CT扫描可能揭示隐藏的心脏风险——人工智能已学会如何检测它

"每年进行的数百万次胸部CT扫描（通常针对健康人群，例如用于肺癌筛查）中，关于心血管风险的重要信息正被忽略，"资深作者Hugo Aerts博士（麻省总医院布里格姆医疗集团人工智能医学(AIM)项目主任）表示。"我们的研究表明，人工智能有潜力改变临床医生的实践方式，使医生能够在患者心脏病进展为心脏事件之前更早介入。"

胸部CT扫描可检测心脏和动脉中的钙沉积，这些沉积会增加心脏病发作风险。量化冠状动脉钙化(CAC)的金标准采用'门控'CT扫描技术，通过同步心跳来减少扫描期间的运动伪影。但大多数临床常规获取的胸部CT扫描都是'非门控'的。

研究者意识到这些非门控扫描仍可检测CAC，因此开发了AI-CAC深度学习算法。该算法通过分析非门控扫描来量化CAC，帮助预测心血管事件风险。模型基于98家退伍军人事务部(VA)医疗中心常规诊疗收集的胸部CT扫描数据训练而成，随后在8,052例CT扫描上测试了AI-CAC在常规影像检查中模拟CAC筛查的性能。

研究发现，AI-CAC模型判断扫描是否存在CAC的准确率达89.4%。对于存在CAC的情况，模型判断评分高于或低于100（表明中度心血管风险）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的患者比零分患者的10年死亡风险高出3.49倍。在模型识别为极高CAC评分（>400）的患者中，四位心脏病专家确认其中近全部患者（99.2%）可从降脂治疗中获益。

"当前退伍军人事务部影像系统包含数百万次因其他目的进行的非门控胸部CT扫描（约50,000次门控研究），这为AI-CAC利用常规收集的非门控扫描进行心血管风险评估和改善护理提供了契机，"第一作者Raffi Hagopian博士（长滩退伍军人医疗保健系统应用创新与医疗信息学组心脏病专家兼研究员）指出。"应用AI执行CAC检测等任务有助于推动医学从被动应对转向主动预防疾病，从而降低长期发病率、死亡率和医疗成本。"

研究局限性在于算法开发仅基于退伍军人群体的数据。团队希望未来在普通人群中开展研究，并验证该工具能否评估降脂药物对CAC评分的影响。

作者信息：除Aerts外，麻省总医院布里格姆医疗集团的作者还包括Simon Bernatz和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保健系统资助。