研究人员开发出一种基于人工智能的新方法，利用光学相干断层扫描（OCT）图像检测冠状动脉内的脂肪沉积物。由于这类脂质富集斑块与心肌梗死等严重心脏事件密切相关，该技术有望帮助医生在危险斑块破裂致损前及时识别。
OCT技术常用于导管介入手术中，例如开通部分阻塞的血管并植入支架以改善血流。尽管OCT能提供血管结构的精细图像，但常规OCT无法揭示血管壁成分，而这对评估心肌梗死风险至关重要。
"含有较多脂质且具有特定分布模式的斑块与重大心脏事件风险高度相关，"韩国科学技术院（Korea Advanced Institute of Science and Technology）研究团队负责人南亨洙（Hyeong Soo Nam）表示，"通过分析OCT信号中隐藏的波长相关性信息并结合人工智能，我们成功识别出血管壁内脂质的存在及分布情况。"
研究团队在《生物医学光学快报》（Biomedical Optics Express）期刊中详细阐述了该方法：从OCT图像中提取光谱信息，并开发出深度学习模型，实现对血管内OCT图像中脂质的定量自动评估。该技术无需硬件改动，可直接适配临床现有OCT系统。
"在冠状动脉介入手术中，此方法能为临床医生提供额外信息，辅助风险评估、手术规划和治疗效果评估，"南亨洙指出，"最终将有助于实现更安全的临床决策、个体化治疗策略以及改善冠心病患者的长期管理。"
提取光谱信息
尽管OCT已应用于临床实践，但识别高风险脂质斑块仍高度依赖医生经验。多年来，研究团队与韩国高丽大学九老医院（Korea University Guro Hospital）金镇元（Jin Won Kim）团队合作，致力于突破传统OCT的局限。
"我们先前已证实光谱OCT可检测动脉粥样硬化斑块中的脂质相关光学特征，"南亨洙说，"本研究通过现代深度学习技术大幅提升了检测准确性和稳健性。"
新方法将OCT图像中的波长相关性信息输入AI模型。其原理在于不同组织与光的相互作用存在差异：脂质、纤维组织和钙化物质对光的吸收与反射方式各有特点。AI模型通过学习识别源自脂质组织的信号特征，自动标记图像中的可疑区域。
"关键突破在于，不同于需要专家逐像素标注脂质区域的传统AI系统——该过程极其耗时且主观——我们的方法仅需简单的帧级标注（仅标明脂质存在与否），"南亨洙强调，"这大幅降低了标注负担，使技术更适用于真实临床场景。"
AI预测与组织病理学验证
研究团队通过兔动脉粥样硬化模型的血管内影像数据验证新方法，将AI预测结果与脂质特异性组织染色的组织病理学结果进行比对，评估其识别脂质斑块图像帧的准确性及解剖区域定位能力。
"结果显示该方法具有优异的分类性能，且与病理发现的空间分布高度吻合，"南亨洙表示，"未来该框架可拓展至其他血管内或光学成像技术领域，用于挖掘未被充分利用的细微光谱特征。"
目前团队正着力提升该技术的处理速度与稳健性，以满足实时临床需求。后续将利用人类冠状动脉数据开展进一步验证，并探索将其无缝整合至现有临床工作流程的最佳方案。
【全文结束】
