您的CT扫描可能揭示隐匿性心脏病风险——人工智能已掌握识别方法

"每年进行数百万次胸部CT扫描，通常针对健康人群，例如用于肺癌筛查。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、麻省总医院布里格姆人工智能医学（AIM）项目主任Hugo Aerts博士说。"我们的研究表明，人工智能有潜力改变临床医生的行医方式，使医生能够在患者心脏病进展至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，该技术与心跳同步以减少扫描期间的运动伪影。但大多数常规临床用途的胸部CT扫描属于'非门控'类型。

研究人员认识到非门控扫描仍可检测CAC，这促使他们开发了AI-CAC——一种深度学习算法，可筛查非门控扫描并量化CAC以预测心血管事件风险。该模型使用98家退伍军人事务部（VA）医疗中心常规护理中收集的退伍军人胸部CT扫描数据进行训练，随后在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模型判断扫描是否含有CAC的准确率达89.4%。对于存在CAC的情况，模型判断评分是否高于或低于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的患者在10年内的死亡风险是零分患者的3.49倍。在模型识别为极高CAC评分（>400）的患者中，四位心脏病专家证实其中近全部（99.2%）可从降脂治疗中获益。

"目前VA影像系统存有数百万次因其他目的进行的非门控胸部CT扫描，而门控研究仅约50,000例。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提升护理提供了契机，"第一作者、VA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医学博士表示。"运用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。"

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

作者贡献：除Aerts外，麻省总医院布里格姆作者包括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保健系统资助。