基于 PET 生物标志物用于冠状动脉疾病诊断的可解释 AI 多中心评估

为何心脏影像 AI 至关重要

冠状动脉疾病是动脉斑块堆积并可能阻塞心脏血流的情况，依然是全球心肌梗死和死亡的主要原因之一。现代成像检查如 PET/CT 扫描可以揭示血流、心脏功能以及动脉中的钙化沉积，但大量数据即便对资深读片者也可能造成负担。本研究探讨了一种可解释的人工智能（AI）模型如何将这些信息整合为一个易用的评分，帮助医生更准确地识别危险性阻塞——并清楚显示哪些发现促成了该决策。

将多种心脏信号汇聚为一幅画像

当患者接受 PET/CT 心脏扫描时，医师可以观察心肌在静息与负荷状态下的血流情况、心脏的射血与收缩能力，以及冠状动脉中的钙化量——钙化是长期斑块堆积的指标。传统上，临床医生会逐项评估这些测量值，然后在脑中将它们综合以判断动脉是否可能狭窄。这种心理整合既困难又有时不一致，而且并无普遍认可的规则去权衡血流、灌注缺损和钙化评分。研究者旨在构建一种 AI 工具，能够将十项常规可得的扫描测量值加上患者性别，合成为一个表示存在显著动脉阻塞概率的单一数值。

研究如何开展

团队利用了一个包含 17,348 名接受 PET/CT 心脏扫描的大型国际登记库。从中选择了来自四个中心的 1,664 名患者，这些患者既无既往心梗或搭桥病史，又随后接受了侵入性冠状动脉造影——用于确认血管阻塞的染料 X 光金标准。其中一所医院的数据（386 名患者）用于训练和微调 AI 模型，而来自其余三所医院的数据（1,278 名患者）则保留用于真正的“外部”测试。该 AI 模型基于一种称为 XGBoost 的机器学习技术，使用十项来自扫描的特征，包括受压状态下的血流、血流储备、灌注缺损的大小、从 CT 图像自动测得的钙化评分、泵功能强度，以及心脏在负荷下尺寸变化的度量。

AI 的表现如何

在外部测试组中，大约一半患者确实存在梗阻性冠状动脉疾病，AI 模型明显优于单一测量指标和有经验的医师。使用常见的准确性指标——受试者工作特征曲线下面积（AUC），AI 达到 0.83，而专家临床评分为 0.80，主要灌注指标为 0.79，血流储备为 0.75，单独钙化为 0.69。当研究者调整阈值以便 AI 标记“正常”的患者比例与传统阈值大体相当时，AI 能发现更多具有严重多血管病变的高危患者。其性能在男性与女性、年轻与年长患者以及有无肥胖者中均保持稳定，提示该方法具有广泛适用性。

让 AI 的推理可见

医学中对高级算法的一个主要担忧是它们可能表现为“黑箱”，给出预测却缺乏解释。为避免这一点，作者采用了一种称为 SHAP 的分析技术，展示了哪些扫描特征在每次个体预测中起了主要作用。在整个研究中，影响最大的驱动因子是存在灌注减少的心肌面积、总体钙化负荷和血流储备。例如，在一例示范患者中，严重降低的血流与高危造影发现，使 AI 主要由差的血流储备驱动，给出高疾病概率。另一个患者灌注评分边缘但血流正常且钙化为零，AI 正确给出低疾病可能性，而当时的医生读片反而更为警觉。这类逐例的解释能够帮助临床医师信任并核查 AI 支持下的决策。

这对患者意味着什么

这项工作介绍了首个多中心、经过外部验证的 AI 系统，该系统将标准 PET/CT 心脏扫描测量与自动钙化评分结合起来用于诊断冠状动脉疾病。该模型提供了一个可解释且单一的风险估计，经常超越专家读片的准确性，同时指出每一判断背后的具体扫描特征。尽管该工具尚未获准用于常规临床并且仍需进一步的前瞻性研究，但它指向了这样一个未来：心脏影像结果被汇总为清晰、个性化的风险评分，帮助医生更自信地决定谁需要侵入性检查或积极治疗——以及谁可以安全避免这些操作。

引用: 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

关键词: 冠状动脉疾病, 心脏 PET CT, 人工智能, 钙化评分, 心肌血流