预防心脏病学中的技术复兴——人工智能、定量冠状动脉体层成像
介绍
心血管医学正在经历实质性的范式转变,从以反应性和症状驱动为主的模式转向立足于早期检测和个体化风险评估的预防性框架。这一转变的核心是将人工智能(AI)与冠状 计算机断层扫描 血管造影(CCTA),特别是通过发展 动脉粥样硬化 影像定量计算机断层扫描(AI-QCT)。该方法解决了心脏病学中长期存在的一个局限性:传统诊断工具无法可靠地检测出非阻塞性、富含脂质的冠状动脉 斑块, ,尽管如此 病变 承担大部分 急性冠状动脉综合征 以及 心脏性猝死 事件 (1).
这一局限性的临床意义重大。流行病学和病理学研究一致表明,大多数 心肌梗死 源于破裂前不限制血流的斑块(2)。随着 心血管疾病 仍然是全球首要的死亡原因,预计到2030年,年死亡人数将超过2000万,因此越来越需要改进在临床事件发生前识别高危冠状动脉粥样硬化的方法(3)。.
心脏危险分层与动脉粥样硬化生物学的演变
传统的心血管风险分层依赖于间接标志物,例如血清脂质水平,, 血压, 血糖控制, 吸烟 状态,以及纳入基于人口的中的人口统计学变量 风险计算器. 虽然这些模型已被证明在人群层面很有用,但当它们应用于个别患者时,往往缺乏精确度,特别是对于那些表面上“正常”的患者” 风险因素 那些尽管如此仍潜藏着严重亚临床疾病的个体(4)。.
动脉粥样硬化是动脉壁的一种慢性炎症性疾病,而不仅仅是一种单纯由管腔阻塞定义的疾病。斑块形成于 内膜 并且由不同比例的脂质、纤维组织、炎性细胞和钙化组成。常规诊断测试——包括运动负荷试验、心电图和有创冠状动脉造影——主要在疾病产生 血流动力学显著性狭窄, ,通常定义为管腔狭窄程度达到70%或以上(5)。.
洞察 1: 尸检和血管造影研究表明,约70–75%的心肌梗死发生在狭窄程度小于50%的血管中。 狭窄 在索引事件发生之前,这表明大多数经历急性冠脉综合征的患者仅通过标准负荷试验是无法被识别为高危人群的 (2)。.
洞察 2: 冠状动脉 动脉 钙化积分(CACS)的开发旨在通过识别……来提高对亚临床疾病的检测能力 钙化斑块. 然而,CACS 并没有检测到 非钙化斑块, ,和一个 钙化积分 为零并不能排除富含脂质、易损病灶的存在 (6)。.
洞察 3: AI-QCT 实现了对整个冠状动脉的无创定量分析 斑块负荷, ,包括 低密度非钙化斑块, ,已被证明与未来心血管事件的关系比单纯的狭窄严重程度更密切(7)。.
| 斑块特征 | 能见度 (CACS) | 可见度(标准 CCTA) | 能见度 (AI-QCT) | 临床风险概况 |
| 钙化斑块 | 高 | 高 | 高 | 总体稳定;慢性疾病的标志 |
| 非钙化斑块 | 无 | 定性 / 有限 | 量化 / 高 | 破裂风险升高 |
| 低密度斑块 | 无 | 变量 | 高 | 与 ACS 强相关 |
| 总计 斑块体积 | 无 | 间接估计 | 精确 (mm³) | 未来事件的强烈预测指标 |
人工智能辅助冠状动脉分析的技术架构
AI-QCT 平台对冠状动脉树进行体素级分析,而不仅仅依赖于目视判读。这些系统采用深度学习架构——包括卷积神经网络 (CNN)、三维 U-Net 分割模型以及源自 VGG 的分类器——并在大型精心策划的数据集上进行训练,将影像特征与有创验证及长期临床结果联系起来 (8)。.
洞察 4: AI-QCT从获取高分辨率CCTA开始。包括64排和640排扫描仪在内的当代多排CT系统,提供了时间分辨率和 空间分辨率 有必要最大程度地减少运动伪影,并准确分割冠状动脉解剖结构 (5)。.
洞察 5: 自动算法识别冠状动脉 流明 并根据亨斯菲尔德单位衰减值对斑块成分进行分类,从而能够区分富含脂质的组织、纤维组织和钙化组织(9)。.
洞察 6: 人工智能生成的 缺血 指数整合了斑块形态、病变长度、血管重塑和管腔几何形态来评估血流受限情况,为侵入性检查提供了无创的相关指标 血流储备分数 (FFR) (10).
临床验证与同行评议证据
AI-QCT 已在心血管和影像学领域的顶尖期刊上发表的多项前瞻性试验、注册研究和对比研究中进行了评估,其中包括 美国心脏病学会杂志, Circulation: Cardiovascular Imaging, ,和 欧洲心脏杂志 – 心血管影像学 (11).
具有里程碑意义的试验和注册研究
洞察 7: 这 CREDENCE 试验 展示了AI辅助的CCTA分析与有创检查之间的高度一致性 定量冠状动脉造影 以及FFR,支持人工智能定量CT(AI-QCT)用于识别血流动力学意义显著病变的诊断准确性(12)。.
洞察 8: 这 CONFIRM2 登记处, ,涵盖多个国家的数万名患者,表明人工智能量化的斑块特征识别出了非阻塞性患者之间广泛的心血管风险梯度 冠状动脉疾病 (7).
洞察 9: 这 某研究 证明了与标准解读相比,AI-QCT 显著提高了诊断确定性,从而带来了更合适的药物治疗并减少了不必要的后续检查 (1)。.
| 学习 | N | 关键发现 | P值 | 临床意义 |
| 确认2 | 6,550 | MACE的AUC从0.62提高到0.75 | <0.001 | 提高了预后准确性 |
| 信任 | 513 | 与侵袭性 FFR 的高度一致性 | <0.01 | 可行的无创缺血评估 |
| PACIFIC-1 | 208 | 人工智能超越了专业读者 | <0.05 | 减少观察者间变异性 |
| PROMISE(子集) | 4,347 | 41% 狭窄的重新分类 | — | 减少误报 |
预防心脏病学实施与纵向疾病监测
将 AI-QCT 整合到预防心脏病学的工作流程中,使临床重点从发作性评估转向对动脉粥样硬化疾病的纵向监测。.
洞察 10: 总斑块负荷的量化能够对疾病随时间进展或消退进行客观评估,从而有助于实施以系列影像学检查为指导的达标治疗策略(7)。.
洞察 11: 基于人工智能的比较工具允许评估斑块成分的变化,包括其稳定或消退 富脂斑块 对药物治疗的反应 (13)。.
硬件进展:光子计数计算机断层扫描
AI-QCT的性能取决于输入成像数据的质量,而该质量随着CT硬件的进步而不断提高。.
见解 12: 光子计数CT 系统直接将X射线光子转换为电信号,从而减少电子噪声并 钙泛白伪影 与传统的能量积分探测器(14)相比。.
洞察 13: PCCT 提供了更高的空间分辨率以及更低的辐射和对比剂剂量,扩大了冠状动脉 CT 成像的适用人群,使其适用于 心率, ,升高的 身体质量指数, ,或广泛的冠状动脉 钙化 (15).
经济与卫生系统影响
采用人工智能的心脏影像学技术契合了医疗行业向价值导向型医疗和预防医学发展的更广泛趋势。.
洞察 14: 市场分析预测,在诊断效率的提高以及与急性冠状动脉事件相关的后期成本潜在降低的推动下,心血管病学中人工智能应用将实现快速增长(16)。.
洞察 15: 早期识别高风险 斑块表型 通过实现更早和更具针对性的干预,可能降低心肌梗死发生率及相关的医疗费用(17)。.
结论与未来展望
预防心脏病学正日益向一种生物学循证模式转变,该模式强调斑块负荷和成分,而不仅仅是狭窄程度。AI-QCT 为在临床事件发生前评估冠状动脉粥样硬化提供了一个可重复的定量框架。.
洞察 16: 未来的发展可能包括集成自主智能体AI系统、纵向数字心脏模型以及结合基因组和代谢信息的多模态数据流(18)。.
见解 17: 随着人工智能在图像解读和定量分析中承担更多角色,临床医师可能会日益将精力集中于更高级别的临床决策、风险沟通以及个体化治疗优化(19)。.
参考文献
- Nurmohamed NS, Cole JH, Budoff MJ, et al. Impact of atherosclerosis imaging-quantitative computed tomography on diagnostic certainty, downstream testing, coronary revascularization, and medical therapy: the CERTAIN study. Eur Heart J Cardiovasc Imaging. 2024;25(6):857-866. doi:10.1093/ehjci/jeae029
- Falk E, Shah PK, Fuster V. Coronary plaque disruption. Circulation. 1995;92(3):657-671. doi:10.1161/01.cir.92.3.657
- Global Burden of Cardiovascular Diseases and Risks 2023 Collaborators. Global, Regional, and National Burden of Cardiovascular Diseases and Risk Factors in 204 Countries and Territories, 1990-2023. J Am Coll Cardiol. 2025;86(22):2167-2243. doi:10.1016/j.jacc.2025.08.015
- Lloyd-Jones DM. Cardiovascular risk prediction: basic concepts, current status, and future directions. Circulation. 2010;121(15):1768-1777. doi:10.1161/CIRCULATIONAHA.109.849166
- Douglas PS, Hoffmann U, Patel MR, et al. Outcomes of anatomical versus functional testing for coronary artery disease. N Engl J Med. 2015;372(14):1291-1300. doi:10.1056/NEJMoa1415516
- Greenland P, Blaha MJ, Budoff MJ, Erbel R, Watson KE. Coronary Calcium Score and Cardiovascular Risk. J Am Coll Cardiol. 2018;72(4):434-447. doi:10.1016/j.jacc.2018.05.027
- Feuchtner GM, Lacaita PG, Bax JJ, et al. AI-Quantitative CT Coronary Plaque Features Associate With a Higher Relative Risk in Women: CONFIRM2 Registry. Circ Cardiovasc Imaging. 2025;18(6):e018235. doi:10.1161/CIRCIMAGING.125.018235
- Oikonomou EK, Khera R. Machine learning in precision diabetes care and cardiovascular risk prediction. Cardiovasc Diabetol. 2023;22(1):259. Published 2023 Sep 25. doi:10.1186/s12933-023-01985-3
- Koo BK, Yang S, Jung JW, et al. Artificial Intelligence-Enabled Quantitative Coronary Plaque and Hemodynamic Analysis for Predicting Acute Coronary Syndrome. JACC Cardiovasc Imaging. 2024;17(9):1062-1076. doi:10.1016/j.jcmg.2024.03.015
- Nørgaard BL, Leipsic J, Gaur S, et al. Diagnostic performance of noninvasive fractional flow reserve derived from coronary computed tomography angiography in suspected coronary artery disease: the NXT trial (Analysis of Coronary Blood Flow Using CT Angiography: Next Steps). J Am Coll Cardiol. 2014;63(12):1145-1155. doi:10.1016/j.jacc.2013.11.043
- Beerkens FJ, Tang GHL, Kini AS, et al. Transcatheter Aortic Valve Replacement Beyond Severe Aortic Stenosis: JACC State-of-the-Art Review. J Am Coll Cardiol. 2025;85(9):944-964. doi:10.1016/j.jacc.2024.11.051
- Griffin WF, Choi AD, Riess JS, et al. AI Evaluation of Stenosis on Coronary CTA, Comparison With Quantitative Coronary Angiography and Fractional Flow Reserve: A CREDENCE Trial Substudy. JACC Cardiovasc Imaging. 2023;16(2):193-205. doi:10.1016/j.jcmg.2021.10.020
- Zaman S, Wasfy JH, Kapil V, et al. The Lancet Commission on rethinking coronary artery disease: moving from ischaemia to atheroma. Lancet. 2025;405(10486):1264-1312. doi:10.1016/S0140-6736(25)00055-8
- Willemink MJ, Persson M, Pourmorteza A, Pelc NJ, Fleischmann D. Photon-counting CT: Technical Principles and Clinical Prospects. Radiology. 2018;289(2):293-312. doi:10.1148/radiol.2018172656
- Schiebler ML, Jinzaki M, Yanagawa M, et al. Future Applications of Cardiothoracic CT. Radiology. 2025;315(3):e240085. doi:10.1148/radiol.240085
- Windecker S, Gilard M, Achenbach S, et al. Device innovation in cardiovascular medicine: a report from the European Society of Cardiology Cardiovascular Round Table. Eur Heart J. 2024;45(13):1104-1115. doi:10.1093/eurheartj/ehae069
- Undas A, Musiał J, Ząbczyk M. Antiphospholipid antibodies and atherosclerotic vascular disease: recent advances. Rheumatol Int. 2025;45(12):279. Published 2025 Nov 29. doi:10.1007/s00296-025-06050-8
- Topol EJ. High-performance medicine: the convergence of human and artificial intelligence. Nat Med. 2019;25(1):44-56. doi:10.1038/s41591-018-0300-7
- Shetty NS, Gaonkar M, Pampana A, et al. Association of Pathogenic/Likely Pathogenic Inherited Cardiomyopathy Variants With Heart Failure: A TOPMed Multiancestry Analysis. Mayo Clin Proc. 2025;100(11):1948-1955. doi:10.1016/j.mayocp.2025.01.021



