Многоцентровая оценка интерпретируемого ИИ для диагностики ишемической болезни коронарных артерий по PET-маркерам

Почему важен ИИ для сканирования сердца

Ишемическая болезнь коронарных артерий — накопление бляшек, способных перекрыть кровоток к сердцу — по‑прежнему является одной из ведущих причин инфарктов и смертей во всём мире. Современные методы визуализации, такие как PET/КТ, показывают кровоток, функцию сердца и отложения кальция в артериях, но объём данных может перегрузить даже опытных специалистов. В этом исследовании изучается, как интерпретируемая модель искусственного интеллекта может объединить эти показатели в один удобный для использования балл, который помогает врачам точнее выявлять опасные стенозы — и при этом ясно показывать, какие находки повлияли на решение.

Объединение множества сердечных сигналов в одну картину

При проведении PET/КТ-снимка сердца врачи могут оценить, насколько хорошо кровоснабжается миокард в условиях покоя и нагрузки, насколько эффективно сердечная сократительная функция и сколько кальция — маркера долгосрочного накопления бляшек — присутствует в коронарных артериях. Традиционно клиницисты рассматривают эти параметры по отдельности и затем мысленно объединяют их, чтобы решить, вероятно ли сужение артерий. Такое ментальное объединение сложно и порой непоследовательно, и нет общепринятого способа взвешивать кровоток, перфузионные дефекты и кальциевые показатели вместе. Исследователи поставили задачу создать ИИ‑инструмент, который мог бы объединять десять рутинно доступных измерений со сканирования, а также пол пациента, в одну вероятность наличия значимых стенозов коронарных артерий.

Как проводилось исследование

Команда использовала крупный международный регистр из 17 348 пациентов, которым выполняли PET/КТ сердца. Из этой выборки они сфокусировались на 1 664 пациентах из четырёх центров, у которых не было предшествовавших инфарктов или шунтирования и которые затем прошли инвазивную коронарографию — контрастную рентгенологическую процедуру, служащую стандартом для подтверждения закупорки артерий. Данные одного госпиталя (386 пациентов) использовали для обучения и настройки модели ИИ, а данные остальных трёх центров (1 278 пациентов) были отложены для истинного «внешнего» тестирования. Модель ИИ на основе метода машинного обучения XGBoost использовала десять признаков, полученных со сканирования, включая кровоток при нагрузке, резерв кровотока, размер перфузионных дефектов, автоматически измеренные по КТ кальциевые индексы, сократительную силу и показатель изменения размеров сердца при нагрузке.

Насколько хорошо работал ИИ

В внешней тестовой группе, где примерно у половины пациентов действительно была обструктивная ишемическая болезнь коронарных артерий, модель ИИ явно превзошла как отдельные измерения, так и опытных врачей. По распространённой метрике точности — площади под кривой характеристик рабочего элемента (AUC) — ИИ достиг значения 0,83, по сравнению с 0,80 для экспертных клинических оценок, 0,79 для основного перфузионного показателя, 0,75 для резерва кровотока и 0,69 для кальция в одиночку. Когда исследователи подобрали порог так, чтобы ИИ помечал примерно ту же долю пациентов как «нормальных», что и традиционные пороги, модель выявляла больше пациентов с высоким риском выраженной многососудистой болезни. Её показатели были стабильны у мужчин и женщин, у молодых и пожилых пациентов, а также у людей с ожирением и без него, что говорит о широкой применимости подхода.

Делая логику ИИ видимой

Крупная озабоченность в отношении продвинутых алгоритмов в медицине заключается в том, что они могут вести себя как «чёрные ящики», выдавая прогнозы без объяснений. Чтобы избежать этого, авторы использовали метод SHAP‑анализа, чтобы показать, какие признаки сканирования наиболее сильно влияли на каждое отдельное предсказание. В ходе исследования важнейшими факторами оказались доля миокарда с пониженным кровотоком, общий кальциевый бремя и резерв кровотока. Например, у одного демонстрируемого пациента с резко сниженным кровотоком и ангиографическими признаками высокого риска ИИ назначил высокую вероятность заболевания, в основном за счёт низкого резерва кровотока. У другого пациента с пограничными перфузионными показателями, но нормальным кровотоком и нулевым кальцием, ИИ правильно указал на низкую вероятность болезни, в отличие от более тревожной интерпретации врача. Такие объяснения по случаям могут помочь клиницистам доверять и проверять решения, поддержанные ИИ.

Что это значит для пациентов

Эта работа представляет первую многоцентровую, внешне протестированную систему ИИ, которая объединяет стандартные измерения PET/КТ сердца и автоматизированную кальциевую оценку для диагностики ишемической болезни коронарных артерий. Модель даёт единый, интерпретируемый показатель риска, который часто превосходит точность экспертных читателей, при этом подчёркивая конкретные признаки сканирования, лежащие в основе каждого заключения. Хотя инструмент ещё не одобрен для рутинного клинического применения и требуются дальнейшие проспективные исследования, он указывает на будущее, в котором результаты сердечных исследований суммируются в понятные, персонализированные шкалы риска, помогающие врачам увереннее решать, кому нужно инвазивное обследование или агрессивная терапия, а кто может безопасно от этого воздержаться.

Цитирование: Zhang, W., Kwiecinski, J., Shanbhag, A. et al. Multicenter evaluation of interpretable AI for coronary artery disease diagnosis from PET biomarkers. npj Digit. Med. 9, 154 (2026). https://doi.org/10.1038/s41746-026-02338-6

Ключевые слова: ишемическая болезнь коронарных артерий, кардиальная PET/КТ, искусственный интеллект, оценка кальция, миокардиальный кровоток