人工智能驱动的冠状动脉钙化扫描分析技术（AI-CAC）通过重新解析常规胸部CT影像中既往未被充分利用的解剖与病理信息，揭示了早期心血管疾病的隐匿风险。这种技术突破了传统Agatston钙化积分的局限性，实现了以下突破：
1. **预测范围的扩展**
AI-CAC不仅量化冠状动脉钙化负荷，还通过以下多维特征提升预测能力：
- 自动化心脏腔室体积测量（左心房体积增大与房颤风险正相关）
- 钙化斑块的空间分布模式（多血管受累提示高风险）
- 斑块密度异质性（低密度钙化与斑块易损性相关）
这使得其
"每年进行的数百万次胸部CT扫描中，很多是针对健康人群的肺癌筛查。我们的研究表明，这些扫描中隐藏着重要的心血管风险信息尚未被发掘，"资深作者、麻省总医院布里格姆分校人工智能医学项目（AIM）主任Hugo Aerts博士表示，"我们的研究证明人工智能有潜力改变临床实践模式，使医生能在患者心脏病进展为心血管事件前尽早介入。"
胸部CT扫描可检测心脏和动脉中的钙沉积物，这些钙化会增加心脏病发作风险。目前量化冠状动脉钙化（CAC）的金标准采用心电图门控CT扫描技术，通过同步心跳周期来减少运动伪影。但在常规临床检查中获取的大多数胸部CT扫描都是非门控的。
研究人员发现这类非门控扫描仍可检测CAC，因此开发了AI-CAC深度学习算法，通过分析非门控扫描图像量化CAC以预测心血管事件风险。该模型使用98个退伍军人事务部医疗中心常规诊疗中收集的胸部CT扫描数据进行训练，并在8,052次CT扫描中测试其性能以模拟常规影像检查中的CAC筛查。
研究表明，AI-CAC模型判断扫描图像是否存在CAC的准确率达89.4%。对于存在CAC的情况，模型判断钙化评分是否超过100（表示中度心血管风险）的准确率为87.3%。AI-CAC还能预测10年全因死亡率——CAC评分超过400的患者死亡风险是零分患者的3.49倍。在模型识别出的极高CAC评分（>400）患者中，四位心脏病专家确认其中近全部（99.2%）适合接受降脂治疗。
"目前退伍军人事务部影像系统中存有数百万次非门控胸部CT扫描数据——最初可能用于其他检查目的，而门控扫描仅约5万次。这为AI-CAC利用常规非门控扫描开展心血管风险评估和改善诊疗提供了机遇，"第一作者、退伍军人事务部长滩医疗系统应用创新与医学信息研究组心脏科医师Raffi Hagopian博士指出，"应用AI进行CAC检测等技术，有助于推动医学从被动治疗转向主动预防，从而降低长期患病率、致死率和医疗支出。"
研究的局限性在于算法开发仅基于退伍军人群体的数据。研究团队期待在普通人群中开展后续研究，并验证该工具能否评估降脂药物对CAC评分的影响。
作者声明：除Aerts外，麻省总医院布里格姆分校共同作者包括Simon Bernatz与Leonard Nürnberg。其他作者包括Raffi Hagopian、Timothy Strebel、Gregory A. Myers、Erik Offerman、Eric Zuniga、Cy Y. Kim、Angie T. Ng、James A. Iwaz、Sunny P. Singh、Evan P. Carey、Michael J. Kim、R. Spencer Schaefer、Jeannie Yu及Amilcare Gentili。
资助声明：本研究由退伍军人事务部医疗系统资助。