AI预测心脏病风险超越传统方法
快速阅读: 研究《人工智能识别薄帽纤维瘤及临床结果：PECTUS-AI研究》显示，AI在冠状动脉成像中能更准确识别危险斑块，优于人工评估，有助于识别心脏病发作后需密切监测的患者。
人工智能在冠状动脉成像中的自动化审查比人工评估更能准确地识别危险斑块，有助于确定心脏病发作后需要密切监测的患者。这项研究名为《人工智能识别薄帽纤维瘤及临床结果：PECTUS-AI研究》，最近发表于《欧洲心脏杂志》。研究团队比较了基于人工智能（AI）的光学相干断层扫描（OCT）对薄帽纤维瘤（TCFA）的识别与核心实验室（CL）评审，并关联了两年内的患者预后情况。
背景
每分钟都有人经历并存活下来的心脏病发作，他们可能会担心下一次发作是否会悄然而至；当动脉看似畅通无阻时，不稳定斑块的存在使得谁真正安全成为未知数。许多事件源于TCFA，这是一种富含脂质且纤维帽脆弱的斑块，在血压激增时容易破裂。OCT能够提供微米级的纤维帽厚度视图，但逐帧阅读耗时长、不一致，且很少应用于整个血管。AI有望实现标准化解读，适用于全面回撤分析，减少阅片者之间的差异。进一步的研究仍需确认自动检测是否对预后和决策有实质性影响。
研究概述
该研究的人工智能算法以惊人的效率处理了OCT回撤图像，因伪影而排除的帧中位数仅为0%，大部分数据得以保留用于分析。这项预先计划的二次分析使用了一个前瞻性观察队列，涉及心肌梗死（MI）患者。操作者使用OCT对所有视觉估计狭窄程度在30%到90%之间且血流储备分数（FFR）高于0.80的中间非罪犯病变进行了成像。核心实验室将TCFA定义为脂质弧≥90度且最小纤维帽厚度<65微米的脂质斑块。一种基于OCT的人工智能分割工具OCT-AID利用自配置nnU-Net版本2模型对回撤图像进行分割，并量化纤维帽厚度和脂质含量。为了限制假阳性，AI识别的TCFA需在至少连续十帧中的三帧满足标准。
深度学习工具检测到了严重的衰减伪影；如果超过25%的A线受到影响，则排除这些帧；如果某个病变或回撤图像少于一半的帧可分析，则被移除。主要结局指标是两年内患者层面的复合终点，包括死亡、非致命性心肌梗死或计划外再血管化，排除了手术和支架相关事件以及无法明确归因于特定段的心肌梗死；事件由委员会裁定。时间-事件分析采用了Kaplan-Meier方法和对数秩检验，Cox模型估计了风险比（HR）和95%置信区间（CI）。通过一致性统计量（C-统计量）和DeLong检验评估了区分能力。
研究结果
AI不仅识别出脂质和纤维帽，还绘制了整个血管壁，自动识别出包括钙化、血栓甚至中膜在内的十种不同组织类型，进行综合分析。在414名患者中（平均年龄63岁），高血压和糖尿病的比例分别为52.9%和14.5%，其中ST段抬高型心肌梗死（STEMI）占51.4%，非ST段抬高型心肌梗死（NSTEMI）占48.6%。在488个目标病变中，左前降支（LAD）和旋支（Cx）最为常见；平均FFR为0.89±0.05。伪影检测排除了每个病变中位数0%的帧；六名患者因超过50%的帧不可分析而被移除。AI识别的TCFA与CL-TCFA之间的吻合度一般（病变水平κ≈0.38；患者水平κ≈0.40）；在414名患者中，143名（34.5%）至少有一个AI-TCFA位于目标病变内，而核心实验室则为124名（30.0%）。
在目标病变中，AI-TCFA识别出的两年风险高于未识别出AI-TCFA的情况（11.9%对比6.3%），风险比为1.99（95% CI：1.02至3.90；P=0.04）。CL-TCFA显示出不显著的相关性（11.3%对比6.9%；HR：1.67，95% CI：0.84-3.30；P=0.14）。当仅限于目标病变时，对于复合结局的区分能力相似（AI的C-统计量为0.58，CL为0.56；P=0.65）。在完整段落水平上，AI的区分能力超过了CL目标病变评估（0.66对比0.56；P=0.03），并且数值上高于AI目标病变分析（0.66对比0.58；P=0.08）。
全段分析增强了预后效用。在411名可分析回撤的患者中，有243名（占59.1%）在成像血管中存在AI-TCFA，这与较高的主要结局风险相关（12.3%对2.4%；HR: 5.50，95% CI: 1.94至15.62；P<0.001）。AI-TCFA患者的死亡率更高（5.3%对0.6%；P=0.009），非计划再血管化率也较高（7.4%对1.8%；P=0.01）；非致命性心肌梗死的发生率在数值上更高（2.5%对0.6%；P=0.14）。整个段落中不存在AI-TCFA的阴性预测值（NPV）为97.6%（95% CI: 94.0%-99.3%），用于排除未来事件。全面的人工智能审查比针对病变的人类解读更能有效捕捉斑块脆弱性，识别出需要更严格的风险因素控制和监测的患者。
结论
训练人工智能需要仔细的人工输入，依赖于研究中使用的近半数回撤图像中超过3,000个单独图像帧的专家标注。将人工智能应用于OCT标准化了TCFA检测，并确定了MI后风险增加的患者。与CL评估视觉选择的病变相比，评估完整的成像段落提供了更强的预后区分度和高NPV，可以安抚低风险患者，同时关注高风险患者。由于逐帧手动阅读耗时且变化大，自动化分析有助于将高分辨率成像转化为关于二级预防、监测和局部治疗的实际决策。这些分析是在单一观察数据集中离线进行的，在常规采用之前仍需前瞻性现场验证。
期刊引用：
Volleberg, R. H. J. A., Luttikholt, T. J., van der Waerden, R. G. A., Cancian, P., van der Zande, J. L., Gu, X., Mol, J.-Q., Roleder, T., Prokop, M., Sánchez, C. I., van Ginneken, B., Išgum, I., Saitta, S., Thannhauser, J., & van Royen, N. (2025). 基于人工智能的薄帽纤维粥样瘤识别及临床结果：PECTUS-AI研究。《欧洲心脏杂志》。DOI: 10.1093/eurheartj/ehaf595，
https://academic.oup.com/eurheartj/advance-article/doi/10.1093/eurheartj/ehaf595/8244402
(以上内容均由Ai生成)
