人工智能在冠狀動(dòng)脈粥樣硬化性心臟病診斷中的應(yīng)用進(jìn)展

【DOI】10.16806/j. cnki. issn.1004-3934.2025.07.001

Application of Artificial Intelligence in Diagnosis of Coronary Atherosclerotic Heart Disease

SHI Yiqun，LIU Jian （Department of Cardiology，Peking University People's Hospital，Beijing 1OOo44，China）

【Abstract】Coroaryatheroleroticeartdisase（CH）rmiseofteldingglobalcsesofortalityecesiangcurate andfcitoelataslel theabilityofarlysrning，dgosisndpogosisevaluatioofCbyintegatingmutiodaldataandiagingaalysis.efeldof medicalimaging，asptiizedthntireorkflooforonaryomputedtomogaphagiographycludingiagedenosingsular segmentation，stenosis detection and plaque characterization.Notably，AI achieves over 95% accuracy in identifying vulnerable plaques and enablesfuctioalnttoghfractialseesilatiodngiteetioltsateseoding， AI-drivenriskpredictionmodelsintegratingelectrocardiogram，genomicdataandclinicalvariableshaveenhancedearlydetectioin asymptomaticolatiosnducdrgecraentelayshcallmostratesgcall，sie eficiencyucinglceoasiggapileomotingdadagosisiaycareigoweveg persist，ncugsutaddatidcbilitddeateatitul prioritizeulttelatioddcalatidptiof’tdinapesin andlong-tergsisaagntIousiotptefovtiosithcaldadisCiist a new era of precision and intelligence.

【Keywords】Artificial intellgence;Coronaryatherosclerotic heartdisease;Machineleaming;Diagnosis;Imageprocessing

心血管疾病是當(dāng)今世界威脅人類生存與影響生活質(zhì)量的主要因素之一，每年導(dǎo)致約1770萬人死亡[1]，2019年報(bào)告死亡人數(shù)為1790萬[2-3]。動(dòng)脈粥樣硬化性心血管疾病目前占全球心血管疾病死亡病例的 60% 以上，且其疾病負(fù)擔(dān)仍以驚人的速度持續(xù)攀升。冠狀動(dòng)脈粥樣硬化性心臟?。╟oronaryatheroscleroticheartdisease，CHD）屬于心血管疾病中最常見的類型，其主要病因是冠狀動(dòng)脈粥樣硬化導(dǎo)致管腔狹窄進(jìn)而誘發(fā)心肌供血不足。CHD傳統(tǒng)的診斷方法依賴醫(yī)生對(duì)臨床特征和影像學(xué)數(shù)據(jù)「如心電圖（electrocardiogram，ECG）、冠狀動(dòng)脈CT血管造影（coronary computedtomography angiography，CCTA）、冠狀動(dòng)脈造影（coronaryangiography，CAG）]等的綜合分析，存在諸多局限性。

人工智能（artificial intelligence，AI）是對(duì)思想和智能行為背后計(jì)算原理的科學(xué)研究[4]。機(jī)器學(xué)習(xí)（machinelearning，ML）是AI的核心分支。近年來，快速發(fā)展的AI技術(shù)在CHD的檢出與診斷、影像分析、血流動(dòng)力學(xué)評(píng)價(jià)、危險(xiǎn)分層等方面取得大量研究成果[5-10]，能從海量異構(gòu)數(shù)據(jù)中挖掘潛在規(guī)律，從各方面優(yōu)化臨床工作?，F(xiàn)系統(tǒng)梳理AI在CHD診斷中的應(yīng)用進(jìn)展，分析其臨床應(yīng)用潛力與局限性，并探討其未來發(fā)展方向。

1AI在處理單純數(shù)據(jù)資料中的應(yīng)用

AI在處理數(shù)據(jù)時(shí)，較傳統(tǒng)統(tǒng)計(jì)學(xué)方法受限更少，可較好地處理具有內(nèi)在相關(guān)性的變量，在分析變量時(shí)不易受主觀因素影響，對(duì)分布偏倚較大、噪聲較多的數(shù)據(jù)具有更強(qiáng)的適應(yīng)性。這些優(yōu)點(diǎn)使得各類使用AI建立的模型在進(jìn)行單純數(shù)據(jù)資料分析時(shí)展現(xiàn)出良好的性能，可用于指導(dǎo)并改善CHD的臨床篩查工作[10-20]，相關(guān)模型算法及其性能評(píng)價(jià)結(jié)果列于表1。這些研究普遍樣本量大，涉及變量多，且部分研究比較了多種算法生成模型的性能差異。如 Xu 等[18]收集了10533例糖尿病合并CHD患者和12634例糖尿病未合并CHD患者的臨床資料，選擇重要特征后使用5種算法建立老年糖尿病患者的CHD預(yù)測(cè)模型，其中以極限梯度提升（extreme gradientboosting，XGBoost）模型性能最優(yōu)，模型召回率為0.792，特異度為0.808，AUC為0.880。Lee等[20]回顧性分析了11180例常規(guī)體檢中接受CCTA的受試者，基于體檢特征預(yù)測(cè)受試者是否存在冠狀動(dòng)脈嚴(yán)重狹窄（直徑狹窄率 ? 70% ）?；诙嗳蝿?wù)學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)建立的模型性能最佳，召回率與特異度分別為0.757、0.675。Forrest等[21]納入了來自兩個(gè)縱向隊(duì)列（BioMeBiobank與UKBiobank）的95935例參與者的電子健康記錄，研究使用隨機(jī)森林（randomforest，RF）算法，利用生命體征、用藥記錄、實(shí)驗(yàn)室指標(biāo)等283個(gè)特征生成預(yù)測(cè)CHD的評(píng)分（0～1），用于量化CHD風(fēng)險(xiǎn)、動(dòng)脈粥樣硬化負(fù)荷以及預(yù)后。該模型在內(nèi)部測(cè)試集與外部測(cè)試集中的表現(xiàn)均很優(yōu)秀，模型的性能見表2。

2AI在處理影像資料中的應(yīng)用

2.1在CCTA及其衍生指標(biāo)中的應(yīng)用

2.1.1在冠狀動(dòng)脈解剖結(jié)構(gòu)分析中的應(yīng)用

表1AI在CHD中的應(yīng)用

注：XGBoost，極限梯度提升；LightGBM，輕量級(jí)梯度提升機(jī)算法； MICE，鏈?zhǔn)椒匠潭嘀夭逖a(bǔ);GBM，梯度提升機(jī)；RF，隨機(jī)森林。

表2模型對(duì)CHD的預(yù)測(cè)性能[21]

冠狀動(dòng)脈樹（冠脈樹）與斑塊的精準(zhǔn)提取和標(biāo)注是AI處理分析CCTA中冠狀動(dòng)脈粥樣硬化性改變的基礎(chǔ)。傳統(tǒng)人工分割與標(biāo)識(shí)操作繁瑣，存在觀測(cè)者間差異較大、復(fù)雜病變處理能力有限、非鈣化斑塊診斷能力不足等局限性，AI在分析CCTA時(shí)可針對(duì)性地解決這些問題。如Cao等22提出在提取初始冠脈樹后使用決策樹模型控制冠脈樹改進(jìn)流程，確保從主支到側(cè)支的順序?qū)诿}樹逐層優(yōu)化。有研究23在將冠狀動(dòng)脈分割為小體積塊，提取幾何與形態(tài)特征后，使用支持向量機(jī)（supportvectormachine，SVM）算法根據(jù)每個(gè)體積塊的特征將其分為正常與病變兩類。文獻(xiàn)[22-45]報(bào)道了近年來AI在冠狀動(dòng)脈解剖結(jié)構(gòu)分析中的應(yīng)用，相關(guān)案例涉及的模型算法及其主要性能見表3和表4[39]

表3AI模型在CT中的應(yīng)用

續(xù)表3

注：CACS，冠狀動(dòng)脈鈣化積分；CNN，卷積神經(jīng)網(wǎng)絡(luò)； KNN，k 近鄰算法。

表4冠狀動(dòng)脈分支鈣化模型性能[39]

雖然傳統(tǒng)ML算法可改善影像分析過程，但在處理影像時(shí)仍存在依賴人工設(shè)計(jì)特征、三維空間信息利用欠充分、泛化能力不足等局限性，而深度學(xué)習(xí)（deeplearning，DL）則通過端到端的特征學(xué)習(xí)和復(fù)雜的模型架構(gòu)改善了上述問題，顯著提升了圖像分割的精度和效率。DL模型的訓(xùn)練過程遵循一套共性框架，核心思路可概括為多個(gè)層級(jí)協(xié)同優(yōu)化的范式，即通過卷積神經(jīng)網(wǎng)絡(luò)（convolutionalneuralnetwork，CNN）等架構(gòu)自動(dòng)提取多尺度層級(jí)特征，采用自適應(yīng)特征金字塔與注意力機(jī)制實(shí)現(xiàn)病灶敏感區(qū)域聚焦；運(yùn)用幾何變換、彈性形變等數(shù)據(jù)增廣技術(shù)擴(kuò)充有限樣本，結(jié)合多種自主學(xué)習(xí)算法構(gòu)建視覺表征，通過元學(xué)習(xí)框架實(shí)現(xiàn)快速適應(yīng)新病灶類別的能力[24-39]。如Li等[24]提出的冠狀動(dòng)脈自動(dòng)分割與診斷狹窄算法綜合了兩種DL模型，先使用U-Net模型對(duì)CCTA圖像通過卷積和下采樣處理提取特征，而后通過上采樣和跳躍連接恢復(fù)空間分辨率并生成分割掩膜，再對(duì)分割結(jié)果進(jìn)行連續(xù)幀處理后生成三維冠脈樹，將冠脈樹圖像和臨床特征參數(shù)輸入3DNet模型后輸出冠狀動(dòng)脈病變?cè)\斷結(jié)果，顯著提升了分割冠脈樹及診斷冠狀動(dòng)脈狹窄病變的效率。Han等[25]使用CNN訓(xùn)練的CCTA冠狀動(dòng)脈狹窄病變檢測(cè)算法，基于二維CCTA圖像序列生成自動(dòng)重建的三維CCTA圖像，在冠狀動(dòng)脈狹窄診斷方面顯示出較好的效能。一項(xiàng)國(guó)際多中心研究[2使用卷積長(zhǎng)短期記憶網(wǎng)絡(luò)（long short-term memory network，LSTM）建立了CCTA圖像的斑塊體積測(cè)量模型，其測(cè)量結(jié)果與專家閱片結(jié)果和血管內(nèi)超聲（intravascularultrasound，IVUS）驗(yàn)證結(jié)果高度一致，大幅減少了斑塊平均分析時(shí)間，基于該模型測(cè)量的總斑塊體積與心肌梗死風(fēng)險(xiǎn)升高顯著獨(dú)立相關(guān)。

2.1.2在冠狀動(dòng)脈功能分析中的應(yīng)用

基于壓力導(dǎo)絲的血流儲(chǔ)備分?jǐn)?shù)（fractionalflowreserve，F(xiàn)FR）是評(píng)價(jià)冠狀動(dòng)脈狹窄功能學(xué)意義的金標(biāo)準(zhǔn)，但其屬于有創(chuàng)操作，成本相對(duì)較高。CT衍生的FFR（computed tomography derived FFR， FFR_CT ）則是一種FFR的無創(chuàng)替代指標(biāo)，與有創(chuàng)FFR的結(jié)果具有良好的一致性[40]。傳統(tǒng)的 FFR_CT 計(jì)算依賴于計(jì)算流體力學(xué)，計(jì)算過程繁瑣，耗時(shí)較長(zhǎng)，難以滿足臨床需求。因此使用AI計(jì)算或輔助計(jì)算 FFR_cr 及其相關(guān)指標(biāo)逐漸受到臨床重視。

Kumamaru等[41]建立了一個(gè)基于CCTA影像預(yù)測(cè)FFR_cr 的三維DL模型，該模型使用條件生成對(duì)抗網(wǎng)絡(luò)提取血管結(jié)構(gòu)特征，以三維卷積階梯網(wǎng)絡(luò)篩選空間特征，以分類和回歸節(jié)點(diǎn)預(yù)測(cè) FFR_cr 。該模型無需人工分割冠脈樹，首次實(shí)現(xiàn)了完全自動(dòng)化預(yù)測(cè) FFR_CT ，單例分析速度達(dá)到秒級(jí)，可快速篩選需行侵人性檢查的患者，優(yōu)化了CHD的臨床診療策略。另一項(xiàng)研究[42]使用反向傳播神經(jīng)網(wǎng)絡(luò)建立了冠狀動(dòng)脈狹窄阻力（計(jì)算FFR_CT 的關(guān)鍵參數(shù)）測(cè)量模型，模型輸入冠狀動(dòng)脈解剖及血流相關(guān)參數(shù)后可預(yù)測(cè)冠狀動(dòng)脈狹窄阻力，與傳統(tǒng)流體力學(xué)計(jì)算結(jié)果高度一致，單例計(jì)算耗時(shí)約為計(jì)算流體力學(xué)的 1/3000 。以AI技術(shù)計(jì)算 FFR_CT 在提高診斷效率[41-42]冠狀動(dòng)脈疾病病因分析[43]、改善醫(yī)療經(jīng)濟(jì)[44]等方面具有重要價(jià)值。

2.1.3 在冠狀動(dòng)脈周圍脂肪組織分析中的應(yīng)用

冠狀動(dòng)脈周圍脂肪組織（pericoronaryadiposetissue，PCAT）的炎癥可促進(jìn)冠狀動(dòng)脈粥樣硬化進(jìn)程，血管周圍脂肪衰減指數(shù)（fatattenuationindex，F(xiàn)AI）與PCAT體積常作為衡量指標(biāo)用于分析PCAT與冠狀動(dòng)脈粥樣硬化的相關(guān)性。傳統(tǒng)人工分析PCAT存在主觀差異較大、效率低下、難以量化復(fù)雜特征、受設(shè)備參數(shù)影響顯著、評(píng)價(jià)指標(biāo)單一等諸多困難，AI技術(shù)則可針對(duì)性地解決上述問題。Pan 等[45]、West 等[46]均使用AI技術(shù)提取基于CCTA的PCAT脂肪影像組學(xué)特征譜（fatradiomicprofile，F(xiàn)RP），發(fā)現(xiàn)基于AI技術(shù)計(jì)算得到的FAI、PCAT體積對(duì)冠狀動(dòng)脈斑塊進(jìn)展、主要不良心血管事件等有良好的預(yù)測(cè)價(jià)值。Oikonomou等[47]開發(fā)的基于CCTA中PCAT的FRP的主要不良心血管事件預(yù)測(cè)模型則首次將PCAT基因表達(dá)、PCAT的FRP、臨床預(yù)后等多模態(tài)信息同時(shí)整合，突破了既往僅使用FAI、PCAT體積對(duì)PCAT評(píng)價(jià)的限制。研究結(jié)果顯示基于AI技術(shù)提取的FRP可反映PCAT的纖維化與血管化改變，性能顯著優(yōu)于FAI，F(xiàn)RP是主要不良心血管事件的獨(dú)立危險(xiǎn)因素，高FRP評(píng)分（ FRP?0.63 ）人群發(fā)生主要不良心血管事件的風(fēng)險(xiǎn)約是低FRP評(píng)分人群的10倍。

2.2在CAG影像及其衍生參數(shù)中的應(yīng)用

傳統(tǒng)人工方式對(duì)CAG圖像進(jìn)行準(zhǔn)確定量分析需閱片人深刻理解冠脈樹結(jié)構(gòu)且能準(zhǔn)確識(shí)別目標(biāo)血管，這一過程需要大量培訓(xùn)，且操作過程耗時(shí)較長(zhǎng)。盡管使用計(jì)算機(jī)輔助工具（如邊緣檢測(cè)方法）可提升效率，但仍需頻繁進(jìn)行人工校正以實(shí)現(xiàn)血管的精確分割，而AI技術(shù)的引入或可改變現(xiàn)狀。

Yang等[48]提出了基于改進(jìn)U-Net架構(gòu)的方法用于CAG圖像中主要冠狀動(dòng)脈分支的自動(dòng)化分割。模型在3302例內(nèi)部數(shù)據(jù)集和181例外部驗(yàn)證集中表現(xiàn)出高精度和實(shí)時(shí)性（單幀圖像0.04s），實(shí)現(xiàn)了定量冠狀動(dòng)脈造影結(jié)果分析的自動(dòng)化。Ling等[49]提出了一種基于DL的端到端CAG診斷系統(tǒng)（DLCAG），整合ResNet、RetinaNet與MaskR-CNN模型，實(shí)現(xiàn)了冠狀動(dòng)脈狹窄的自動(dòng)化分類、檢測(cè)與實(shí)例分割。該系統(tǒng)在949例患者的2980例影像中驗(yàn)證，分類準(zhǔn)確率為88.6% ，檢測(cè)與分割的平均精度均值分別為 86.3% 和86.0% ，顯著優(yōu)于傳統(tǒng)方法。這些研究顯示出AI在提高基于CAG圖像對(duì)CHD的診斷能力、定量分析及診斷效率等方面的巨大潛力。上述模型性能列于表5。

表5AI在CAG中的應(yīng)用

2.3在IVUS相關(guān)影像及其衍生指標(biāo)中的應(yīng)用

IVUS作為重要的腔內(nèi)影像工具，廣泛應(yīng)用于動(dòng)脈粥樣硬化檢測(cè)、支架植入優(yōu)化、藥物療效評(píng)估及斑塊演變研究。其通過組織特征分析為臨床決策提供關(guān)鍵信息，但現(xiàn)有技術(shù)受限于軸向和側(cè)向分辨率不足，影響對(duì)細(xì)微結(jié)構(gòu)（如薄纖維帽斑塊、支架小梁）的精準(zhǔn)識(shí)別，制約了對(duì)復(fù)雜病變的精確診斷和治療指導(dǎo)能力。AI技術(shù)可在圖像分割、斑塊分析和介入治療指導(dǎo)等方面對(duì)IVUS進(jìn)行改進(jìn)[50]。文獻(xiàn)[3.51-58]相關(guān)模型的算法及性能總結(jié)見表6。

表6AI模型在IVUS中的應(yīng)用

續(xù)表6

注：KNN，k近鄰算法。

LoVercio等[51]使用SVM自動(dòng)檢測(cè)冠狀動(dòng)脈管腔、中膜、外膜及周圍組織，以RF算法檢測(cè)不同形態(tài)結(jié)構(gòu)輔助分割I(lǐng)VUS影像的冠狀動(dòng)脈，優(yōu)于既往的自動(dòng)分割方法。Yang等[52]使用雙路徑U-Net自動(dòng)分割I(lǐng)VUS圖像中的冠狀動(dòng)脈管腔和中外膜，顯著提高了分割質(zhì)量。Galo等[53]的研究表明基于IVUS圖像的AI自動(dòng)病變?cè)u(píng)價(jià)軟件在選擇復(fù)雜病變支架尺寸上與獨(dú)立核心實(shí)驗(yàn)室和介入心臟病學(xué)專家具有良好的一致性。

冠狀動(dòng)脈影像研究中，核心實(shí)驗(yàn)室人工分析IVUS是評(píng)估抗動(dòng)脈粥樣硬化療效的“金標(biāo)準(zhǔn)”。Bass等[54]對(duì)比了核心實(shí)驗(yàn)室人工測(cè)量與ML算法對(duì)基線及他汀類藥物治療13個(gè)月后的管腔面積、血管面積及斑塊體積百分比的變化量，發(fā)現(xiàn)ML算法與核心實(shí)驗(yàn)室的測(cè)算結(jié)果在管腔面積、血管面積及斑塊體積百分比測(cè)量中呈現(xiàn)高度一致性。ML算法可精準(zhǔn)復(fù)現(xiàn)核心實(shí)驗(yàn)室人工測(cè)算的斑塊體積百分比變化趨勢(shì)，且敏感性更優(yōu)。該技術(shù)為未來臨床試驗(yàn)提供了標(biāo)準(zhǔn)化、高效化的斑塊定量分析工具，有望替代傳統(tǒng)人工分析流程。Matsumura等[55]使用U-Net對(duì)高清IVUS圖像進(jìn)行血管和管腔的自動(dòng)分割，其測(cè)量結(jié)果與專家分析高度一致，可輔助臨床精準(zhǔn)選擇球囊尺寸。Bajaj等[56]提出了一種IVUS圖像實(shí)時(shí)自動(dòng)分割的DL模型，該模型由ResNet與Pix2pix條件生成對(duì)抗網(wǎng)絡(luò)組成，其在血管邊界（外彈性膜、管腔）及斑塊面積測(cè)量方面與專家標(biāo)注高度一致，且在鈣化病變等復(fù)雜場(chǎng)景下表現(xiàn)穩(wěn)定。ML在IVUS的斑塊識(shí)別及分析中也表現(xiàn)出應(yīng)用潛力。

Jun等[57]的研究提出了一種基于DL的IVUS圖像自動(dòng)分析模型，該模型通過CNN將IVUS與光學(xué)相干斷層成像（optical coherence tomography，OCT）數(shù)據(jù)匹配，提取像素分布特征并篩選關(guān)鍵影像標(biāo)志（如近管腔壞死核心），實(shí)現(xiàn)薄纖維帽粥樣斑塊的高效檢測(cè)。針對(duì)IVUS衍生的形態(tài)學(xué)標(biāo)準(zhǔn)對(duì)冠狀動(dòng)脈中度狹窄功能的預(yù)測(cè)能力較差這一問題，Lee等[58]開發(fā)了一種結(jié)合IVUS影像特征與臨床變量的多模型ML框架，該框架使用了RF與自適應(yīng)增強(qiáng)算法，用于預(yù)測(cè)中等冠狀動(dòng)脈病變的功能性缺血，診斷準(zhǔn)確率為83% ，在排除臨界FFR病例后準(zhǔn)確率進(jìn)一步提升至87% 。該研究為無創(chuàng)評(píng)估冠狀動(dòng)脈缺血提供了新思路，有望優(yōu)化臨床決策并減少侵入性檢查。此外，超聲血流比作為一項(xiàng)較新的無創(chuàng)預(yù)測(cè)FFR的技術(shù)，也應(yīng)用了RefineNet模型完成分割血管輪廓的工作，以此為基礎(chǔ)結(jié)合流體力學(xué)模型計(jì)算的結(jié)果與使用壓力導(dǎo)絲測(cè)量的FFR 高度一致[3]，且分析時(shí)間短，可重復(fù)性好，為CHD介人治療中形態(tài)與功能的整合評(píng)估提供了高效的解決方案。

2.4在OCT影像中的應(yīng)用

與其他成像技術(shù)相比，OCT是一種高對(duì)比度的三維顯微成像技術(shù)。然而，雖然OCT在指導(dǎo)經(jīng)皮冠狀動(dòng)脈介入治療、評(píng)估治療效果及斑塊成分分析方面具有顯著優(yōu)勢(shì)，但也存在成像時(shí)易受血液干擾、穿透深度不足等局限性。AI在OCT相關(guān)研究中的重點(diǎn)集中于評(píng)價(jià)斑塊以及指導(dǎo)介人治療。AI在OCT圖像處理中的應(yīng)用及其結(jié)果見表 7^[59-65]

表7AI在腔內(nèi)OCT中的應(yīng)用

Kolluru 等[59]、Lee等[60]、 Xu 等[61]、Shalev 等[62]及 Zhou等[63]通過不同AI算法對(duì)OCT圖像中的斑塊進(jìn)行特征提取、分類從而實(shí)現(xiàn)斑塊分割功能，對(duì)于不同性質(zhì)的斑塊有著較好的診斷準(zhǔn)確性，且速度較人工分隔提升明顯。Gharaibeh等[64開發(fā)了一種基于ML的自動(dòng)化方法，利用術(shù)前OCT圖像預(yù)測(cè)鈣化病變的支架擴(kuò)張不足風(fēng)險(xiǎn)。通過分割冠狀動(dòng)脈管腔與鈣化斑塊，結(jié)合高斯回歸和節(jié)段分析策略，模型可有效識(shí)別有擴(kuò)張不足風(fēng)險(xiǎn)的斑塊，性能顯著優(yōu)于傳統(tǒng)Fujino鈣化評(píng)分法。該方法可實(shí)時(shí)指導(dǎo)術(shù)者選擇斑塊修飾策略，為優(yōu)化CHD介入治療提供了重要的AI驅(qū)動(dòng)決策支持。Lee等[65]開發(fā)的OCT圖像斑塊與支架分析軟件（OCTOPUS）則整合了SegNet、3D CNN、SVM、Bagged決策樹等多種ML或DL算法，實(shí)現(xiàn)了高效的OCT圖像自動(dòng)化斑塊分割、支架分析功能。軟件可準(zhǔn)確識(shí)別鈣化病變，還可根據(jù)術(shù)前影像進(jìn)行評(píng)分，預(yù)測(cè)支架擴(kuò)張不足風(fēng)險(xiǎn)，預(yù)測(cè)結(jié)果與Fujino鈣化評(píng)分法高度一致，支持術(shù)前斑塊修飾策略。軟件還可對(duì)同一患者不同時(shí)期的OCT圖像進(jìn)行配準(zhǔn)后，分析冠狀動(dòng)脈粥樣硬化進(jìn)展（如管腔負(fù)性重構(gòu)、新發(fā)斑塊）。

2.5在心臟磁共振中的應(yīng)用

除前述影像學(xué)技術(shù)外，AI技術(shù)還可輔助處理或分析心臟磁共振（cardiacmagneticresonance，CMR）圖像以提升對(duì)CHD的診斷價(jià)值。Baessler等66采用Boruta算法和遞歸特征消除算法對(duì)人工提取的CMR特征進(jìn)行篩選，選擇可用于診斷亞急性或慢性心肌梗死的特征。Lorch 等[67]、Kustner等[68] W_u 等[69]分別使用RF、超分辨率生成對(duì)抗網(wǎng)絡(luò)、壓縮感知框架等算法模型改良了CMR的臨床應(yīng)用（如縮短掃描時(shí)間、提高成像分辨率、自動(dòng)檢測(cè)偽影）。其中文獻(xiàn)[66-68]相應(yīng)模型的算法及性能總結(jié)于表8中，文獻(xiàn)[模型的算法及性能見表9。

表8AI在CMR中的應(yīng)用

表9基于CSAI的非對(duì)比增強(qiáng)冠狀動(dòng)脈磁共振血管成像在CHD疑診患者中的診斷性能[69]

注：CSAI，壓縮感知人工智能。

2.6在其他檢測(cè)方法中的應(yīng)用

ECG作為診斷CHD的常用工具，可捕捉心臟異常電活動(dòng)，但其診斷敏感性不足。原因之一是ECG信號(hào)幅值極低，肉眼判讀困難，臨床醫(yī)生對(duì)異常ECG形態(tài)的識(shí)別易出現(xiàn)誤差。Choi等[70]探索并建立了一個(gè)以ResNet框架為基礎(chǔ)的ECG診斷模型，其對(duì)阻塞性冠狀動(dòng)脈疾病的診斷能力適中（ AUC=0.693 ），對(duì)急性心肌梗死的診斷能力明顯高于前者（ AUC=0.923 ）。Tan等結(jié)合CNN與LSTM，實(shí)現(xiàn)了ECG信號(hào)對(duì)CHD的精準(zhǔn)自動(dòng)診斷，速度快且準(zhǔn)確率高。該原型模型已具備臨床測(cè)試條件，在大規(guī)模數(shù)據(jù)庫中驗(yàn)證后可投入實(shí)際應(yīng)用。Upton等[72]基于英國(guó)一項(xiàng)大型前瞻性、多中心、多設(shè)備研究收集的負(fù)荷超聲心動(dòng)圖數(shù)據(jù)，開發(fā)了一種自動(dòng)化圖像處理流程，從中提取31個(gè)獨(dú)特幾何與運(yùn)動(dòng)學(xué)特征，利用這些特征訓(xùn)練集成ML分類器，用于識(shí)別CAG確診的嚴(yán)重CHD患者，且在獨(dú)立驗(yàn)證集中保持準(zhǔn)確性。臨床醫(yī)師使用ML分類工具后，閱片者間一致性（ κ 值提升0.15）及診斷信心（提升23% ）顯著提高。Yuan 等[73]開發(fā)了一個(gè)基于超聲心動(dòng)圖視頻對(duì)冠狀動(dòng)脈鈣化（coronaryartery calcification，CAC）程度進(jìn)行預(yù)測(cè)的模型，該模型運(yùn)用到了帶有殘差連接和跨幀時(shí)空卷積的CNN，可在獲取到患者的標(biāo)準(zhǔn)胸骨旁長(zhǎng)軸視圖對(duì)應(yīng)的超聲視頻后對(duì)CAC積分進(jìn)行計(jì)算。Rim等[74]基于三大國(guó)際隊(duì)列5個(gè)數(shù)據(jù)集（總計(jì)超過26萬張圖像），開發(fā)并驗(yàn)證了一種基于視網(wǎng)膜照片預(yù)測(cè)CAC評(píng)分的新型心血管危險(xiǎn)分層系統(tǒng)RetiCAC。該系統(tǒng)首次通過視網(wǎng)膜照片實(shí)現(xiàn)CAC無創(chuàng)預(yù)測(cè)，AUC為0.742，與CT-CAC預(yù)后性能相當(dāng)，顯著提升了中危與臨界人群的危險(xiǎn)分層（凈重新分類指數(shù)為0.261）。文獻(xiàn)[70-74]涉及的模型的算法及性能匯于表10。

表10AI在其他檢測(cè)方法中的應(yīng)用

3總結(jié)及展望

綜上所述，AI在心血管疾病領(lǐng)域中的應(yīng)用已較為廣泛，且涉及到了疾病的篩查、診斷、協(xié)助制訂管理方案、評(píng)估預(yù)后等各個(gè)階段。未來，AI技術(shù)的發(fā)展方向應(yīng)仍以建立以大數(shù)據(jù)訓(xùn)練建立的篩查模型與替代相應(yīng)有創(chuàng)檢查的無創(chuàng)檢查為主，從而在宏觀層面上大幅降低醫(yī)療成本、減少有創(chuàng)操作、緩解醫(yī)療資源緊張的現(xiàn)狀，在個(gè)體層面上使患者獲得更加客觀、準(zhǔn)確的醫(yī)療數(shù)據(jù)，使醫(yī)務(wù)工作者獲得更多有價(jià)值的診斷與治療依據(jù)。

參考文獻(xiàn)

[1] RothGA，Mensah GA，Johnson CO，etal.Global Burden ofCardiovascular DiseasesandRisk Factors，199O-2019：UpdateFromtheGBD2O19Study[J]. JAmColl Cardiol，2020，76（25）：2982-3021.

[2] AlrasheedAA，AlabdullatifNI，AlOmairAW，etal.Prevalence ofsome cardiovascularrisk factors：obesity，hypertension，and smoking among medical students[J].CritPathwCardiol，2025Jan16.DOI：10.1097/ HPC.0000000000000380.

[3] YuW，Tanigaki T，DingD，et al.Accuracy of intravascularultrasound-based fractional flow reserve in identifyinghemodynamic significance of coronary stenosis[J].Circ Cardiovasc Interv，2021，14（2）：e009840.

[4]de Hond AAH，Vosslamber S，Lange S，et al. When，where，who，what，and why？ Th fiveWsoforfaalysisforiplementigadisispl theintensivecare[J].HumanFactors in Healthcare，2O25，7：100095.

[5] UnluO，F(xiàn)ahedAC.Machinelearningininvasiveandnoninvasivecoronary angiography[J].Curr Atheroscler Rep，2023，25（12）：1025-1033.

[6] Antonopoulos AS，AngelopoulosA，TsioufisK，etal.Cardiovascularrisk stratificationbycoronary computedtomographyangiographyimaging：current state-of-the-art[J].EurJPrevCardiol，2022，29（4）：608-624.

[7] Rangraz JeddiF，Rajabi MoghaddamH，Sharif R，etal.Machinelearning approaches for detectingcoronaryartery diseaseusing angiography imaging： a scoping review[J].Stud Health Technol Inform，2023，305：244-248.

[8] Lee H，Martin S，BurtJR，et al. Machine learning and coronary arterycalcium scoring[J].Curr Cardiol Rep，2020，22（9）：90.

[9] LuH，YaoY，WangL，etal.Research progressofmachine learningand deep learning in intelligent diagnosisof thecoronaryatheroseleroticheart disease[J]. Comput Math Methods Med，2022，2022：016532.

[10]JohriAM，Singh KV，MantellaLE，etal.Deep learning artificial inteligence framework for multiclass coronary artery diseaseprediction using combination of conventionalrisk factors，carotidultrasound，andintraplaqueneovascularization [J].Comput Biol Med，2022，150：106018.

[11]Ren W，Zhang Z，Wang Y，etal. Coronary health index based on immunoglobulin lightchainstoasesscoronaryheartdiseaseriskwithmachinelaing： a diagnostic trial[J]. J Transl Med，2025，23（1）：22 ：

[12]Omotehinwa TO，Oyewola DO，Moung EG.Optimizingthe light gradient-boosting machine algorithm foran effcient early detection of coronary heart disease[J]. Inform and Health，2024，1（2） ：70-81.

[13]Valle A， Cinaud A ，BlachierV，etal. Coronary heart disease diagnosisby artificialneural networksincludingaorticpulsewavevelocityindexandclinical parameters[J].JHypertens，2019，37（8）：1682-1688.

[14]Miao KH，Miao JH，Miao GJ. Diagnosing coronary heart disease using ensemble machine learning[J].IntJAdv Comput Sci，2016，7（10）：30-39.

[15]Joloudari JH，JoloudariEH，SadatfarH，etal.Coronaryarterydisease diagnosis;ranking the significant features using a random trees model[J]. IntJ Environ ResPublic Health，2020，17（3）：731.

[16]Beunza JJ，Puertas E，Garcia-Ovejero E，etal. Comparisonof machine learning algorithms for clinical event prediction（risk of coronary heart disease）[J]. JBiomed Inform，2019，97：103257.

[17]Duan M ，Zhang Y，Liu Υ ，et al.Machinelearning aidednon-invasive diagnosis of coronary heart disease based on tongue features fusion[J].Technol Health Care，2024，32（1） ：441-457.

[18]Xu H，Cao WZ，Bai YY，et al.Establishmentof a diagnostic model of coronary heart disease inelderlypatients with diabetes melltus based on machine learning algorithms[J].JGeriatrCardiol，2022，19（6）：45-455.

[19]LiY，Guan L，Ning C，et al.Machine learning-based models to predict one-year mortality among Chinese older patients with coronaryartery disease combined with impairedglucose toleranceordiabetesmelitus[J].CardiovascDiabetol， 2023，22（1） ：139.

[20]LeeH，KangBG，JoJ，etal.Deep learning-basedprediction forsignificant coronaryartery stenosison coronary computedtomographyangiography in asymptomaticpopulations[J].Front Cardiovasc Med，2O23，10;167468.

[21]Forrest IS，Petrazzini BO，Duffy AA，et al.Machinelearning-based marker for coronaryartery disease：derivationandvalidation intwo longitudinal cohorts[J]. Lancet，2023，401（10372）：215-225.

[22]Cao Q，Broersen A，Kitslaar PH，etal.A model-guidedmethodfor improving coronary artery treeextractionsfrom CCTA images[J].Int JComput Assist Radiol Surg，2019，14（2）：373-383.

[23]KangD，DeyD，SlomkaPJ，etal.Structured learningalgorithm for detectionof mugrapuy angiography[J].JMed Imaging（Bellngham），2015，2（1）：014003.

[24]LiY，WuY，HeJ，etal.Automaticcoronary arterysegmentationand diagnosisof stenosis by deep learning based oncomputed tomographic coronaryangiography [J].Eur Radiol，2022，32（9）：6037-6045.

[25]Han D，Liu J，Sun Z，et al.Deep learning analysis in coronary computed tomographicangiography imaging for theassessment of patientswith coronary artery stenosis[J].ComputMethodsProgramsBiomed，2020，196：105651.

[26]LinA，Manral N，McElhinneyP，etal.Deeplearning-enabledcoronary CT angiography for plaque and stenosisquantification and cardiacrisk prediction： aninternational multicentrestudy[J].LancetDigitHealth，2022，4（4）： e256-e265.

[27]Lin A，van Diemen PA，Motwani M ，etal.Machine learning from quantitative coronary computed tomographyangiography predictsfractional flow reservedefined ischemiaandimpaired myocardial blood flow[J].Circ Cardiovasc Imaging，2022，15（10）：e014369.

[28]Park S，YukiH，Niida T，etal.Anovel deep learning model foracomputed tomography diagnosis of coronaryplaque erosion[J].SciRep，2023，3 （1） ：22992.

[29]JawaidMM，RiazA，RajaniR，etal.Framework fordetectionand localizationof coronary non-calcified plaques in cardiac CTA using mean radial profiles[J]. Comput Biol Med，2017，89：84-95.

[30] Zreik M ，vanHamersveltRW，Wolterink JM，etal.Arecurrent CNNfor automatic detection and classfication of coronary artery plaque and stenosis in coronary CT angiography[J].IEEE TransMed Imaging，2019，38（7）： 1588-1598.

[31]NarulaJ，Stuckey TD，NakazawaG，etal.Prospective deep learning-based quantitative assessment of coronary plaque by computed tomography angiography compared with intravascular ultrasound： the REVEALPLAQUE study[J].Eur Heart J Cardiovasc Imaging，2024，25（9）：1287-1295.

[32]Demircioglu A，Bos D，Demircio glu E，et al. Deep learning-based scan range optimization can reduce radiation exposure in coronary CT angiography[J].Eur Radiol，2024，34（1）：411-421.

[33]Follmer B，BiavatiF，WaldC，etal. Active multitask learning with uncertaintyweighted loss for coronary calcium scoring[J].MedPhys，2022，49（11）： 7262-7277.

[34]Pieszko K，Shanbhag A， Kilekar A，et al.Deep learning of coronary calcium scores from PET/CT attenuation maps accurately predicts adverse cardiovascular events[J].JACCCardiovasc Imaging，2023，16（5）：675-687.

[35]Jian W，Dong Z，Shen X，et al.Machine learning-based coronary artery calcium score predictedfromclinicalvariablesasaprognosticindicatorinpatients referred forinvasive coronaryangiography[J].Eur Radiol，2O24，34（9）： 5633-5643.

[36]Zhang Y，LiuP，Tang LJ，etal.Basing on the machine learning model to analyse the coronary calcification scoreand the coronary flow reserve score to evaluate the degreof coronaryartery stenosis[J].ComputBiol Med，2023，163：107130.

[37]Laidi A，Ammar M，Daho MEH，etal.Deep learning modelsforcoronary atherosclerosis detection in coronary CT angiography[J]. Curr Med Imaging， 2024，20：1-9.

[38]Inoue K，Seeman TE，Horwich T，etal.Heterogeneity inthe associationbetween the presence of coronary artery calcium and cardiovascular events：a machinelearning approach inthe MESA study[J]. Circulation，2023，147（2）：132-141.

[39]Winkel DJ，Suryanarayana VR，Ali AM，etal.Deep learning for vessel-specific coronary arterycalcium scoring：validation ona multi-centre dataset[J].Eur Heart JCardiovasc Imaging，2022，23（6）：846-854.

[40]van Noort D，GuoL，Leng S，etal.Evaluating machine learning accuracy in detecting significant coronarystenosisusing CCTA-derived fractional flow reserve：meta-analysisandsystematic review[J].Int JCardiol Heart Vasc，

[41]Kumamaru KK，F(xiàn)ujimoto S，Otsuka Y，et al. Diagnostic accuracy of 3D deeplearning-based fullyautomated estimationofpatient-level minimum fractional flowreservefrom coronarycomputed tomographyangiography[J].Eur HeartJ Cardiovasc Imaging，2020，21（4） ：437-445.

[42]Sun H，Liu J，F(xiàn)eng Y，etal.Deep learning-based predictionofcoronaryartery stenosis resistance[J].AmJPhysiol Heart Circ Physiol，2022，323（6）：H1194- H1205.

[43]Zhou F，TangCX，Schoepf UJ，et al.Machine learning using CT-FFR predicts proximal atheroscleroticplaqueformationassciatedwithLADmyocardial bridging[J].JACC Cardiovasc Imaging，2019，12（8Pt1）：1591-1593.

[44]Yang J，Shan D，Wang X，etal.On-sitecomputed tomograph-derivedfractional flow reserve to guide management of patients with stable coronary artery disease： the TARGET randomized trial[J].Circulation，2023，147（18）：1369-1381.

[45]PanJ，Huang Q，Zhu J，etal.Predictionof plaqueprogresson using diferent machine learning models of pericoronary adipose tisueradiomics based on coronary computed tomographyangiography[J].EurJRadiol Open，2025， 14：100638.

[46]WestHW，SiddiqueM，Wiliams MC，etal.Deep-learning for epicardial adipose tissue assessment with computed tomography ：implications for cardiovascular risk prediction[J].JACC Cardiovasc Imaging，2023，16（6）：800-816.

[47]Oikonomou EK，Williams MC，Kotanidis CP，et al.A novel machine learningderived radiotranscriptomic signature of perivascular fat improves cardiac risk predictionusing coronaryCTangiography[J].Eur HeartJ，2019，4O（43）：3529- 3543.

[48]Yang S，KweonJ，RohJH，et al.Dep learning segmentationof majorveels in X-ray coronary angiography[J].SciRep，2019，9（1）：16897.

[49]Ling H，Chen B，Guan R，et al. Deep learning model for coronary angiography [J].JCardiovasc Transl Res，2023，16（4）：896-904.

[50]FedewaR，PuriR，F(xiàn)leischmanE，etal.Artificial intelligenceinintracoronary imaging[J]. Curr Cardiol Rep，2020，22（7）：46.

[51]Lo Vercio L，Del Fresno M ，LarrabideI.Lumen-intimaandmedia-adventitia segmentation in IVUS images using supervised classifications of arterial layers and morphological structures[J].ComputMethodsPrograms Biomed，2019， 177：113-121.

[52]Yang J，F(xiàn)araji M，Basu A.Robust segmentation of arterial wallsinintravascular ultrasound images using Dual Path U-Net[J].Ultrasonics，2019，96：24-33.

[53]Galo J，Chaturvedi A，Al-Qaraghuli A，etal.Machine learning in intravascular ultrasound：validating automated lesion assessment for complex coronary interventions[J].CatheterCardiovascInterv，2025，105（6）：1320-1328.

[54]BassRD，Garca-GarcaHM，UekiY，etal.Efctofhigh-intensitysatinapy onatherosclerosis （IBIS-4）：manual versus automated methods of IVUS analysis [J].Cardiovasc Revasc Med，2023，54：33-38.

[55]Matsumura M，Mintz GS，Dohi T，etal.Accuracy of IVUS-based machine learning segmentation assessment of coronary artery dimensions and balloon sizing[J].JACC Adv，2023，2（7）：100564.

[56]Bajaj R，Huang X，KilicY，etal.Advanceddeep learning methodologyfor accurate，real-timesegmentation ofhigh-resolution intravascular ultrasound images[J].IntJCardiol，2021，339：185-191.

[57]JunTJ，Kang SJ，Lee JG，etal.Automateddetection of vulnerableplaque in intravascular ultrasound images[J].Med Biol Eng Comput，2019，57（4）： 863-876.

[58]Lee JG，Ko J，Hae H，et al.Intravascular ultrasound-based machine learning for predicting fractional flow reserveinintermediate coronary artery lesions[J]. Atherosclerosis，2020，292：171-177.

[59]Kolluru C，Prabhu D，Gharaibeh Y，etal.Voxel-based plaque clasification in coronary intravascular optical coherence tomographyimagesusingdecision trees [J].Proc SPIE Int Soc Opt Eng，2018，10575：105752Y.

[60]Lee J，Prabhu D，Kollru C，et al.Automated plaquecharacterizationusing deep learning on coronary intravascularoptical coherence tomographic images[J]. Biomed Opt Express，2019，10（12）：6497-6515.

[61]Xu M，ChengJ，LiA，etal.Fibroatheroma identificationin IntravascularOptical Coherence Tomography images using deep features[J].Annu Int Conf IEEE Eng Med Biol Soc，2017，2017：1501-1504.

[62]ShalevR，Bezerra HG，RayS，etal.Classificationofcalciuminintravascular OCT images for the purpose of intervention planning[J].Proc SPIE Int Soc Opt Eng，2016，9786：978605.

[63]ZhouP，Zhu T，He C，et al.Automatic clasification of atherosclerotic tissue in intravascular optical coherence tomography images[J].JOpt SocAm A Opt Image Sci Vis，2017，34（7）：1152-1159.

[64]Gharaibeh Y，Lee J，ZiminVN，etal.Predictionof stentunder-expanionin calcified coronary arteries using machine learning on intravascular optical coherence tomography images[J].SciRep，2023，13（1）：18110.

[65]Lee J，Kim JN，Gharaibeh Y，et al.OCTOPUS—Optical coherence tomography plaque and stent analysis software[J]. Heliyon，2O23，9（2）：e13396.

[66]BaesslerB，MannilM，OebelS，etal.Subacuteandchronic leftventricular myocardial scar：accuracy of texture analysis on nonenhanced cineMR images [J].Radiology，2018，286（1）：103-112.

[67]Lorch B，Vaillnt G，Baumgartner C，et al.Automated detectionof motion artefacts in MR imaging using decision forests[J].J Med Eng，2017， 2017：4501647.

[68]Kistner T，Munoz C，Psenicny A，etal.Deep-learning based super-resolution for 3D isotropic coronaryMR angiography in less than a minute[J]. Magn Reson Med，2021，86（5） ：2837-2852.

[69]Wu X，Deng L，Li W，et al. Deep learning-based acceleration of compressed sensing for noncontrast-enhanced coronary magnetic resonance angiography in patients withsuspected coronaryartery disease[J].JMagnReson Imaging， 2023，58（5）：1521-1530.

[70]Choi SH，Lee HG，Park SD，etal.Electrocardiogram-based deeplearning algorithm for the screening of obstructive coronary artery disease[J].BMC Cardiovasc Disord，2023，23（1） ：287.

[71]TanJH，Hagiwara Y，PangW，etal.Applicationof stacked convolutional and long short-term memory network for accurate identification of CAD ECG signals [J].Comput Biol Med，2018，94：19-26.

[72]Upton R，Mumith A，Beqiri A，et al.Automated echocardiographic detection of severe coronary artery disease using artificial intelligence[J]. JACC Cardiovasc Imaging，2022，15（5）：715-727.

[73]YuanN，KwanAC，Duffy G，etal.Predictionofcoronaryarterycalcium using deep learning of echocardiograms[J].JAm Soc Echocardiogr，2O23，36（5）： 474-481. e3.

[74]Rim TH，Lee CJ，Tham YC，et al. Deep-learning-based cardiovascular risk stratificationusing coronary artery calcium scorespredicted fromretinal photographs[J].Lancet Digit Health，2021，3（5）：e306-e316.