AI-CAC技术通过人工智能分析常规胸部CT扫描中的冠状动脉钙化（CAC）及心脏结构信息，能够从既往非心脏检查的影像中挖掘心血管风险预警信号，这一突破为无症状人群的早期心脏病筛查提供了新途径。以下是其核心机制与临床价值的综合分析：
### 1. **技术原理：多维度影像特征挖掘**
AI-CAC算法结合深度学习与支持向量机，从常规胸部CT中自动提取以下参数：
- **心腔容积与左心室质量**：无需造影剂即可量化左心房、左右心室容积及左心室质量；
- **钙化斑块特征**：包括斑块数量、密度、分
"每年数百万胸部CT扫描被用于健康人群（如肺癌筛查），但其中关于心血管风险的重要信息未被有效利用。我们的研究表明，人工智能可以改变临床实践模式，使医生能在心脏病进展为心血管事件前早期干预。"资深作者Hugo Aerts博士强调，其团队开发的AI-CAC深度学习算法能够通过常规非门控CT量化冠状动脉钙化（CAC）以预测心血管事件风险。
该研究采用89,900份来自98个VA医疗中心的常规胸部CT数据进行模型训练，通过8,052例扫描验证显示：AI-CAC判断钙化存在与否的准确率达89.4%；对于钙化评分＞100（提示中度心血管风险）的判定准确率为87.3%；更重要的是，CAC评分＞400的个体10年全因死亡风险较零分者增加3.49倍，且99.2%极高钙化负荷患者经专家验证需启动降脂治疗。
技术革新与临床价值
- 非门控CT的二次利用：相较于需要心电门控的专用钙化CT（年约5万例），VA系统现存数百万常规非门控CT可被AI重新挖掘用于心血管风险评估，实现"零成本"的主动筛查模式
- 性能验证：模型在多中心数据中显示出与门控CT近完美的一致性（R²=0.988-0.995），其通过ResNet架构处理心脏区域的32×32像素轴向图像块，结合空间坐标特征优化钙化检测
- 临床应用潜力：在癌症患者群体中，自动CAC评分有助于早期识别心血管高危人群（癌症幸存者中CVD死亡率占首位），契合常规随访CT的偶发筛查场景
局限性与未来方向
- 当前模型基于退伍军人队列开发，需在普通人群验证泛化能力
- 需进一步研究降脂药物对AI-CAC评估的追踪效果
- 深度学习模型存在误判风险（约4.6%的极高评分病例出现病灶错配）
该研究标志着心脏影像分析进入"被动诊断→主动预防"的新阶段，AI技术使常规影像的深度数据挖掘成为可能，为心脑血管疾病的早筛早诊提供了创新解决方案。
作者声明：研究由美国退伍军人医疗系统资助，涉及麻省总医院、VA长滩医疗中心等多机构合作团队。