跳转至

第 25 章 冠状动脉粥样硬化斑块的 AI 评估（Artificial Intelligence-Based Evaluation of Coronary Atherosclerotic Plaques）

作者

  • Andrew Lin, MBBS, PhD —— Biomedical Imaging Research Institute, Cedars-Sinai Medical Center, Los Angeles, CA, USA；本章第一作者，主要研究方向为心血管 CT 与影像组学（radiomics）。
  • Piotr J. Slomka, PhD —— Artificial Intelligence in Medicine Program, Cedars-Sinai Medical Center, Los Angeles, USA；Cedars-Sinai 人工智能医学项目的核心 PI，长期从事心脏核素与 CT 的机器学习应用。
  • Damini Dey, PhD（通讯作者）—— Biomedical Imaging Research Institute, Cedars-Sinai Medical Center；定量心脏 CT 与机器学习的领军学者，承接多项 NIH 资助（1R01HL133616, 1R01HL148787-01A1）。

本章位于第三部分（Cardiac Applications）的开篇位置，承接第二部分关于通用 AI 方法的章节，开始将方法学具体落地到心血管影像最重要的临床任务之一：冠状动脉斑块的自动检测、分类、狭窄量化与心血管风险预测。是 Part III 偏"技术 + 方法学"性质的过渡章节，与第 26 章（机器学习用于风险预测）、第 31 章（影像组学详细方法）、第 32 章（钙化斑块量化）有显著交叉。

内容概述

冠状动脉 CT 血管成像（CCTA）作为非侵入性冠脉评估的一线手段 [X1]，已超越单纯狭窄评估进入斑块成分分析阶段。然而日常判读对斑块成分与狭窄严重度的视觉评估受观察者间差异限制 [X2][X3]。本章系统综述了 AI 算法在 CCTA 斑块分析中的应用，覆盖四个核心方向：(1) 冠脉中心线提取与斑块自动检测、分类；(2) 解剖学狭窄的自动量化；(3) 基于 CCTA 斑块特征的 ML 风险预测模型；(4) 冠脉斑块影像组学（radiomics）。在每一节中，作者按"传统方法 → ML 改进 → 深度学习"或"特征工程 → DL 端到端"的递进逻辑组织，并给出可对比的指标（AUC、敏感性、特异性、dice 系数等）。读者所需基础：熟悉 CCTA 影像判读、了解常规 ML（随机森林、SVM、XGBoost）与深度学习（CNN、RNN）概念，并对 AUC/dice 等评估指标有基础认识。

核心方程与概念

1. 冠脉中心线提取与斑块检测的预处理范式

CCTA 斑块分析的典型管线 (pipeline) 是： $\(\text{CCTA} \xrightarrow{\text{centerline extraction}} \text{管状体积} \xrightarrow{\text{lumen segmentation}} \text{斑块检测/分类}\)$

Wolterink 等 [X4] 用 3D CNN 直接从 CCTA 体数据中提取冠脉中心线，作为下游任务的预处理步骤。沿中心线把整条血管展开为单一管状体积后，可以提取表征管壁形状与纹理的特征用于斑块分析。

2. 经典机器学习斑块分类器

多类 SVM（Zhao et al. [X5]）：把强度、形状、纹理特征作为输入的多类 SVM，将斑块分为钙化、非钙化或混合斑块，平均精度达 92.6%。设输入特征向量为 \(\mathbf{x} \in \mathbb{R}^d\)，则多类 SVM 的决策函数为： $\(f(\mathbf{x}) = \arg\max_{k \in \{1,\ldots,K\}} \left(\mathbf{w}_k^\top \mathbf{x} + b_k\right)\)$

其中 \(\mathbf{w}_k, b_k\) 为第 \(k\) 类的法向量与偏置，由 hinge loss + L2 正则化训练得到。

XGBoost（Masuda et al. [X6]）：基于冠脉斑块 CT 衰减值（attenuation）的直方图特征训练 boosted ensemble 模型，在 IVUS 参考标准下区分纤维性 vs. 脂质性斑块。XGBoost 的核心是加法训练与二阶梯度优化： $\(\mathcal{L}^{(t)} = \sum_i \ell\left(y_i, \hat{y}_i^{(t-1)} + f_t(\mathbf{x}_i)\right) + \Omega(f_t)\)$

本章报告的 XGBoost 模型 AUC = 0.92，显著优于传统 CT 衰减阈值法（AUC = 0.83，p = 0.001）—— 表明斑块组分在 CT 衰减上存在显著重叠，单一阈值无法区分。

3. 冠脉狭窄的深度学习量化

端到端 CNN（Hong et al. [X7]）：用 156 例患者的 716 个病变节段训练 CNN，自动量化直径狭窄百分比与最小管腔面积。预测的狭窄百分比 \(DS_{\text{pred}}\) 与专家标注 \(DS_{\text{exp}}\) 的 Spearman 相关系数 r = 0.957（p < 0.001），Bland-Altman 95% 一致性界限为 \(-7.7\% \sim +9.5\%\)。最小管腔面积 r = 0.984。

RNN + 多平面重建（Zreik et al. [X8]）：把多平面重建（MPR）的 CCTA 切片序列送入 RNN，对每节段的狭窄进行三分类：无狭窄 / 非显著 (<50%) / 显著 (≥50%)，整体准确率 0.80。

深度稀疏自编码器（Freiman et al. [X9]）：在 CNN 变体上加入去噪目标，识别中等程度（≥40%）狭窄的冠脉横截面，AUC = 0.84。

4. 基于 CCTA 特征的 ML 风险预测

LogitBoost 全因死亡预测（Motwani et al. [X10]）：在 10,030 例疑似 CAD 患者中，使用 25 个临床变量 + 44 个 CCTA 视觉参数（节段狭窄评分 SSS、节段累及评分 SIS、Duke 指数等）训练 LogitBoost，预测 5 年全因死亡。模型 AUC = 0.79，显著高于 CCTA 视觉评分（AUC 0.64）与 Framingham 风险评分（AUC 0.61，p < 0.001）。最高重要性变量为含非钙化斑块的节段数与含 < 50% 狭窄的血管数。

XGBoost 罪犯病变预测（Al'Aref et al. [X11]）：整合 CCTA 斑块定性 + 定量特征，预测急性冠脉综合征（ACS）患者的罪犯病变前体。整合模型 AUC = 0.77，优于单独定量参数（AUC 0.67）、定性参数（AUC 0.52）或狭窄严重度（AUC 0.60）。冠脉节段斑块体积与最狭窄截面的斑块负荷是变量重要性最高者。

LogitBoost 斑块进展预测（Han et al. [X30]）：纳入 PARADIGM 注册（中位 3.3 年间隔的配对 CCTA），结合基线临床变量 + 定性 + 定量斑块参数预测快速进展。整合模型 AUC = 0.83，显著优于只用临床 + 定性参数（AUC 0.73）或 ASCVD 风险评分（AUC 0.60）。最高信息增益的特征为百分动脉粥样硬化体积（PAV）、总斑块体积、纤维性斑块体积—— 定量参数 > 定性参数 > 临床参数。

LogitBoost 病变特异性缺血 / Ischemia Risk Score（Dey et al. [X12]）：NXT 试验子研究，组合 CCTA 定量斑块度量与临床特征，输出每条血管的"缺血风险评分" = 该血管 FFR ≤ 0.80 的概率。ML 模型 AUC = 0.84，显著高于狭窄严重度（AUC 0.76, p = 0.005）与临床 CAD 验前概率（AUC 0.63, p < 0.001）。最高信息增益变量为非钙化斑块（NCP）体积与低密度非钙化斑块（LD-NCP，< 30 HU）体积。

5. 冠脉斑块影像组学（Radiomics）

Kolossváry 等 [X13] 在含 4440 个影像组学特征的数据集上做选择，418 个 (9.4%) 对"餐巾环征"（napkin-ring sign）的 AUC > 0.80，影像组学识别高危斑块显著优于斑块负荷（AUC 0.71）和平均斑块衰减（AUC 0.75）。影像组学的核心是把影像 ROI 转化为高维可量化特征： $\(f_{\text{rad}}(\mathbf{x}) = \left[\underbrace{f_1(\mathbf{x}), f_2(\mathbf{x}), \ldots, f_N(\mathbf{x})}_{\text{形状/纹理/小波}}\right]^\top \in \mathbb{R}^N\)$

通过 LASSO 或随机森林选择最相关特征子集，再用分类器预测表型。

6. 关键概念辨析

  • 钙化 vs. 非钙化 vs. 混合斑块：按 CT 衰减高低划分；非钙化斑块又可细分为纤维性、脂质性，两者衰减重叠大。
  • LD-NCP（low-density non-calcified plaque）：CT 值 < 30 HU 的非钙化斑块成分，是高危斑块的核心生物标志物。
  • 百分动脉粥样硬化体积（PAV）：冠脉总斑块体积 / 血管体积 \(\times 100\%\)，是连续型定量参数。
  • 餐巾环征（napkin-ring sign）：CCTA 上高密度斑块核心 + 周围环状低密度区的特殊形态，是高危斑块的视觉标志。
  • 影像组学 vs. 深度特征：影像组学用预定义算子（小波、GLCM 等）提取特征；DL 用 CNN 自动学习特征表示。本章重点是前者。

关键结论

  • CCTA 已超越单纯狭窄评估成为斑块分析的一线工具，但日常视觉判读的可重复性问题使 AI 辅助成为刚需 [X1][X2][X3]。
  • 基于中心线 + 3D CNN 的预处理管线（Wolterink 2019, [X4]）已成为冠脉斑块分析的事实标准。
  • 经典 ML（多类 SVM、XGBoost、LogitBoost）在斑块分类与缺血预测上达到 0.80–0.92 的 AUC，与深度学习互补而非竞争 [X5][X6][X10][X12]。
  • 端到端 CNN 在冠脉狭窄量化上与专家高度一致（r = 0.957, r = 0.984 for MLA），是真正进入临床流程的少数 DL 应用 [X7]。
  • 整合 CCTA 定量 + 定性 + 临床特征的 LogitBoost/XGBoost 模型在 5 年死亡预测（AUC 0.79）、罪犯病变识别（AUC 0.77）、快速进展预测（AUC 0.83）上一致优于传统风险评分 [X10][X11][X30]。
  • 缺血风险评分（Ischemia Risk Score）在多中心 NXT 子研究中以 CCTA 定量斑块度量无创预测 FFR ≤ 0.80，AUC 0.84，最重要变量是 NCP 与 LD-NCP 体积 [X12]。
  • 影像组学（Kolossváry 2017, [X13]）在 4440 个特征中 9.4% 对餐巾环征 AUC > 0.80，显著优于斑块负荷和平均衰减，提示大量"亚视觉"信息被传统定量忽略。
  • 双能 CT 与光子计数光谱 CT 在不同斑块组分的衰减值重叠减少方面有理论优势，但需更大规模验证 [X38][X39]。

挑战和开放性问题

  • 观察者间差异的根源未解决：视觉评估的高变异性（节段水平 25%–40% 不一致）驱动了 AI 的需求，但 AI 的"金标准"仍是有噪声的专家标注——存在循环依赖。
  • 可解释性 / 临床信任：CCTA 缺血风险评分等 ML 模型本质上是黑盒，临床医生难以向患者解释"为什么这根血管需要血运重建"。
  • 跨厂商 / 跨中心泛化：训练数据多来自单中心（如 Cedars-Sinai），扫描参数、重建核、对比剂方案的差异会显著影响模型性能。
  • 端到端 DL 的临床落地慢：尽管 Hong et al. [X7] 的 CNN 已达到 r > 0.95 的高一致性，但 FDA / NMPA 审批和 PACS 集成仍是瓶颈。
  • 多模态融合缺失：本章几乎所有模型都只用 CCTA；与 IVUS、OCT、PET、心肌灌注、FFR-CT 的真正多模态融合仍是开放课题。
  • 影像组学特征的"过拟合"风险：4440 个特征中只有 9.4% 高 AUC，但缺乏外部验证与生物可解释性。
  • 罕见表型学习：餐巾环征、钙化结节等罕见高危形态在数据集中样本量小，模型学不到稳健特征。
  • 追踪 + 配准问题：CCTA 与 IVUS / OCT 空间分辨率差异大，跨模态 3D 配准本身就未完全解决。
  • 预后数据稀缺：训练 LogitBoost 等模型需要数千例有 5 年随访的数据，门槛高，限制了多任务学习的扩展。
  • 种族 / 人群偏差：训练数据高度集中于北美 / 欧洲人群，对亚洲人主动脉钙化、斑块表型的差异校正不足。

个人反思与批判性分析

  • Cedars-Sinai 团队的方法学倾向：本章几乎所有方法（LogitBoost、XGBoost、Ischemia Risk Score）都来自同一团队的纵向研究——CCTA 定量软件 → ML 风险预测 → 影像组学。优点是体系完整、变量重要性可比较；缺点是研究间的特征集合、训练集、参考标准都高度耦合，独立验证稀缺。
  • AUC 0.79–0.84 的真实临床价值：相比传统风险评分提升 15–20 个 AUC 百分点看似显著，但阳性预测值（PPV）与阴性预测值（NPV）在低患病率人群中往往让临床医生难以决策——这是机器学习风险模型普遍被诟病的"区分度尚可，校准度差"问题，本章未深入讨论。
  • DL 与传统 ML 的对比欠公平：Hong et al. 的 CNN 仅用了 156 例患者，而 Motwani 用了 10,030 例——数据量差异 60 倍，可比性有限。深度学习在 CCTA 斑块分析中真正"赢过"传统 ML 的硬证据并不充分。
  • 影像组学的"维度灾难"：4440 个特征 / 数百例样本，特征数 >> 样本数。Kolossváry 团队用 LASSO 与交叉验证做选择，但没有讨论过拟合与外部验证集上的可重复性。
  • 缺血风险评分的真正使用场景：FFR-CT（如 HeartFlow）已经商业化，ML 评分 vs. FFR-CT 的对比本章完全未涉及。这两者是替代关系还是互补关系，是临床落地最关键的问题。
  • 与第 31 章（影像组学）和第 32 章（钙化评分）的协同：本章奠定了 CCTA 斑块 AI 评估的框架，但具体定量算法的实现细节、Agatston 评分的自动化等都未深入；建议读者在阅读本章时配合第 31、32 章一起消化。

重要参考文献

  • [X1] Narula J, Chandrashekhar Y, Ahmadi A, et al. SCCT 2021 Expert consensus document on coronary computed tomographic angiography. J Cardiovasc Comput Tomogr. 2021;15:192-217.
  • [X2] Hoffmann H, Frieler K, Hamm B, Dewey M. Intra- and interobserver variability in detection and assessment of calcified and noncalcified coronary artery plaques using 64-slice CT. Int J Cardiovasc Imaging. 2008;24(7):735-42.
  • [X3] Arbab-Zadeh A, Hoe J. Quantification of coronary arterial stenoses by multidetector CT angiography. JACC Cardiovasc Imaging. 2011;4(2):191-202.
  • [X4] Wolterink JM, van Hamersvelt RW, Viergever MA, Leiner T, Isgum I. Coronary artery centerline extraction in cardiac CT angiography using a CNN-based orientation classifier. Med Image Anal. 2019;51:46-60.
  • [X5] Zhao F, Wu B, Chen F, et al. An automatic multi-class coronary atherosclerosis plaque detection and classification framework. Med Biol Eng Comput. 2019;57(1):245-57.
  • [X6] Masuda T, Nakaura T, Funama Y, et al. Machine-learning integration of CT histogram analysis to evaluate the composition of atherosclerotic plaques: validation with IB-IVUS. J Cardiovasc Comput Tomogr. 2019;13(2):163-9.
  • [X7] Hong Y, Commandeur F, Cadet S, et al. Deep learning-based stenosis quantification from coronary CT angiography. Proc SPIE Int Soc Opt Eng. 2019;10949:109492I.
  • [X8] Zreik M, van Hamersvelt RW, Wolterink JM, Leiner T, Viergever MA, Isgum I. A recurrent CNN for automatic detection and classification of coronary artery plaque and stenosis in coronary CT angiography. IEEE Trans Med Imaging. 2019;38(7):1588-98.
  • [X9] Freiman M, Manjeshwar R, Goshen L. Unsupervised abnormality detection through mixed structure regularization in deep sparse autoencoders. Med Phys. 2019;46(5):2223-31.
  • [X10] Motwani M, Dey D, Berman DS, et al. Machine learning for prediction of all-cause mortality in patients with suspected coronary artery disease: a 5-year multicentre prospective registry analysis. Eur Heart J. 2017;38(7):500-7.
  • [X11] Al'Aref SJ, Singh G, Choi JW, et al. A boosted ensemble algorithm for determination of plaque stability in high-risk patients on coronary CTA. JACC Cardiovasc Imaging. 2020;13(12):3447.
  • [X12] Dey D, Gaur S, Ovrehus KA, et al. Integrated prediction of lesion-specific ischaemia from quantitative coronary CT angiography using machine learning: a multicentre study. Eur Radiol. 2018;28(6):2655-64.
  • [X13] Kolossvary M, Karady J, Szilveszter B, et al. Radiomic features are superior to conventional quantitative computed tomographic metrics to identify coronary plaques with napkin-ring sign. Circ Cardiovasc Imaging. 2017;10(12):e006843.
  • [X30] Han D, Kolli KK, Al'Aref SJ, et al. Machine learning framework to identify individuals at risk of rapid progression of coronary atherosclerosis: from the PARADIGM registry. J Am Heart Assoc. 2020;9(5):e013958.
  • [X38] Obaid DR, Calvert PA, Gopalan D, et al. Dual-energy CT imaging to determine atherosclerotic plaque composition: a prospective study with tissue validation. J Cardiovasc Comput Tomogr. 2014;8(3):230-7.
  • [X39] Boussel L, Coulon P, Thran A, et al. Photon counting spectral CT component analysis of coronary artery atherosclerotic plaque samples. Br J Radiol. 2014;87(1040):20130798.