您的CT扫描可能揭示隐藏的心脏风险——AI现已掌握其检测方法

"每年有数百万例胸部CT扫描，其中许多是在健康人群中进行的，例如用于肺癌筛查。我们的研究表明，这些扫描中蕴含的重要心血管风险信息正被忽视，"资深作者、麻省总医院布里格姆医疗集团人工智能医学（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扫描技术，该技术与心跳同步以减少扫描时的运动伪影。但常规临床实践中获取的大多数胸部CT扫描属于'非门控'扫描。

研究人员发现这些非门控扫描仍可检测到CAC，这促使他们开发了AI-CAC深度学习算法。该算法通过分析非门控扫描来量化CAC，从而帮助预测心血管事件风险。他们利用98个退伍军人事务部（VA）医疗中心常规护理中收集的胸部CT扫描训练模型，随后在8,052例CT扫描上测试AI-CAC性能，以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（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10年内死亡风险是零分患者的3.49倍。在模型识别为极高钙化评分（＞400）的患者中，四位心脏病专家证实其中近全部患者（99.2%）可从降脂疗法中获益。

"目前VA影像系统包含数百万例因其他目的采集的非门控胸部CT扫描，而门控研究仅约5万例。这为AI-CAC利用常规收集的非门控扫描进行心血管风险评估和提升护理水平提供了契机，"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医学博士指出。"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，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。该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。