您的CT扫描可能揭示隐藏的心脏风险——AI刚刚掌握识别方法

"每年有数百万例胸部CT扫描，其中许多是针对健康人群进行的，例如用于肺癌筛查。我们的研究表明，这些扫描中关于心血管风险的重要信息未被注意到，"资深作者、麻省总医院布莱根医疗中心人工智能医学（AIM）项目主任Hugo Aerts博士表示。"我们的研究证明，人工智能有潜力改变临床医生的行医模式，使医生能在患者心脏病进展为心血管事件前更早介入。"

胸部CT扫描可检测心脏和动脉中的钙沉积物，这些沉积物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，该技术通过同步心跳来减少扫描期间的移动伪影。但常规临床使用的大多数胸部CT扫描均为"非门控"扫描。

研究人员发现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，通过分析非门控扫描来量化CAC，助力预测心血管事件风险。该模型使用98家退伍军人事务部医疗中心常规诊疗中采集的胸部CT扫描数据进行训练，并在8,052例CT扫描上测试AI-CAC性能，模拟常规影像检查中的CAC筛查。

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，模型判断钙化评分高于或低于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——钙化评分超过400的患者10年内死亡风险是零评分患者的3.49倍。在模型识别出钙化评分极高（>400）的患者中，四位心脏病专家证实其中近全部患者（99.2%）可从降脂治疗中获益。

"目前退伍军人事务部影像系统存有数百万例可能因其他目的拍摄的非门控胸部CT扫描，而门控研究仅约5万例。这为AI-CAC利用常规采集的非门控扫描进行心血管风险评估和提升诊疗提供了机遇，"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学组心脏病专家兼研究员Raffi Hagopian博士指出。"运用AI执行CAC检测等任务，有助于推动医疗从事后应对转向疾病主动预防，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组。团队希望在普通人群中进行后续研究，并验证该工具能否评估降脂药物对钙化评分的影响。

作者贡献：除Aerts外，麻省总医院布莱根医疗中心的作者包括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, 以及Amilcare Gentili。

资助声明：本研究由退伍军人事务医疗保健系统资助。