您的CT扫描可能揭示潜在心脏风险——人工智能已掌握识别技能

"每年有数百万次胸部CT扫描被拍摄，通常是在健康人群中，例如用于肺癌筛查。我们的研究表明，在这些扫描中，心血管风险的重要信息被忽视了，" Mass General Brigham人工智能医学（AIM）项目主任、资深作者Hugo Aerts博士说。"我们的研究显示，AI有潜力改变临床医生的医疗实践方式，并使医生能够在患者心脏病进展到心脏事件之前就及早介入。"

胸部CT扫描可以检测心脏和动脉中的钙沉积，这些沉积会增加心脏病发作的风险。量化CAC的金标准使用'门控'CT扫描，这种扫描与心跳同步以减少扫描时的运动。但常规临床目的获取的大多数胸部CT扫描是'非门控'的。

研究人员认识到，在这些非门控扫描中仍可检测到CAC，这促使他们开发了AI-CAC，一种深度学习算法，用于分析非门控扫描并量化CAC，以帮助预测心血管事件的风险。他们在98家退伍军人事务部医疗中心的退伍军人的常规护理中收集的胸部CT扫描上训练了该模型，然后在8,052次CT扫描上测试了AI-CAC的表现，以模拟常规成像测试中的CAC筛查。

研究人员发现，AI-CAC模型在确定扫描是否包含CAC方面准确率为89.4%。对于存在CAC的患者，该模型在确定分数高于还是低于100方面准确率为87.3%，表明中度心血管风险。AI-CAC还能预测10年全因死亡率——CAC分数超过400的患者在10年期间死亡风险比分数为零的患者高3.49倍。在该模型识别出的CAC分数非常高（大于400）的患者中，四位心脏病专家证实，几乎所有人（99.2%）都将从降脂治疗中受益。

"目前，退伍军人事务部成像系统包含数百万次非门控胸部CT扫描，这些扫描可能出于其他目的拍摄，大约有50,000次门控研究。这为AI-CAC利用常规收集的非门控扫描用于心血管风险评估和改善护理提供了机会，"退伍军人事务部长滩医疗系统应用创新和医学信息学组的医生和研究员、第一作者Raffi Hagopian博士说。"使用AI执行像CAC检测这样的任务，可以帮助医学从反应性方法转向疾病的主动预防，减少长期发病率、死亡率和医疗成本。"

研究的局限性包括该算法是基于纯退伍军人人群开发的。团队希望在普通人群中进行未来研究，并测试该工具是否能评估降脂药物对CAC分数的影响。

作者： 除Aerts外，Mass General Brigham的作者包括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和Amilcare Gentili。

资金： 这项工作由退伍军人事务部医疗保健系统资助。