AI 助力冠心病诊疗：无创推导瞬时无波比值，性能优于人类医生

为解决冠脉生理学检查的局限性，研究人员开发 AI 模型推导瞬时无波比值（iFR），其性能略胜医生一筹。

　　《AI 助力冠心病诊疗：无创推导瞬时无波比值，性能优于人类医生》

在心血管疾病的诊疗领域，冠心病（Coronary Artery Disease，CAD）一直是威胁人类健康的重要杀手。冠状动脉造影（Coronary Angiography，CAG）作为评估和治疗冠心病的 “金标准”，却有着明显的短板。它在判断冠状动脉狭窄的功能相关性方面存在局限，尤其是面对中等程度血管造影病变时，难以准确评估病变对心脏功能的实际影响。

为了弥补这一缺陷，侵入性冠状动脉生理学检查应运而生。其中，血流储备分数（Fractional Flow Reserve，FFR）和瞬时无波比值（instantaneous Free-Wave Ratio，iFR）是常用的评估指标。FFR 被广泛研究，但 iFR 近年来因其操作简便（无需使用腺苷）、在串联病变及经皮冠状动脉介入治疗（Percutaneous Coronary Intervention，PCI）后生理学预测方面有优势，逐渐受到关注。然而，侵入性冠状动脉生理学检查存在风险，还伴随着高昂的成本，这使得它在临床应用中受到限制，在 PCI 手术中的使用率仅为 3% - 30%。

在此背景下，从冠状动脉造影中无创推导冠状动脉生理学指标的研究显得尤为重要。虽然已有相关数字推导指标问世，但大多存在问题，如需要手动输入、仅关注 FFR、依赖传统计算机方法、部分软件效果不佳等。而人工智能（Artificial Intelligence，AI）在心血管成像领域展现出巨大潜力，却在冠状动脉生理学应用方面尚处于起步阶段。

来自葡萄牙里斯本大学心血管中心等机构的研究人员，为了突破这些困境，开展了一项极具意义的研究。他们致力于开发能够进行二进制 iFR 病变分类的 AI 模型，并将其性能与人类医生进行对比。该研究成果发表在《The International Journal of Cardiovascular Imaging》上。

研究人员采用了一系列先进的技术方法。首先，通过单中心回顾性研究，选取 2017 - 2019 年期间同时接受冠状动脉造影和 iFR 侵入性生理学评估的患者作为研究对象，并根据严格的纳入和排除标准筛选病例。在模型开发方面，利用基于 U - Net 的编码器 - 解码器全卷积神经网络进行 CAG 图像分割，训练出 EfficientUNet++ 与 EfficientNet - B5 编码器结合的高效分割模型。之后，开发了 3 种能进行二进制 iFR 分类的 AI 模型，模型 1 利用自定义脚本预处理的目标血管直径序列，通过 transformer 编码器处理数据；模型 2 和 3 是基于 EfficientNet - B5 的卷积神经网络（Convolutional Neural Networks，CNNs），以单通道血管造影图像及其分割的连接作为输入，模型 3 还采用了类频率加权交叉熵损失来缓解类别不平衡问题。研究人员将表现最佳的模型按目标血管进行统一，形成最终的 AI 模型。同时，邀请 3 位经验丰富的介入心脏病专家，基于原始和分割后的图像对目标病变进行二进制 iFR 分类，用于与 AI 模型对比。

在研究结果部分，研究人员对各项数据进行了详细分析。

• 基线特征：共筛选 334 例患者，最终纳入 223 例患者的 250 次测量数据。患者年龄 68±11 岁，男性占 66.37%。iFR 检查多在慢性情况下进行，左前降支（Left Anterior Descending Artery，LAD）是最常评估的血管（51.6%），多数病变 iFR>0.89，右冠状动脉（Right Coronary Artery，RCA）和回旋支（Circumflex Artery，Cx）的病变多为 iFR 阴性。
• AI 与介入心脏病专家的性能比较：在所有动脉分析中，AI 模型的准确率为 72%，阳性预测值（Positive Predictive Value，PPV）为 48%，阴性预测值（Negative Predictive Value，NPV）为 90%，敏感性为 77%，特异性为 71%。AI 模型的 AUC 为 0.74，高于介入心脏病专家（0.58 - 0.64）。在不同血管分析中，LAD 血管上，AI 模型在准确率、AUC 等指标上略优于介入心脏病专家；RCA 和 Cx 血管上，AI 和专家对 iFR 阴性病变的分类都较好，但 AI 的 NPV 更高，且对阳性病变更敏感。

从研究结论和讨论来看，该研究开发的全自动 AI 模型虽整体性能一般，但在阴性预测值方面表现出色，尤其是在 Cx 和 RCA 血管上，NPV 分别达到 96% 和 97%，这在临床中意义重大，意味着可以在不进行实际生理学测量的情况下终止诊断程序。与介入心脏病专家相比，AI 模型性能总体略胜一筹。不过，该研究也存在局限性，如数据集规模有限，特别是 Cx 和 RCA 血管中 iFR≤0.89 的病例较少；采用 10 折交叉验证存在一定局限性；模型目前只能进行二进制分类，无法精确估计 iFR 值；使用单帧训练与冠状动脉的三维性质不符，且与临床实践中医生的操作方式不同；研究为单中心回顾性研究，需要外部验证等。

尽管如此，这项研究为冠心病的诊疗开辟了新的方向。AI 技术在冠状动脉生理学评估中的应用潜力巨大，有望成为未来冠心病诊断的重要辅助工具，提高诊断效率和准确性，推动心血管疾病诊疗领域的发展。后续研究可通过扩大数据集、改进模型结构等方式，进一步提升 AI 模型的性能，使其早日应用于临床实践，造福更多患者。