Multicenterutvärdering av tolkningsbar AI för diagnostik av kranskärlssjukdom från PET-biomarkörer

Varför hjärtskannings-AI är viktig

Kranskärlssjukdom, den ansamling av plack som kan blockera blodflödet till hjärtat, är fortfarande en ledande orsak till hjärtinfarkt och död världen över. Moderna bilddiagnostiska tester som PET/CT-skanningar kan avslöja blodflöde, hjärtfunktion och kalciumavlagringar i artärerna, men den stora mängden data kan överväldiga även erfarna bedömare. Denna studie undersöker hur en tolkningsbar artificiell intelligens (AI)-modell kan förena dessa delar till en enda, lättanvänd poäng som hjälper läkare att mer exakt upptäcka farliga förträngningar — och tydligt visa vilka fynd som ligger bakom dess beslut.

Att föra många hjärtsignaler till en bild

När patienter genomgår en PET/CT-hjärtscanning kan läkare se hur väl blodet flödar genom hjärtmuskeln i vila och under stress, hur kraftigt hjärtat pumpar, och hur mycket kalcium — en indikator på långsiktig plackansamling — som finns i kranskärlen. Traditionellt tittar kliniker på dessa mått ett och ett för att sedan mentalt väga samman dem och avgöra om artärer sannolikt är förträngda. Denna mentala integration är svår och ibland inkonsekvent, och det finns inget universellt överenskommet sätt att väga blodflöde, perfusionsdefekter och kalciumpoäng tillsammans. Forskarna ville bygga ett AI-verktyg som kunde kombinera tio rutinmässigt tillgängliga skanningsbaserade mätvärden, plus patientens kön, till en enda sannolikhet för att betydande kärlförträngningar föreligger.

Hur studien genomfördes

Teamet använde en stor internationell databas med 17 348 patienter som genomgått PET/CT-hjärtscanning. Ur denna grupp fokuserade de på 1 664 personer från fyra centra som inte haft tidigare hjärtinfarkter eller bypassoperationer och som därefter genomgått invasiv kranskärlsröntgen, det kontrastbaserade röntgentestet som används som standard för att bekräfta tilltäppta artärer. Data från en sjukhusavdelning (386 patienter) användes för att träna och finjustera AI-modellen, medan data från de andra tre sjukhusen (1 278 patienter) hölls ut för verklig ”extern” testning. AI-modellen, baserad på en maskininlärningsteknik kallad XGBoost, använde tio skanningsutvunna egenskaper inklusive blodflöde under stress, reserv för blodflöde, storleken på perfusionsdefekter, kalciumpoäng automatiskt uppmätta från CT-bilder, pumpkraft och ett mått på hur hjärtats storlek förändras under stress.

Hur väl AI:n presterade

I den externa testgruppen, där runt hälften av patienterna verkligen hade obstruktiv kranskärlssjukdom, överträffade AI-modellen tydligt både enskilda mätningar och erfarna läkare. Med en vanligt använd noggrannhetsmetrik kallad area under receiver operating characteristic-kurvan nådde AI 0,83, jämfört med 0,80 för expertskattningar, 0,79 för huvudmåttet på perfusion, 0,75 för blodflödesreserv och 0,69 för kalcium ensamt. När forskarna justerade gränsvärdet så att AI:n klassade ungefär samma andel patienter som ”normal” som traditionella trösklar, fångade AI:n upp fler högriskpatienter med svår flerkärlssjukdom. Dess prestanda var stabil hos män och kvinnor, yngre och äldre patienter samt hos personer med och utan fetma, vilket tyder på att metoden är allmänt tillämplig.

Att göra AI:ns logik synlig

En stor oro med avancerade algoritmer inom medicin är att de kan bete sig som ”svarta lådor” och ge förutsägelser utan förklaringar. För att undvika detta använde författarna en metod kallad SHAP-analys för att visa vilka skanningsfunktioner som mest påverkade varje enskild prediktion. I studien var de viktigaste drivkrafterna mängden hjärtmuskel med nedsatt blodflöde, den totala kalciumbördan och blodflödesreserv. Till exempel, i en framhållen patient med kraftigt nedsatt flöde och högriskfynd vid angiografi tilldelade AI:n en hög sjukdomssannolikhet huvudsakligen driven av dålig flödesreserv. I en annan patient med gränsvärdesmässiga perfusionspoäng men normalt blodflöde och noll kalcium indikerade AI:n korrekt låg sannolikhet för sjukdom, i kontrast till en mer larmande klinisk bedömning. Sådana fall-för-fall-förklaringar kan hjälpa kliniker att lita på och verifiera AI-stödjda beslut.

Vad detta betyder för patienter

Detta arbete presenterar det första multicenter- och externt testade AI-systemet som kombinerar standard PET/CT-hjärtscanningsmätningar och automatiserad kalciumbedömning för att diagnostisera kranskärlssjukdom. Modellen ger en enda, tolkningsbar riskuppskattning som ofta överträffar noggrannheten hos erfarna bedömare samtidigt som den lyfter fram de specifika skanningsfunktionerna bakom varje bedömning. Även om verktyget ännu inte är godkänt för rutinmässig klinisk användning och ytterligare prospektiva studier krävs, pekar det mot en framtid där hjärtbildsresultat sammanfattas i tydliga, personliga riskpoäng som hjälper läkare att mer säkert avgöra vem som behöver invasiv utredning eller aggressiv behandling — och vem som tryggt kan avstå från det.

Citering: 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

Nyckelord: kranskärlssjukdom, hjärt-PET CT, artificiell intelligens, kalciumbedömning, myokardiellt blodflöde