第25章：基于人工智能的冠状动脉粥样硬化斑块评估（Artificial Intelligence-Based Evaluation of Coronary Atherosclerotic Plaques）

Machine Learning for Plaque Progression and Ischemia Risk Prediction

本章承接前文关于冠脉 CT 血管成像（CCTA）图像后处理与自动斑块检测的论述，把视角从"如何识别斑块"推进到"如何用斑块数据预测临床事件"。作者指出，机器学习（ML）框架已能在两个层面发挥作用：一是预测斑块随时间的快速进展，二是预测特定病变的功能学意义——即是否真正引起心肌缺血。

在斑块进展预测方面，Han 等人基于 PARADIGM 注册研究的患者（接受了中位 3.3 年的连续 CCTA 随访）训练了一个 LogitBoost 模型。该模型把基线临床变量、定性斑块参数与定量斑块参数三类特征整合在一起，结果对快速斑块进展患者的辨别能力（AUC 0.83）显著优于仅用临床变量加定性斑块参数的简化模型（AUC 0.73），更远远优于传统的动脉粥样硬化性心血管病（ASCVD）风险评分（AUC 0.60，所有 p < 0.001）。在三类输入特征中，定量斑块特征提供的信息增益最高，其后依次是定性斑块特征和临床变量。具体而言，斑块体积百分比（PAV）、总斑块体积与纤维性斑块体积是信息增益排名前三的定量特征——这一排序表明 ML 模型对斑块"数量"而非单纯"形态"的依赖。

在功能学预测方面，作者把当前参考标准定为有创血流储备分数（FFR），阈值 ≤0.80 与不良心脏事件有明确关联。Dey 等人在 NXT（Analysis of Coronary Blood Flow Using CT Angiography: Next Steps）试验的子研究中，把 CCTA 衍生的定量斑块指标输入 ML 模型，逐支血管计算一个"缺血风险评分"（即预测有创 FFR ≤0.80 的概率）。该评分（AUC 0.84）显著优于单纯的狭窄程度（AUC 0.76，p = 0.005）和临床 CAD 验前概率（AUC 0.63，p < 0.001）。信息增益排名前两位的斑块特征是非钙化斑块（NCP）体积和低密度非钙化斑块（LD-NCP，<30 HU）体积——这与 LD-NCP 既往被关联到斑块易损性的临床假说一致。在随后的多中心研究中，该缺血风险评分独立于传统危险因素和阻塞性 CAD 预测早期血运重建，并在临床数据加狭窄程度之上提供增量价值。同样的思路被延伸到下游冠脉微循环功能障碍：Dey 等人用 LogitBoost 整合定量斑块负荷、狭窄程度与 CT 衍生的心肌质量，对 13N-氨水正电子发射断层（PET）测得的局部心肌血流储备受损进行预测，AUC 0.83，相比单纯狭窄程度的 AUC 0.66（p = 0.005）有明显提升。

Coronary Plaque Radiomics

作者接下来指出冠状动脉粥样硬化斑块由不同组织学组分构成、在 CCTA 上表现为不同衰减值，因此可以做到在体的定性、定量形态学评估。但视觉评估高危斑块特征存在显著的观察者间差异，定量评估又仅基于体素的绝对衰减值而忽略了体素之间复杂的空间关系。影像组学（radiomics）正是在这一缺口上提供了客观、数学化的描述手段，把纹理特征与几何特征纳入分析。Kolossváry 等人用影像组学方法识别 CCTA 上的"餐巾环征"（napkin-ring sign），对 4440 个影像组学特征筛选后有 418 个（9.4%）表现出高诊断准确度（AUC >0.80），显著优于按病灶测得的斑块负荷（AUC 0.71）和斑块平均衰减值（AUC 0.75；所有 p < 0.05）。同一团队的另一项研究证明，影像组学分析在识别 IVUS 验证的易损斑块方面优于当前可用的定性、定量参数。

Conclusions and Future Perspectives

作者在结尾展望 CCTA 将在不久的将来成为非侵入性评估 CAD 的主导一线检查。在此前提下，本章系统阐述了 AI 算法如何在 CCTA 图像上自动检测并表征斑块、定量解剖学狭窄程度；如何把常规斑块参数纳入 ML 模型做心血管风险预测；以及影像组学与 AI 的结合如何有望催生新的易损斑块影像生物标志物。当前半自动软件已经能定量评估斑块特征，但流程耗时且需要相当多的人工阅片投入；不久的将来，基于 AI 图像分割的全自动冠脉斑块形态学定量有望成为现实。

作者进一步指出，其他破坏性技术——双能 CT 与光谱 CT——将提升冠脉粥样硬化斑块的表征能力。相比单能 CT，双能 CT 能改善脂质与纤维斑块组分的区分，使衰减范围的重叠最小化；基于光子计数的光谱 CT 则能通过生成对比剂浓度和光子衰减差异图谱，准确分辨不同的斑块组分。最后，把斑块影像组学特征与患者的基因组学、蛋白质组学、代谢组学数据借助 ML 整合，将催生面向心血管表型与风险预测的综合模型；CCTA 的终极目标之一就是为个性化医疗提供斑块的精准影像。

本章个人批注

本章是 DeCecco 全书中"AI 应用"主线最具体的一章之一，把 ML 与影像组学两条技术路径在冠脉斑块评估上落到了一组具体的临床终点上：斑块进展预测、功能学缺血预测、影像组学易损斑块识别。作者用 Han 2020 的 PARADIGM 数据把"定量 > 定性 > 临床"的特征等级说得很清楚，对我自己做特征排序设计是个有用的范式。影像组学那段把餐巾环征这种"形态学概念"量化为 4440 维特征中的 9.4% 高 AUC 子集，提示影像组学研究的真实价值在于发现超越常规阈值的人工定义模式——这是阅片者视觉系统天然捕捉不到的尺度。结尾把双能/光子计数 CT 与组学-基因组学融合列为方向，但没有给出定量预期，留作开放问题。

与上下章的衔接（一段话）

紧接 ch24 冠脉钙化评分（关注的是钙化这一具体表型），ch25 把视野扩展到整条斑块谱系——包括非钙化与混合斑块，并把焦点从"评分/分层"切换到"事件预测"，即 ML 如何把斑块数据转换为对未来心血管事件的概率估计。下一章 ch26 接着讨论 CAD-RADS——一种面向临床报告的结构化分层系统，与本章侧重"个体化预测"形成对照：ch25 关心"这位患者未来风险有多大"，ch26 关心"如何用统一类别把这种风险传达给转诊医生并指导下一步处理"。两者共同构成了"个体精准预测 → 群体可执行报告"这一闭环。