如果多年前因无关病症拍摄的旧胸部扫描图像中，暗藏着关于心脏健康的预警信号会怎样？由麻省总医院布里格姆分院和美国退伍军人事务部联合研发的新型AI工具AI-CAC，如今能够通过常规CT扫描数据，在症状出现前捕捉到潜藏的心脏病征兆。
"每年有数百万例胸部CT扫描在健康人群中开展，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正被忽视，"资深作者、麻省总医院布里格姆分校人工智能医学（AIM）项目主任Hugo Aerts博士表示。"研究表明，人工智能有望改变临床医生的行医方式，使医生能在患者心脏病恶化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，通过同步心跳来减少扫描时的运动伪影。但临床常规获取的大部分胸部CT扫描都是"非门控"的。
研究人员发现非门控扫描仍可检测CAC，因此开发了深度学习算法AI-CAC，通过分析非门控扫描来量化CAC以预测心血管事件风险。该模型基于98个退伍军人医疗中心的常规诊疗中收集的胸部CT扫描进行训练，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，模型判断钙化评分是否高于100（提示中度心血管风险）的准确率为87.3%。AI-CAC还能预测10年全因死亡率——钙化评分超过400的患者死亡风险是零分患者的3.49倍。在模型判定为极高钙化评分（>400）的患者中，四位心脏病专家确认近全部（99.2%）适合接受降脂治疗。
"目前VA影像系统包含数百万例因其他目的拍摄的非门控胸部CT扫描，而门控扫描仅约5万例。这为AI-CAC利用常规非门控扫描进行心血管风险评估提供了机遇，"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Raffi Hagopian博士指出。"将AI用于CAC检测等任务，有助于推动医学从被动应对转向主动预防，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。
作者贡献：除Aerts外，麻省总医院布里格姆分校作者还包括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和Amilcare Gentili。
资助声明：本研究由退伍军人事务医疗保健系统资助。