第27章：基于人工智能的 CT 衍生血流储备分数（Artificial Intelligence-Based CT-Derived Fractional Flow Reserve (CT-FFR)）

Influence of Gender

作者 V. Brandt 等首先考察了性别对机器学习 CT-FFR（CT-FFRML）诊断性能的影响，引述 Baumann 等人的研究[28]：男性共分析 398 支血管，女性共 127 支血管，由 ML 衍生的 CT-FFR 进行评估。结果显示男性敏感度 0.78、特异度 0.79，女性敏感度 0.75、特异度 0.81；综合汇总的 CT-FFRML 诊断在性别间无显著差异（p = 0.89）。不过 CT-FFRML 相对单纯 cCTA 的增益在性别间并不对称——男性中显示出显著更高的准确度（p = 0.007），女性中则未显示出统计显著的提升（p = 0.12）。作者引用原作者的解释，认为女性组的统计效力受限来自于女性样本的代表性不足（仅 26.5%），因而还不能下定论认为 CT-FFRML 在女性中不具增量价值。

Influence of Diabetes Mellitus

接下来作者关注糖尿病（DM）对 CT-FFR 表现的影响。背景方面，他们指出 DM 的患病率在全球已达流行范围[29, 30]，而冠心病（CAD）是 DM 患者死亡的首要原因，也是其长期预后的主要决定因素之一[34]；机制上涉及血脂异常、高血糖、胰岛素抵抗等代谢因素，以及高血压、肥胖所致的内皮与微血管功能障碍，由此带来更弥漫的动脉粥样硬化与血小板功能异常所致的病理性凝血[31-33]；临床上 DM 患者的心血管死亡风险升高 2–4 倍，心肌梗死后死亡率与 CAD 总预后均更差[34]。

由于 CT-FFR 算法基于"冠脉微血管反应正常"这一假设，DM 患者微血管功能本身受损，可能影响算法性能。Nous 等人[35]遂用 MACHINE 联盟数据比较了 DM 与非 DM 患者中 ML 衍生 CT-FFR 的诊断准确度：75 例 DM 患者共 110 支血管、276 例非 DM 患者共 415 支血管。CT-FFRML 在非 DM 与 DM 患者中的诊断准确度分别为 75% 和 83%（p = 0.088），单纯 cCTA 则分别为 65% 和 58%（p = 0.223）。作者据此得出两点结论：一是 CT-FFRML 在 DM 与非 DM 两组中均能较好地区分病变特异性缺血，二是相对单纯 cCTA，CT-FFRML 在两组中均带来诊断准确度的提升。

Clinical Implications

作者强调，CT-FFRML 在患者管理、预后与临床影响层面的数据目前仍以回顾性、单中心研究为主，需要在大型多中心研究中进一步积累证据[36]。

在预后价值方面，作者引述了与 cCTA 的对照研究[17]：CT-FFRML 不仅对主要不良心血管事件（MACE）表现出更高的预测值，其对狭窄分类本身的判别力也更强——在中位 18.5 个月随访期内，21%（82 例中 18 例）患者发生 MACE；在多变量回归中 CT-FFRML ≤0.80 是最强的预测因子（p = 0.001，比值比 7.78）。Duguay 等人[36]则进一步表明，相对 ICA 上所示的管腔狭窄程度，CT-FFRML 对未来 MACE 的预测具有附加价值。Qiao 等人也确认了 CT-FFRML 相对 cCTA 识别的血流动力学显著冠脉狭窄具有更高的预后价值，并据此主张 CT-FFRML 可改善治疗决策与 ICA 检查效率。

在治疗决策方面，作者回顾了一项回顾性单中心研究[37]，以 ICA + 有创 FFR 为参考标准，比较 cCTA/CT-FFRML 与 ICA/FFR 在治疗策略选择（单纯最佳药物治疗 vs. 血运重建）以及血运重建方式（PCI vs. CABG）上的指导作用。49%（74 例中 36 例）患者在 ICA/FFR 下被识别为血流限制性 CAD；cCTA/CT-FFRML 对该阳性和阴性人群的检出率分别为 97%（36 例中 35 例）与 100%（38 例中 38 例）。治疗适应证的一致性为 97%（36 例中 35 例），最终 99%（74 例中 73 例）的患者被 cCTA/CT-FFRML 正确分类，相应的总体准确度 0.99、敏感度 0.97、特异度 1.0。作者认为这一证据支持 CT-FFRML 在指导治疗决策、特别是减少额外 ICA 流程及其伴随辐射方面的潜力（两个代表性病例分别见 Fig. 27.2 与 Fig. 27.3：61 岁男性与 51 岁女性，均为 LAD >70% 狭窄，CT-FFRML 与有创 FFR 均为 0.72）。

在急诊场景中，作者讨论了急性胸痛（ACP）的鉴别问题。ACP 是急诊最常见的主诉之一，需要在不牺牲敏感度的前提下提高 CAD 显著病变检出的特异度。近期研究表明，在"三排除"CTA（chest-pain CT）中加入 CT-FFR 的现场计算，可提高诊断准确度，对 MACE 与冠脉血运重建需求的预测均优于单纯三排除 CTA[38, 39]。作者据此认为 CT-FFR 在急诊场景中是可行的，并可能提升对 ACP 与显著 CAD 患者的识别特异度。

最后作者强调，这些数据仍需在更大队列的前瞻性随机试验中进一步评估，以最终改善患者预后、生活质量与整体医疗系统的成本效率。

Limitations and Future Outlook

作者明确指出 CT-FFRML 是一项有前景的 CAD 与缺血性心脏病无创评估工具。其本质是一种后处理方法——对 cCTA 图像数据运行 CT-FFRML 软件——因此其性能同样受 cCTA 评估中常见因素的影响。技术层面，主要限制包括：图像噪声、冠脉钙化所致的开花伪影，以及与患者相关的心脏运动伪影。非技术层面，作者强调 CT-FFRML 迄今未上市、亦未获 FDA 批准，仅限研究用途；其费用报销问题需要与医疗提供方与患者进一步讨论；同时也需要更多研究积累该工具在临床中的循证证据。

未来发展方向上，作者强调提高 CT-FFRML 精度将进一步增强其诊断准确度与治疗决策能力；将 CT-FFRML 整合到临床实践中不仅可改善 CAD 的功能学评估，还能通过 cCTA 数据提供更多解剖学与斑块定量信息[8]。截至该章撰写时，CT-FFRML 仍由一家厂商（Siemens Healthineers，Forchheim，德国）以研究目的提供；其他厂商正开始构建类似算法，例如 Keya Medical（北京，中国）的 DeepVessel FFR 应用[40]。

此外，作者指出当前 FFR-CT 算法集中于通过病变冠脉推导无创流场条件，对 cCTA 数据所携带的斑块特征与血管重塑信息（两者都是冠脉血流阻塞与患者预后的强预测因子[41-43]）的利用仍有限，亟需扩展分析[44]。在此背景下，深度 ML 的应用有助于同时分析与评估 cCTA 所提供解剖与功能信息，从而更全面地表征 CAD 严重程度，并改进风险管理、治疗指南与患者预后预测[8, 44-46]。

Conclusion

作者在结论中总结：CT-FFRML 提供了一种新的无创诊断工具，通过将 cCTA 解剖学分析与 ML 功能学分析相结合，可以高精度识别功能性显著的冠脉病变。最新以有创 FFR 为参考标准的验证研究表明，CT-FFRML 具有高诊断准确度，并有望在日常临床实践中发挥作用——其价值在于帮助区分需要血运重建的患者与那些可以安全避免 ICA、从而减少介入并发症的患者。

本章个人批注

本章把 ch26 末尾抛出的"功能学"线索真正落地到一项具体的无创诊断工具——CT-FFRML。它与 ch26（CAD-RADS）的关系是一个清晰的对照：ch26 关注"形态学层面的标准化报告类别"，ch27 关注"功能学层面的无创计算"；两章合起来构成 DeCecco 全书在冠心病 AI 应用部分"形态→功能"的标准递进。

值得注意的是 CT-FFRML 的人群普适性问题。本章引述的 Baumann 2020 与 Nous 2019 两个亚组分析揭示了 ML 衍生工具的共同隐忧：训练样本的人群代表性偏差会直接影响增量价值的统计表现——女性组（26.5% 占比）CT-FFRML vs cCTA 的 p 值仅为 0.12，作者把这个阴性结果归因于统计效力不足而非真正的算法劣势。这与 ch26 中 CAD-RADS 不同亚组 HR 差异的现象一致，提示在所有 AI 心脏影像工具的外部验证阶段，性别、合并症（DM、慢性肾病等）、种族等亚组的表现需要单独报告，而不能仅依赖总体准确度。

另一个值得标记的数字是 Nous 2019 中 DM vs 非 DM 组的诊断准确度：CT-FFRML 在 DM 组反而更高（83% vs 75%）。这一结果与"DM 损伤微血管、可能影响 CT-FFR 假设"的直觉相反，作者给出的解释是 DM 患者冠脉病变更弥漫、更易出现多支病变，因而 cCTA 单纯解剖学评估难度更大、CT-FFRML 的功能学补充价值更显著。这种"输入越难、模型增益越大"的反向关系，对如何在不同人群层级评估 AI 工具的临床效用是一个有意义的范例。

在技术落地层面，作者坦承 CT-FFRML 仍未获 FDA 批准、仅限研究用途——这与 ch26 中 CNN 自动 CAD-RADS 评估的处境类似，提示 DeCecco 全书讨论的 AI 工具大多仍处于"研究有效、临床未到"的阶段。商业化路径由 Siemens Healthineers 主导，国内厂商 Keya Medical 的 DeepVessel FFR 也在追赶，可作为后续观察中美 CT-FFR 监管路径的参照。

与上下章的衔接（一段话）

紧接 ch26 把视角放在面向临床报告的结构化分层系统（CAD-RADS），ch27 把焦点切换到一项具体的功能学 AI 工具——CT-FFRML。这两章共同构成 DeCecco 全书冠心病 AI 主线的"形态→功能"轴：ch26 关心"如何用统一类别把冠脉病变传达给转诊医生并指导下一步处理"，ch27 关心"如何用无创计算评估狭窄背后的血流动力学显著性"。下一章 ch28（基于 AI 的心脏瓣膜评估）则把视野从冠心病这一最常见的应用领域转向瓣膜性心脏病，构成 AI 心脏影像应用的另一个独立分支，与 ch26-ch27 共同形成"冠脉 vs. 瓣膜"两条主线。