化的AUC为0.85–0.94和0.81–0.92，易损性分类的AUC为0.90和0.88。该模型的表现优于6名独立的B型超声阅片者，并在决策曲线分析中展现出更大的净获益。预后验证共纳入2174名参与者，中位随访37个月期间发生277例缺血性脑血管事件。在校正临床危险因素后，AI定义的高危状态仍与事件独立相关（风险比，2.09；95%置信区间，1.69–2.58），并且将AI评分纳入模型使C指数从0.769提高至0.795。上述结果支持利用常规B型超声实现标准化的斑块易损性评估和具有临床意义的脑血管风险分层。