基于深度学习的冠状动脉CTA图像斑块特征识别与风险分层研究综述

基于深度学习的冠状动脉CTA图像斑块特征识别与风险分层研究综述冠状动脉粥样硬化性心脏病（冠心病）是全球范围内导致人口死亡的首要病因，其病理核心是冠状动脉壁内斑块的形成、进展与继发性改变。冠状动脉CT血管造影（CTA）作为无创评估冠脉病变的一线影像学手段，可清晰显示冠脉管腔狭窄程度、斑块形态与组分特征，是冠心病早期筛查、风险评估的核心技术。然而传统影像学分析依赖医师人工判读，存在主观性强、定量指标提取效率低、易漏诊易损斑块等局限性，难以满足大规模临床筛查与精准风险分层的需求。深度学习技术的快速发展为突破这一瓶颈提供了全新路径，其在图像特征自动提取、复杂模式识别等方面的优势，为冠脉CTA图像的智能化分析开辟了新方向。一、冠脉CTA图像斑块特征识别的深度学习技术路径深度学习在冠脉CTA斑块识别任务中的应用，首先围绕图像预处理、斑块区域检测、特征量化提取三个核心环节展开技术迭代。在图像预处理阶段，受冠脉走行迂曲、血管直径细小、心脏运动伪影、钙化斑块线束硬化伪影等因素影响，原始CTA图像的信噪比与对比度往往难以满足模型训练需求。现有研究中，常用的预处理技术包括冠脉血管分割、多平面重组（MPR）图像标准化、伪影抑制三类：基于U-Net及其衍生架构的冠脉全自动分割模型已实现95%以上的dice相似系数，可精准从胸部CTA容积数据中提取冠脉树结构；通过曲面重建技术将三维走行的冠脉拉直为标准化二维长轴图像，统一图像分辨率与血管方向，大幅降低模型学习的特征复杂度；生成对抗网络（GAN）类伪影校正模型可有效去除钙化、金属支架相关的线束硬化伪影，将低质量CTA图像的斑块识别准确率提升15%-20%。值得注意的是，预处理环节的标准化程度直接影响模型的跨中心泛化能力，近年来多中心研究队列普遍采用统一的HU值窗宽窗位调整（通常设置为窗宽700-1000HU、窗位100-200HU）、空间重采样（0.5mm×0.5mm×0.5mm体素尺寸）流程，为模型的临床落地奠定了基础。斑块区域检测是特征识别的前提，其核心任务是从冠脉图像中精准定位斑块的空间位置与边界。该领域的技术演进可分为三个阶段：早期研究多采用基于二维卷积神经网络（CNN）的滑动窗口检测方法，对冠脉MPR图像逐像素分类判断是否存在斑块，虽然准确率可达85%左右，但存在计算效率低、易遗漏三维空间上下文信息的缺陷；第二阶段以三维目标检测模型为核心，基于FasterR-CNN、YOLO等架构的改进模型可直接对三维冠脉容积数据进行斑块定位，检测速度提升4-6倍，对直径小于2mm的微小斑块的召回率提升至82%；近年来，Transformer架构在医学图像领域的应用进一步突破了CNN的感受野限制，结合注意力机制的检测模型可捕捉斑块与周围血管壁、管腔的全局空间关联，对非钙化斑块、混合斑块的识别准确率分别达到92.3%和90.7%，显著优于传统CNN模型。目前斑块检测模型的性能瓶颈主要集中在重度钙化斑块的边界精准分割上，受钙化伪影影响，现有模型对钙化斑块负荷的定量测量误差约为10%-15%，仍需进一步优化。在斑块特征量化提取层面，深度学习可实现传统人工测量难以完成的高通量、高维度特征提取。传统影像学仅能定量评估斑块体积、最大狭窄率、钙化积分等少数指标，而深度学习模型可自动提取数百项组学特征，涵盖形态学特征（斑块表面积、不规则度、重构指数）、组分特征（钙化组分占比、脂质核心体积、纤维帽厚度估算）、纹理特征（灰度共生矩阵、小波特征）三大类。针对临床最关注的易损斑块识别任务，研究表明深度学习提取的高维特征对薄纤维帽粥样硬化斑块（TCFA）的诊断AUC可达0.89-0.92，显著优于传统指标的0.76-0.81。特别值得关注的是，深度学习具备挖掘“人眼不可识别”的隐性影像特征的能力，部分研究发现基于卷积神经网络提取的深层特征可预测斑块内的炎症水平、新生血管密度等病理特征，为无创评估斑块生物学活性提供了可能。目前已有商业化工具实现了斑块特征的全自动定量分析，完成单例患者冠脉树的全部特征提取仅需1-2分钟，效率较人工分析提升20倍以上。二、基于斑块特征的冠心病风险分层深度学习模型风险分层的核心目标是基于影像特征预测患者未来发生不良心血管事件（MACE，包括心肌梗死、心源性死亡、不稳定型心绞痛等）的概率，为临床决策提供依据。深度学习技术的介入推动风险分层模型从“单一狭窄程度评估”向“多维度特征融合评估”转变。传统风险分层模型高度依赖管腔狭窄程度，认为狭窄率＞70%的病变需要血运重建，但临床实践中发现约30%的急性冠脉综合征由狭窄率＜50%的易损斑块破裂导致，单一狭窄指标的预测价值存在明显局限。深度学习风险分层模型的核心优势在于可整合多源异质特征，实现更精准的风险预测。现有模型的特征输入主要包括三类：一是前文所述的冠脉斑块影像组学特征，二是患者的临床基线特征（年龄、性别、血压、血脂、糖尿病史等），三是功能学相关特征（血流储备分数CT估算值FFR-CT、心肌灌注缺损程度等）。通过多模态特征融合架构，深度学习模型可自动学习不同特征的权重分配，无需人工预设规则。2022年发表在《柳叶刀·数字医疗》的多中心研究显示，整合影像组学特征与临床特征的深度学习模型，对患者5年MACE事件的预测AUC达到0.87，显著优于传统的ACRappropriatenesscriteria模型（AUC0.75）和单纯基于狭窄程度的评估模型（AUC0.72）。针对不同临床场景的风险分层需求，现有研究形成了三类差异化的模型架构。第一类是斑块层面的风险预测模型，聚焦于评估单个斑块的破裂风险，输入为单个斑块的三维影像特征，输出斑块未来1-2年内发生进展或导致事件的概率，这类模型对指导中度狭窄病变的治疗决策具有重要价值，可帮助临床医师识别需要强化药物治疗的高危无症状斑块；第二类是血管层面的风险分层模型，评估单支冠脉的整体病变负荷与缺血风险，可辅助判断血运重建的靶血管选择；第三类是患者层面的整体风险预测模型，整合全部冠脉的斑块特征与临床信息，输出患者长期心血管事件风险，适用于大规模健康人群的冠心病早筛。2023年我国发布的《冠状动脉CT血管造影人工智能临床应用中国专家共识》明确提出，人工智能风险分层模型可作为中度风险人群的进一步评估工具，降低不必要的有创冠脉造影检查比例。当前风险分层模型的研究热点集中在时序动态特征的整合与可解释性提升两个方向。传统模型多基于单次CTA检查的静态特征进行预测，而斑块的进展速率、特征变化是更重要的风险预测因子。近年来的研究开始探索基于序列CTA影像的动态风险预测模型，通过对比患者间隔6-12个月的两次CTA检查结果，自动量化斑块体积变化、组分演变等动态特征，可将MACE事件预测准确率进一步提升8%-10%。在可解释性方面，由于深度学习“黑箱”特性限制了临床信任度，现有研究通过注意力热力图可视化、SHAP值特征重要性排序等方法，明确模型预测的关键依据，例如显示模型判断高危斑块主要基于脂质核心占比＞30%、正性重构指数＞1.1、点状钙化等特征，与临床认知高度一致，为模型的临床应用扫清了障碍。目前已有部分深度学习风险分层模型获得FDA、NMPA的三类医疗器械认证，开始在临床常规诊疗中推广应用。三、现有研究的局限性与未来发展方向尽管深度学习在冠脉CTA斑块识别与风险分层领域已取得突破性进展，但仍存在三方面核心局限，制约其大规模临床落地。首先是模型泛化能力不足的问题。现有多数模型基于单中心、小样本队列训练，受不同品牌CT设备扫描参数、图像重建算法、人群种族特征差异的影响，模型在跨中心测试时性能往往出现明显下降，部分研究显示跨中心测试时AUC下降幅度可达0.1-0.15。近年来虽然多中心、大样本队列研究逐渐增多，但不同中心的影像标注标准不统一、临床事件随访数据不完善等问题仍然存在，构建覆盖不同设备、不同人群的大规模标注数据集是未来的重要基础工作。联邦学习技术的兴起为解决数据隐私问题、实现多中心联合训练提供了可行路径，无需原始数据跨机构传输即可完成模型迭代，2024年发表的一项覆盖12个国家35家中心的联邦学习研究显示，基于联邦学习训练的斑块识别模型跨中心泛化能力较单中心模型提升18%，展现出良好的应用前景。其次是临床证据体系仍不完善。目前多数研究为回顾性研究，缺乏高质量的前瞻性随机对照试验（RCT）证据证明深度学习模型的应用可实际改善患者临床预后。现有研究主要以病理结果、有创冠脉造影结果作为模型性能的参考标准，而对模型指导临床决策后能否降低不良事件发生率、减少医疗费用等硬终点的评估严重不足。2025年启动的两项国际多中心RCT研究（ARTEMIS研究、DEEP-ROAD研究）正在探索人工智能风险分层模型指导中度狭窄病变诊疗的临床价值，预计2028年公布结果，将为模型的临床推广提供高级别证据。第三是临床工作流整合程度较低。现有多数人工智能分析工具为独立系统，需要医师手动导入CTA图像、手动确认结果，未能与医院现有的影像归档和通信系统（PACS）、电子病历系统（EMR）深度融合，增加了医师的工作负担。未来的发展方向是开发嵌入式的智能化分析模块，在CTA图像完成重建后自动触发分析，将斑块定量分析结果、风险分层报告自动集成至PACS系统中，与常规影像学报告一同呈现给临床医师，实现“无感化”应用。长期来看，该领域的未来发展将呈现三个重要趋势：一是多模态影像融合，将冠脉CTA结构影像与PET分子影像、心肌灌注MRI功能影像等多模态数据整合，实现斑块形态特征与生物学活性的综合评估，进一步提升风险