跳转至

第 27 章 基于 AI 的 CT 衍生血流储备分数（CT-FFR）（Artificial Intelligence-Based CT-Derived Fractional Flow Reserve (CT-FFR)）

作者

  • Verena Brandt, MD —— Division of Cardiovascular Imaging, Department of Radiology and Radiological Science, Medical University of South Carolina, Charleston, SC, USA；Department of Cardiology, Robert-Bosch-Krankenhaus, Stuttgart, Germany。
  • Hunter N. Gray, BS —— Division of Cardiovascular Imaging, Medical University of South Carolina, Charleston, SC, USA。
  • Christian Tesche, MD（通讯作者）—— Medical University of South Carolina；Robert-Bosch-Krankenhaus；Munich University Clinic, Ludwig-Maximilians-University, Munich；St. Johannes-Hospital, Dortmund。Tesche 团队是 MACHINE 注册（Machine-learning CT-FFR 多中心研究）的核心成员，承接多项 Siemens Healthineers 资助，并担任 HeartFlow 顾问。

本章位于 Part III 心脏应用部分，紧接 CAD-RADS（Ch 26）之后，聚焦功能学 AI——CCTA 形态学 + ML 推算 FFR。属于"应用 + 技术"双重性质的章节，方法学血统来自 Itu et al. 2016 [X12]（Siemens cFFR 框架），临床证据基础来自 MACHINE 注册 [X16]。是 Part III 中"AI 临床落地"最具代表性的章节之一。

内容概述

CCTA 在 2019 ESC 指南中成为稳定型 CAD 一线检查（class 1）[X7]，但纯解剖学评估对缺血预测能力弱（PPV 中等、阴性预测值高）。CT-FFR 由此应运而生：把 CCTA 的 3D 冠脉树与计算流体力学（CFD）结合，无创计算每条血管的虚拟 FFR，定位有功能学意义的狭窄。但传统 CFD-CT-FFR（如 HeartFlow）需要现场外计算，耗时数小时。本章核心是介绍基于机器学习的 CT-FFR（CT-FFRML，Siemens cFFR 版本），它用 12,000 个合成冠脉几何 + 降阶流体力学模型训练一个 28 特征输入、4 隐层全连接 DNN，把"基于 3D 解的 Navier-Stokes"替换为"端到端 ML 推理"，解决了 CFD-CT-FFR 的速度瓶颈。

作者按"技术原理 → 诊断证据 → 亚组分析（钙化 / 性别 / 糖尿病）→ 临床意义 → 局限性"的逻辑展开。在 MACHINE 注册（351 例 / 525 血管）[X16] 上，CT-FFRML 准确率 78%（per-vessel）和 85%（per-patient），比 cCTA 单独分别提升 18% 和 14%，并修正 73% 的 cCTA 假阳性。在 MACHINE 钙化亚组（314 例 / 482 血管）[X27] 中，高 Agatston 评分（CAC ≥ 400）下 CT-FFRML 仍优于 cCTA（AUC 0.85 vs. 0.71）。在性别（Baumann 2019 [X28]）与糖尿病（Nous 2019 [X35]）亚组中，CT-FFRML 均显示稳健性能，但女性患者中差异未达统计学显著（p = 0.12）—— 反映样本量限制。

核心方程与概念

1. CT-FFR 的血流动力学定义

CT-FFR 是狭窄远端压力 \(P_d\) 与主动脉根部压力 \(P_a\) 之比的无创估计 [X18][X44]： $\(\text{CT-FFR} = \frac{P_d}{P_a}\)$

缺血阈值（与侵入性 FFR 一致）： $\(\text{CT-FFR} \leq 0.80 \iff \text{功能性显著狭窄}\)$

2. 传统 CFD-CT-FFR（HeartFlow 范式）的基础方程

CFD 求解三维 Navier-Stokes 方程与连续性方程 [X13]： $\(\rho \left(\frac{\partial \mathbf{u}}{\partial t} + \mathbf{u} \cdot \nabla \mathbf{u}\right) = -\nabla p + \mu \nabla^2 \mathbf{u} + \mathbf{f}\)$ $\(\nabla \cdot \mathbf{u} = 0\)$

其中 \(\mathbf{u}\) 为速度场，\(p\) 为压力，\(\rho\) 为血液密度，\(\mu\) 为动力粘度。FFR 由出口压力与入口压力之比给出。HeartFlow 现场外计算每例需 1–4 小时，是 AI 替代的核心痛点。

3. CT-FFRML 的端到端 ML 框架（Itu 2016, [X12]）

训练阶段（offline）： - 合成 12,000 个 3D 冠脉几何：含分支长度、渐细度（tapering）、血管半径等多样化参数。 - 对每个几何用降阶 CFD 模型计算每点 FFR，作为 ML 的"标签"。 - 网络架构：4 个隐层（256 → 64 → 16 → 4）+ 全连接 + 输出层。

形式化地，输入特征向量 \(\mathbf{x} \in \mathbb{R}^{28}\)（含 28 个解剖学特征：冠脉长度、最小半径、狭窄位置、分叉角、入口/出口长度、近端/远端半径等）经过网络前向传播： $\(\mathbf{h}^{(1)} = \sigma(\mathbf{W}^{(1)} \mathbf{x} + \mathbf{b}^{(1)}) \in \mathbb{R}^{256}\)$ $\(\mathbf{h}^{(l)} = \sigma(\mathbf{W}^{(l)} \mathbf{h}^{(l-1)} + \mathbf{b}^{(l)}), \quad l=2,3,4\)$ $\(\hat{y} = \mathbf{W}_{\text{out}} \mathbf{h}^{(4)} + \mathbf{b}_{\text{out}}\)$

损失函数为回归 FFR 值与 CFD 真值之间的均方误差： $\(\mathcal{L} = \frac{1}{N} \sum_{i=1}^N (\hat{y}_i - y_i^{\text{CFD}})^2\)$

推理阶段（online）：加载患者 CCTA → 自动冠脉树分割与中心线提取 → 提取 28 个特征 → 用训练好的 DNN 前向传播得到每点 FFRML。

关键差异：CFD 求解 O(10⁶) 自由度的偏微分方程，CT-FFRML 是单次前向传播，耗时从小时级降到分钟级（甚至秒级）。

4. MACHINE 多中心注册证据（Coenen 2018, [X16]）

351 例 / 525 血管 / 5 中心 / 美欧亚。CT-FFRML（cFFR v2.1, Siemens）vs. CT-FFRCFD（HeartFlow）：

指标 CT-FFRML cCTA 单独
Per-vessel 准确率 78% 60%
Per-patient 准确率 85% 73%
修正 cCTA 假阳性 73% ——

5. 中度狭窄亚组（Tang 2019, [X25]）

101 例 / 122 血管，30–69% 中度狭窄： - CT-FFRML 准确率 0.89，特异性 0.94 - vs. cCTA 单独 AUC：0.79 vs. 0.53 (p < 0.05)

6. 钙化亚组（MACHINE, Tesche 2020, [X27]）

314 例 / 482 血管，按 Agatston 评分分组（0, 0–100, 100–400, ≥400）。CT-FFRML vs. cCTA：

钙化类别 CT-FFRML AUC cCTA AUC p
全部 0.85 (0.82–0.89) 0.71 (0.57–0.85) 0.04
CAC ≥ 400 高判别 —— ——
CAC 0–400 高准确率 —— < 0.001

注意 20 例（5%）因图像质量不达标被排除——钙化伪影（blooming artifact）仍是物理性瓶颈。

7. 性别 / 糖尿病亚组

性别（Baumann 2019, [X28]）：398 男性血管 / 127 女性血管。CT-FFRML 男性敏感性 0.78，特异性 0.79；女性 0.75, 0.81 (p = 0.89)。男性比 cCTA 提升显著 (p = 0.007)，女性不显著 (p = 0.12)——作者解释为女性样本量不足（26.5%）。

糖尿病（Nous 2019, [X35]）：75 例糖尿病 / 276 例非糖尿病。CT-FFRML 准确率：糖尿病 83% vs. 非糖尿病 75% (p = 0.088)；cCTA 单独 65% vs. 58% (p = 0.223)。即 CT-FFRML 在糖尿病患者中改善最显著——这与糖尿病弥漫性病变、微血管功能障碍导致的"形态-功能不匹配"相关，AI 在捕捉这种不匹配上比 cCTA 视觉更敏感。

8. 预后与治疗决策

  • MACE 预测（von Knebel Doeberitz 2019, [X17]）：CT-FFRML ≤ 0.80 是 MACE 最强独立预测因子（p = 0.001, OR = 7.78），中位随访 18.5 个月。
  • 治疗决策一致性（Tesche 2017, [X37]）：74 例患者中，CT-FFRML 准确率 0.99、敏感性 0.97、特异性 1.0 与 ICA/FFR 决策一致（97% 患者治疗方案一致）。

9. 关键概念辨析

  • CT-FFRML vs. CT-FFRCFD：前者用 DNN 端到端学习解剖-功能映射（分钟级、临床现场可用），后者用 3D 求解器（小时级、需现场外计算）。两者 AUC 相当，CT-FFRML 速度优势是临床落地的关键。
  • CT-FFR vs. FFR-CT：HeartFlow 的 FFR-CT 严格按 FDA 510(k) 审批，CT-FFRML（Siemens）目前仅供研究使用——审批与医保是部署的真正瓶颈。
  • 形态-功能不匹配（anatomy-function mismatch）：糖尿病患者尤其常见——狭窄不重但缺血重（微循环障碍），CT-FFRML 正是为这种场景设计。
  • 降阶模型（reduced-order model）：在 1D 简化 Navier-Stokes 上做 CFD 训练，比 3D 求解快数十倍，是 CT-FFRML 训练数据生成的关键。
  • 图像质量依赖性：钙化密集（高 Agatston）→ blooming → 冠脉树分割不准 → CT-FFRML 输入特征不准 → 性能下降。这与"算法越高级越鲁棒"的直觉相悖。

关键结论

  • CT-FFRML 用 28 特征输入 + 4 隐层 DNN 替代传统 CFD 求解，耗时从小时级降到分钟级，临床现场可行 [X12][X13]。
  • MACHINE 多中心注册（351 例 / 525 血管）证明 CT-FFRML per-vessel 准确率 78%、per-patient 85%，分别比 cCTA 单独高 18% 和 14%，并修正 73% 的 cCTA 假阳性 [X16]。
  • 中度狭窄（30–69%）亚组（101 例）AUC 0.79 vs. 0.53，CT-FFRML 在 cCTA 最不确定的灰区收益最大 [X25]。
  • 钙化亚组（314 例）：在 CAC ≥ 400 高分组 AUC 0.85 vs. 0.71，CT-FFRML 比 cCTA 更鲁棒 [X27]。
  • 性别无显著差异（男性 p = 0.007 提升显著，女性 p = 0.12 不显著——样本量限制）[X28]。
  • 糖尿病亚组（75 例）：CT-FFRML 准确率 83%，比 cCTA 单独（58%）提升 25 个百分点——在弥漫性病变 / 微血管障碍患者中 AI 优势最大 [X35]。
  • 预后：CT-FFRML ≤ 0.80 是 MACE 最强独立预测因子（OR 7.78, p = 0.001）[X17]。
  • 治疗决策一致性：CT-FFRML vs. ICA/FFR 在 74 例患者中 97% 决策一致 [X37]。
  • 急性胸痛（triple-rule-out CTA）中 CT-FFRML 可显著提升 CAD 诊断特异性 [X38][X39]。
  • 主要限制：图像质量（钙化、运动伪影）、5% 案例不达标、尚未 FDA 批准、商业化与医保未定 [X40]。

挑战和开放性问题

  • 图像质量物理瓶颈：blooming、噪声、运动伪影从源头上破坏 CCTA 重建，AI 无法解决，需要硬件迭代（光子计数 CT）。
  • 训练数据来源偏差：12,000 个合成冠脉 + 真实数据库的覆盖偏差（种族、性别、年龄）传递到模型。
  • 女性样本不足：Baumann 2019 仅 26.5% 女性，CT-FFRML 在女性中的真实表现仍未充分验证 [X28]。
  • CT-FFRML vs. FFR-CT 的等效性未在大型 RCT 中证明：MACHINE 是注册研究，不是 RCT，且 CT-FFRML 商业化受限于 Siemens 单家供应商。
  • 钙化节段的盲区：高 Agatston 下即使 AI 表现仍弱于无钙化——这不是算法问题而是 CCTA 的物理限制。
  • 微循环功能障碍的患者：CT-FFRML 基于冠脉树模拟，假设微循环正常；CMD 患者（INOCA）会出现 FFR 阴性但仍有缺血——CT-FFRML 难以捕捉。
  • 跨厂商 / 跨扫描仪泛化：当前 cFFR v2.1 仅在 Siemens 双源 CT 训练，迁移到 GE、Philips、Canon 设备的性能未验证。
  • 审批路径未定：FDA / NMPA / CE 标记仍为研究用途，临床计费代码（CPT）不明确。
  • 临床工作流整合：CT-FFRML 需要自动冠脉树分割 + 中心线提取，每一步都可能失败，串联可靠性是工程难题。
  • 多模态融合的潜在价值：CCTA + 灌注 CT + 钙化积分 + 临床数据的多模态联合推理尚未系统研究。
  • 预后 vs. 诊断的证据鸿沟：CT-FFRML 在 MACE 预测上有初步证据（OR 7.78），但大规模前瞻性 RCT 验证尚未完成。

个人反思与批判性分析

  • Siemens cFFR 的封闭生态问题：CT-FFRML 当前仅由 Siemens 提供研究版本，与 HeartFlow 的 FFR-CT 形成"双寡头"。Keya Medical（DeepVessel FFR）[X40] 来自中国——可能成为打破垄断的力量。读者应警惕单一供应商的算法绑定。
  • MACHINE 注册的"自我证明"性质：MACHINE 是 MACHINE consortium 主导的注册研究，Tesche 团队本身深度参与，潜在的利益相关方偏差需要警惕（Disclosures 部分已披露 Tesche 接受 Siemens/HeartFlow 顾问费）。
  • "中度狭窄收益最大"的方法论意义：在重度狭窄（>70%）下 cCTA 本身已能高准确率判断缺血，CT-FFRML 边际收益小；中度狭窄才是临床决策的"灰区"，CT-FFRML 在该区收益最大——这一发现比"AI 提升准确率"本身更有方法论价值。
  • 糖尿病亚组的反向证据价值：Nous 2019 发现 CT-FFRML 在糖尿病患者中提升最显著，这看似"AI 强项"，实质是 cCTA 在弥漫性病变 / 微血管障碍下表现更差（基线低）。这提醒读者：AI 相对基线的优势不等于绝对性能优越。
  • 28 个特征的可解释性红利：相比 CNN 的"黑盒"，CT-FFRML 用 28 个可解释的解剖学特征（血管长度、半径、狭窄位置、分叉角等）作为输入，给临床医生提供了"为什么模型预测 FFR ≤ 0.80"的解释路径。这是值得推荐的工程实践。
  • 与 HeartFlow FFR-CT 的对比缺位：本章未直接对比 CT-FFRML 与 FFR-CT（HeartFlow）的诊断性能。两者的取舍是临床决策核心：FFR-CT 审批更成熟、CT-FFRML 速度更快——这是一个临床支付方真正关心的问题，本章应更明确展开。

重要参考文献

  • [X7] Knuuti J, Wijns W, Saraste A, et al. 2019 ESC guidelines for the diagnosis and management of chronic coronary syndromes. Eur Heart J. 2020;41(3):407-77.
  • [X8] Tesche C, Gray HN. Machine learning and deep neural networks applications in coronary flow assessment: the case of computed tomography fractional flow reserve. J Thorac Imaging. 2020;35 Suppl 1:S66-71.
  • [X12] Itu L, Rapaka S, Passerini T, et al. A machine-learning approach for computation of fractional flow reserve from coronary computed tomography. J Appl Physiol (1985). 2016;121:42-52.
  • [X13] Taylor CA, Fonte TA, Min JK. Computational fluid dynamics applied to cardiac computed tomography for noninvasive quantification of fractional flow reserve: scientific basis. J Am Coll Cardiol. 2013;61:2233-41.
  • [X16] Coenen A, Kim YH, Kruk M, et al. Diagnostic accuracy of a machine-learning approach to coronary CT angiography-based fractional flow reserve: result from the MACHINE consortium. Circ Cardiovasc Imaging. 2018;11:e007217.
  • [X17] von Knebel Doeberitz PL, De Cecco CN, Schoepf UJ, et al. Impact of coronary CT angiography-derived plaque quantification and machine-learning CT fractional flow reserve on adverse cardiac outcome. Am J Cardiol. 2019;124:1340-8.
  • [X18] Tesche C, De Cecco CN, Albrecht MH, et al. Coronary CT angiography-derived fractional flow reserve. Radiology. 2017;285:17-33.
  • [X25] Tang CX, Wang YN, Zhou F, et al. Diagnostic performance of fractional flow reserve derived from coronary CT angiography for detection of lesion-specific ischemia. Eur Radiol. 2019;116:90-7.
  • [X27] Tesche C, Otani K, De Cecco CN, et al. Influence of coronary calcium on diagnostic performance of machine learning CT-FFR: results from MACHINE registry. JACC Cardiovasc Imaging. 2020;13(3):760-70.
  • [X28] Baumann S, Renker M, Schoepf UJ, et al. Gender differences in the diagnostic performance of machine learning coronary CT angiography-derived fractional flow reserve - results from the MACHINE registry. Eur J Radiol. 2019;119:108657.
  • [X35] Nous FMA, Coenen A, Boersma E, et al. Comparison of the diagnostic performance of coronary CT angiography-derived fractional flow reserve in patients with versus without diabetes mellitus (from the MACHINE consortium). Am J Cardiol. 2019;123(4):537-43.
  • [X37] Tesche C, Vliegenthart R, Duguay TM, et al. Coronary CT angiography-derived fractional flow reserve for therapeutic decision making. Am J Cardiol. 2017;120:2121-7.
  • [X38] Martin S, Mastrodicasa D, van Assen M, et al. Value of machine learning-based coronary CT fractional flow reserve applied to triple-rule-out CT angiography in acute chest pain. Radiol Cardiothorac Imaging. 2020;2:e190137.
  • [X39] Eberhard M, Nadarevic T, Cousin A, et al. Machine learning-based CT fractional flow reserve assessment in acute chest pain: first experience. Cardiovasc Diagn Ther. 2020;10(4):820-30.
  • [X40] Tang CX, Liu CY, Lu MJ, et al. CT FFR for ischemia-specific CAD with a new computational fluid dynamics algorithm: a Chinese multicenter study. JACC Cardiovasc Imaging. 2019.
  • [X44] Tesche C, De Cecco CN, Albrecht MH, et al. Coronary CT angiography-derived fractional flow reserve. Radiology. 2017;285(1):17-33.