研究背景

        随着医学影像技术的发展，冠状动脉计算机断层扫描血管造影(CTA)因其高诊断准确性，已成为诊断冠状动脉粥样硬化性心脏病的首选无创检查手段。近年来，CTA在心血管风险评估中的价值也逐渐被认可。然而，传统的CTA分析主要依赖于对冠状动脉狭窄的视觉评估，而对斑块体积的量化分析则相对复杂且耗时。随着人工智能技术的兴起，深度学习(DL)为自动化冠状动脉斑块量化提供了可能，有望显著提高临床应用的可行性。

        近期，Circulation: Cardiovascular Imaging杂志发表了一篇题为“Patient-Specific Myocardial Infarction Risk Thresholds From AI-Enabled Coronary Plaque Analysis”的文章，该研究利用深度学习系统对冠状动脉斑块进行量化分析，并建立了基于年龄和性别的个体化心梗风险阈值。这一创新方法不仅显著提高了冠状动脉斑块分析的效率和准确性，还为心血管疾病的精准预防和治疗提供了新的思路和工具。

        研究方法

        本研究是一项国际多中心研究，旨在通过深度学习系统量化冠状动脉斑块体积，并评估其对心梗风险的预测价值。研究共纳入2 803名患者，分为推导样本(956名患者)和两个外部验证样本(1 611名患者来自SCOT-HEART试验，236名患者来自St. Francis医院和心脏中心)。推导样本用于确定冠状动脉斑块体积的年龄和性别分布，而外部样本则用于验证斑块百分位数与心梗风险的关联。研究中使用了一种经过验证的深度学习系统，该系统能够自动从CTA图像中量化冠状动脉斑块体积，包括总斑块(TP)、非钙化斑块(NCP)、低衰减斑块(LAP)和钙化斑块(CP)体积。通过混合效应回归模型，研究者建立了基于年龄和性别的冠状动脉斑块体积分布，并计算了每个患者的斑块体积百分位数。

        研究结果

        总斑块体积与心梗风险的显著关联

        研究结果显示，随着年龄的增长，冠状动脉斑块体积显著增加，且男性患者的斑块体积普遍高于女性患者。在推导样本中，总斑块体积(TP)的75百分位数在女性患者中范围为0至720 mm³，而在男性患者中为147至1180 mm³(图1)。在外部验证样本中，总斑块体积处于≥75百分位数的患者，其心梗风险显著高于50百分位数以下的患者(HR=2.65，95% CI：1.47～4.78，P=0.001，表1)。即使在多变量分析中调整了临床特征、冠状动脉钙化评分、狭窄程度和斑块体积后，这一关联仍然显著，调整后的风险比范围为2.38至2.50。通过深度学习系统自动化的冠状动脉斑块体积分析能够有效预测心梗风险，为临床医生提供了一种新的工具，有助于识别高风险患者并优化治疗策略。

        图1 斑块体积随性别和年龄的关系

        表1 与致死性和非致死性心肌梗死相关性的多变量模型

        非钙化斑块与低衰减斑块的高风险特征

        进一步分析发现，非钙化斑块(NCP)和低衰减斑块(LAP)体积的增加与心梗风险的升高密切相关。在外部验证样本中，NCP体积处于≥75百分位数的患者，其心梗风险显著高于50百分位数以下的患者(HR=3.04，95% CI：1.62～5.68，P=0.001)，调整后的风险比为2.78。同样，LAP体积处于≥75百分位数的患者，其心梗风险显著高于50百分位数以下的患者(HR=3.02，95% CI：1.74～5.22，P<0.001)，调整后的风险比为3.12，见表1。这些结果表明，NCP和LAP体积的增加是心梗风险的独立预测因子，提示这些斑块类型可能更具易损性，更容易导致心血管事件。

        钙化斑块的相对稳定性

        与NCP和LAP不同，钙化斑块(CP)体积的增加与心梗风险的关联相对较弱。在外部验证样本中，CP体积处于≥75百分位数的患者，其心梗风险仅轻度增加(HR=1.93，95% CI：1.19～3.13，P=0.007)，调整后的风险比为1.72(表1)。钙化斑块可能相对稳定，其风险预测价值不如NCP和LAP显著。这一发现与既往研究一致，提示钙化斑块的形成可能是一种相对稳定的动脉粥样硬化过程，而NCP和LAP则更具易损性和破裂风险。

        模型拟合与风险分类的改善

        研究还评估了将斑块体积百分位数纳入风险预测模型后的模型拟合和风险分类能力。结果显示，加入斑块体积百分位数后，模型的拟合度显著改善。在多变量模型中，加入斑块体积百分位数后，模型的Harrell C统计量显著提高，表明其对心梗风险的预测能力优于仅包含临床特征和冠状动脉钙化评分的模型。此外，净重新分类指数(NRI)分析显示，加入斑块体积百分位数后，模型对患者风险分类的准确性显著提高，NRI值范围为0.107至0.265。这表明，通过深度学习系统自动化的冠状动脉斑块体积分析不仅能够提高心梗风险的预测准确性，还能够改善临床风险分类，为个性化治疗提供更有力的支持。

        总结

        本研究通过深度学习技术实现了冠状动脉斑块体积的自动化量化，并建立了基于年龄和性别的个体化风险阈值。这种个体化方法能够更直观地向患者解释其斑块负荷相对于同龄同性别人群的位置，有助于提高患者对治疗的依从性。此外，该研究在两个独立的外部样本中验证了斑块体积百分位数对心梗风险的预测价值，进一步证明了其结果的可靠性和普适性。与传统的冠状动脉狭窄评估相比，斑块体积百分位数的加入显著改善了风险预测模型的拟合度和患者分类能力。

        在临床实践中，这一创新方法有望打破传统心血管风险评估的局限。传统上，冠状动脉狭窄的视觉评估虽然简便，但往往无法全面反映斑块的易损性和潜在风险。而深度学习技术的引入，使得冠状动脉斑块的量化分析变得快速且精准，极大地减轻了临床医生的工作负担，同时也提高了诊断的准确性。通过这种自动化分析，医生能够更直观地向患者解释其斑块负荷的相对位置，从而更好地沟通治疗方案，增强患者的治疗依从性。此外，个体化心梗风险阈值的建立，使得医生能够更精准地识别高风险患者，并根据个体化的风险评估制定更有效的治疗策略。这不仅有助于降低心血管事件的发生率，还能显著改善患者的预后和生活质量。未来，随着技术的进一步发展和应用，深度学习有望在更多领域实现突破，为心血管疾病的早期诊断、精准治疗和长期管理提供更有力的支持，帮助临床医生更好地应对复杂多变的心血管疾病，为患者提供更精准、更个性化的医疗服务。

        参考文献

        Miller RJH, Manral N, Lin A, et al. Patient-Specific myocardial infarction risk thresholds from ai-enabled coronary plaque analysis[J]. Circ Cardiovasc Imaging,2024;17(10):e016958. DOI:10.1161/CIRCIMAGING.124.016958.