人工智能在冠心病诊断中的应用进展总结2026

人工智能在冠心病诊断中的应用进展总结2026冠状动脉粥样硬化性心脏病（简称“冠心病”）是目前全球造成死亡、致残负担最重的心血管疾病之一，其根本的病理基础为动脉粥样硬化所致管腔狭窄或急性闭塞，进而发生心肌缺血、缺氧甚至不可逆坏死。据全球疾病负担研究估计，2021年全球冠心病患者约2.54亿，相关死亡约899万，占当年心血管疾病死亡的46.2%［1］。我国心血管疾病负担持续加重，冠心病所致死亡在城乡居民死因构成中长期居于前列——农村与城市地区分别为48.98%和47.35%，在人口老龄化加速、多种危险因素叠加的背景下，疾病防控压力进一步加大［2］。心电图、超声心动图和冠状动脉造影等仍是冠心病诊断的主流手段，但由于患者临床表现各异、不同医生操作经验不同，故其判读结果的准确性及一致性尚难保证［3-5］。部分老年患者症状隐匿，常以乏力、气促、腹部不适等非典型形式呈现，为早期识别和风险分层增加难度［6-7］。此外，冠状动脉造影及血流储备分数（fractionalflowreserve，FFR）等功能学评估存在着检查费用高、技术要求高等难题。当前，我国心血管事件防治已有长足进步，但医疗资源仍高度集中于大城市及大型三级医院，基层医疗机构在人员配备、检查配置上均有明显短板，因而开发更准确、更快捷、更普及的诊断策略迫在眉睫［8］。针对传统诊断依赖症状和医生经验以及基层医疗机构相对薄弱的弊端，人工智能（artificialintelligence，AI）有望提供行之有效的解决思路。依托机器学习和深度学习技术对心电图、冠状动脉CT血管成像（coronaryarterycomputedtomographyangiography，CCTA）、心脏磁共振（cardiacmagneticresonance，CMR）成像等多源大规模数据进行自动化、定量化整合分析，能提高冠心病诊断的准确性与可重复性，达到早发现、早识别以及降低成本的目的。多项研究表明，AI诊断模型判别准确度已接近甚至达到临床专家水平，有望在基层机构推广应用［9］。随着相关技术日益成熟，AI在冠心病诊断中的应用场景逐渐清晰。本文就其在冠心病诊断中的应用和进展做出讨论。

1

机器学习与深度学习的基本原理机器学习和深度学习构成了AI领域基本内核，二者在冠心病诊断中的应用前景广阔［10］。作为一种使计算机能够从数据中自动学习并进行预测的技术，机器学习旨在完成从数据中学习映射或规则来分类、回归或排序等任务；深度学习作为机器学习的一个分支，更倚重多层神经网络，将表征学习及非线性建模作为主要研究方向。从学习范式来看，机器学习可进一步分为监督学习、无监督学习和强化学习。监督学习通过训练标记样本得到最优模型，然后利用该模型将所有输入映射到它们对应的输出，并对输出进行简单判断来实现分类，是当前冠心病诊断相关研究中应用最广泛的方式，如基于心电图或CCTA图像识别是否存在缺血性改变、预测有无功能学显著狭窄以及发生主要不良心血管事件（majoradversecardiovascularevents，MACE）的风险等［11］。无监督学习在未标注的大规模数据中进行聚类、降维与异常检测，在冠心病领域可用于从复杂影像和多模态临床特征中挖掘潜在表型或风险分层模式。强化学习可以看作是监督学习和无监督学习的结合，三者各有侧重［12］。就具体算法而言，支持向量机（SVM）、随机森林（RF）、极端梯度提升（XGBoost）等传统机器学习方法多用于样本量中等且特征工程（如临床变量、常规量化指标）充分的场景。深度学习则更适合多层神经网络从原始影像或心电信号中自动提取特征，增强模型的预测能力。

2

AI增强心电图在冠心病领域中的应用AI增强心电图（artificialintelligence-enabledelectrocardiogram，AI-ECG）通过对标准心电信号的高维表征学习，从细微波形及时空特征中提取到与心肌缺血、心肌损伤或心电重构等相关的信息，从而实现对冠心病早期识别，为改善预后提供支持。AI-ECG模型能从大量心电图数据中可靠、充分地提取常规分析难以发现的微弱异常信号，因此其在隐匿性冠心病筛查及普通人群风险评估中具有良好的应用前景。Kany等［13］建立的AI模型经764670例心电图数据训练后，在若干独立测试集上均表现稳定［受试者工作特征曲线下面积（areaunderthecurve，AUC）最高为0.782］，表明其在临床筛查和患者分流中具有潜在价值。对于症状不典型或老年患者等高风险人群，AI-ECG能够在标准心电图基础上进一步补充风险提示信息，提高早期识别效率，也有效降低单纯凭症状判断或人工阅图时的漏诊风险［14-15］。急性冠脉综合征（acutecoronarysyndrome，ACS）是心血管领域最危险、最紧急的临床情况之一，延误识别可导致猝死等严重后果。研究证实，AI-ECG对ACS的早期诊断及闭塞型心肌梗死判定有很大的帮助。Herman等［16］以国际数据库的10543例疑似ACS患者的18616份心电图训练并验证了相关模型，成功在ACS患者中准确地识别重度闭塞的冠状动脉，所得AUC为0.938，准确率90.9%，与心电图专家判别准确率（90.8%）几乎一致。韩国ROMIAE（Rule-OutacuteMyocardialInfarctionusingArtificialintelligenceElectrocardiogramanalysis）多中心前瞻性队列研究结果表明，对症状起始24h内的疑似急性心肌梗死人群进行验证，AI-ECG的AUC为0.878，与HEART评分（AUC=0.877）相当；且在预测30d内MACE方面同样准确（AUC=0.866），几乎与HEART评分（AUC=0.858）持平［11］。这些结果提示，在急诊流程中引入AI-ECG能切实提高ACS，尤其是闭塞型心肌梗死识别的及时性和准确性，也由此更有利于指导早期再灌注决策。AI-ECG模型在致死性冠心病风险预测中已表现出十分优异的性能。Butler等［17］构建的基于单导联心电图的深度学习模型与临床心电图有良好的一致性。在外部验证的冠心病致死事件发生风险预测中所得的AUC为0.85，略高于12导联心电图（AUC=0.84），显示该模型在简化条件下即具有接近12导联心电图-AI模型的分层能力。有利于医生快速识别高风险患者，适合远程监测及可穿戴设备的数据分析，用以对高危患者进行持续随访及动态风险管理。AI-ECG的优势十分明确，它能很好地识别隐匿、非典型的电生理表型，所获风险指标连续化、概率化，因而有利于与现有评分系统HEART接轨，又具有良好的可扩展性及临床可操作性。AI-ECG在数据质量、模型可解释性与外部验证的完善后，将成为冠心病早期筛查与动态风险评测的良好工具。

3

CCTA中的AI应用CCTA在冠心病诊断中主要是用来显示冠状动脉解剖结构、评价斑块及狭窄程度，还可提供功能学信息，AI技术的应用已使CCTA在图像质量及重建速度、冠状动脉钙化（coronaryarterycalcification，CAC）及斑块定量、非侵入性功能学评估等方面取得显著提升。AI对CCTA去噪与图像重建方面的改进，极大提升了图像质量与处理速度。过去几年，深度学习算法使自动化图像处理成为现实，它还能有效抑制噪声、强化血管边界和凸显斑块细节。深度学习重建算法在CCTA图像上能切实提高信噪比及对比噪声比，在高噪声图像的处理中优势尤甚［18-19］。配合自动相位选择、运动校正算法，能在更短时间内获得诊断所必需的高质量图像，从而大幅缩短了手动处理时间［20］。故而使CCTA对冠心病早期识别的效率、准确性均得到提升。AI对CCTA的CAC评分及斑块识别也具有重要作用。传统CAC评分需要工作人员在非增强冠状动脉钙化积分CT（non-contrastcoronarycalcium-scoringCT，CSCT）上逐层勾画，故耗时长且易受观察者差异影响。Wolterink等［21］提出基于“配对卷积神经网络”的自动化CCTA-CAC流程，可在对比增强的CCTA上直接进行钙化灶检测与计分，在测试集上已经取得较高的检出率（敏感度约71%），且与CSCT参考方法的一致性良好，提示部分患者无须额外行CSCT，也降低了其辐射暴露。之后有研究以基于CCTA的人工CAC评分为参照，验证了深度学习辅助的CCTA-CAC方法在无须工作人员逐灶勾画的情形下仍有较高的敏感度和特异度，总体诊断准确率超过90%［22］。因此，目前基于AI的CAC及斑块定量工具极有可能成为冠心病风险分层中更客观、可靠的指标。此外，CT衍生血流储备分数（CT-fractionalflowreserve，CT-FFR）可在非侵入条件下可靠、客观地评价斑块是否引起血流受限，因此是冠心病诊断中良好的补充手段［23-24］。近年来AI技术迅猛发展，CT-FFR的计算效率及准确性已有很大提高，机器学习方法能优化其预测建模，增强在不同临床实践中的应用性能［25］。目前已有充分证据支持CT-FFR在功能性狭窄诊断方面的能力优于传统方法，尤其对高风险患者能切实提高诊断准确性［26-27］，从而有利于临床做出更准确的干预决策［28］。AI在CCTA中的应用覆盖了图像获取与重建、CAC及斑块定量，以及CT-FFR功能学评估环节，显著提升了冠心病诊断的准确性。

4

CMR中的AI应用CMR是评价心脏形态、心功能、心肌灌注及组织特征的理想成像方法，在冠心病领域主要应用于心功能评价、心肌缺血及瘢痕检测，以及心肌梗死及其后遗症的综合评估。随着AI技术的发展，CMR在图像采集加速、自动化后处理和定量分析等方面均已有较大改进，因此也成为冠心病多维度量化表征的理想工具。由于传统心功能评估需要人工逐层勾画心内、外膜，过程耗时较长且受操作者主观影响。基于深度学习的心腔分割算法可快速完成心室分割，计算左心室舒张末容积、收缩末容积和射血分数等参数，且其测量结果与人工评估高度一致［29］。因此，这类AI工具有利于对冠心病患者心功能做标准化、批量化评估，也利于基线评价及随访管理。在心肌瘢痕与纤维化定量分析中，延迟强化（lategadoliniumenhancement，LGE）及T1/T2mapping等CMR技术已被用来识别心肌坏死或纤维化并做“存活性评估”［30-31］，故对心肌坏死、瘢痕及弥漫纤维化均较敏感。但LGE需要静脉注射钆基对比剂，因此扫描时间延长，且在钆剂过敏人群中有明确禁忌。基于深度学习的虚拟原生增强（VNE）技术可产生类似LGE图像，在既往心肌梗死患者中与传统LGE在瘢痕范围、分布上高度一致，且图像质量更佳，有望减少钆剂使用、缩短扫描时间、提高诊断效率［32］。AI结合多序列CMR（功能成像、灌注成像及LGE等）进行特征融合，已被很好地应用于区分急性与陈旧性心肌梗死，评价可存活心肌比例、左心室重构情况，甚至预测室性心律失常等不良事件风险［33-34］。部分研究显示，基于AI的CMR定量指标在预测MACE方面，较单一人工测量有更优的判别能力［35］，因此其在个体化治疗及长期随访中具有较好的临床价值。

5

冠状动脉造影中的AI应用经导管冠状动脉造影对狭窄严重程度的判定传统上以视觉分析为基础，需由经验丰富的术者阅片，因此不可避免地受术者主观因素的影响。既往研究显示，观察者间变异率为15%～45%，且与操作者经验直接相关［36-37］。故引入深度学习对冠状动脉造影图像进行血管分割与量化。Yang等［38］在3302幅冠状动脉造影图像上用U-Net模型完成主要血管分割，所得平均F1分数（即阳性预测值和敏感度的调和平均值）约0.917，且处理接近实时。在定量分析层面，AI在图像上可同时产生病变面积、最小管径、狭窄率等多个参数，并给出风险评分。Liu等［39］提出的全自动AI辅助定量冠状动脉造影（quantitativecoronaryangiography，QCA）流程可完成血管及分支分割、血管树构建、血管直径和狭窄检测。使用超过1.3万幅造影图像训练及验证，其狭窄定量与专家QCA保持良好一致性（Pearson相关分析r=0.765，r为与参照标准的线性相关系数），并将人工单例分析时间由约20min缩短至约8s，效率、可靠性两方面均得到较大提高。来自韩国的一项研究证实了基于AI的定量分析（AI-QCA）与传统QCA相当，AI-QCA能准确、可靠地定量分析主要冠状动脉血管中的多处病变，所得结果相当于手动QCA，且有实时分析、工作量低的特点［40］。因此，在日常介入实践中的推广应用潜力十分明显。基于多视角造影的自动分割及分叉地标识别方法能很好地实现冠状动脉三维重建中真实解剖形态的准确还原，故与狭窄检测、虚拟FFR计算形成合理的联动，也便于在导管室中对解剖学狭窄及其功能学显著性做出一体化判定。Ploscaru等［41］所报道的深度学习+云平台流程即是该思路的研究方案，在常规造影序列上完成各步骤后，直接在同一报告中给出（含术后）虚拟FFR及壁面切应力等诊断性量化指标，为复杂病变客观表征提供了探索方向。有关功能学诊断的证据已有报道。Roguin等［42］在人群中以导丝FFR≤0.80为参照，采用全自动算法从造影序列重建血管几何并计算AI-FFR，其敏感度达到88%，特异度93%，AUC为0.91。该研究论证了结合AI算法的新策略在导管室无需压力导丝及诱发充血即可获得可靠的功能学评估。Liu等［43］在复杂病变中给出了良好的示范，即用卷积神经网络从冠状动脉造影图像中直接、准确地识别慢性完全闭塞（chronictotalocclusion，CTO）及若干形态学特征（近端帽形态、闭塞长度等），所用数据集包含1615例患者用于训练，294例用于验证，150例用于测试，所得模型对CTO形态分类的敏感度达94.5%，特异度89.1%，证实其是CTO诊断性表征及分层的良好工具。AI在冠状动脉造影中的应用贯穿了狭窄程度的客观定量、三维几何重建、造影衍生FFR等功能学评估，以及复杂病变的形态学表征，因此其能提高诊断效率及一致性，也有利于辅助制定介入策略、评估预后。

6

冠心病诊断模型构建中的AI应用：在建立冠心病诊断AI模型之前应进行必要的数据收集和预处理。常见的可用数据来自门诊或住院患者的临床资料、影像（如CCTA）、心电图等。在明确合理的纳入、排除标准基础上严格进行数据质控处理：先去重，再填补缺失值，处理异常值，数据标准化，最后根据需要进行特征选择。这些措施互为补充，有利于提高训练数据的代表性及稳健性，也更利于之后建模及外部泛化。特征提取与特征选择很大程度上决定着模型的可解释性与性能上限。以影像学为例，算法可从CCTA中自动提取管腔几何、狭窄程度、斑块体积或成分等定量表型。Kelm等［44］所提出的随机森林机器学习算法能自动、可靠地估计管腔横截面积并检测阻塞率（>50%）狭窄，其敏感度达95%，特异度为67%，单例平均处理时间仅1.8s；Lin等［45］所开发的国际多中心数据训练并严格外部验证的深度学习斑块定量系统，平均耗时5.65s/例即完成斑块体积及狭窄严重度测量，较专家人工判读的速度快很多（约25.66min/例）。更重要的是，基于机器学习的特征选择方法（如相关性及稳定性筛查、稀疏化、重要度排序）本身即有较好的降维、防止过拟合的作用。Zhu等［46］用机器学习方法筛选出9项有生物学意义的特征，与常规CCTA指标共同构建“联合模型”，与单纯使用传统特征的模型相比，在测试集上AUC从0.637提高到0.726（P=0.045），证实了合理的特征选择能带来实质性的性能提升。在实际应用中人们常将相关性分析、重采样稳定性分析、随机森林重要度估计多种方法结合起来，挑选最具代表性的特征，既降低模型复杂度，又切实增强其泛化能力。模型开发一般遵循“训练-验证-测试”流程。训练时先对清洗后的数据划分训练集和验证集，再用适当算法进行模型训练［47］。验证时用交叉验证等方法客观地评价模型表现并防止过拟合，最后在独立测试集上严格检验模型的实际性能，由此考察其临床适用性。若条件允许，宜主动进行外部验证（跨中心、跨设备等），系统考察模型的可迁移性及稳定性。近期冠心病AI模型的临床转化已有几项非常突出、设计严谨的大规模队列研究：Chen等［48］构建了基于CCTA的冠状动脉斑块放射组学特征评分，在约300例冠心病患者中开发模型，继而在700余例疑似冠心病患者的前瞻性队列中予以验证，结果清楚、有力地表明所提出的放射组学评分在识别易损斑块方面有较好的判别能力（多队列AUC均≥0.75），且高评分与3年内MACE风险独立、明确相关（HR≈2.0）；Zou等［49］则在高血压合并冠心病患者中整合多种特征建立多模态预测模型，对2年内MACE的预测AUC可达约0.78～0.88，明显优于单纯临床或单一影像模型。依循上述路径，可构建高效、可解释且贴合临床流程的冠心病诊断AI模型。

7

AI技术面临的挑战与发展瓶颈在冠心病领域AI临床转化的进程受