识别冠状动脉内富含脂质的斑块对于评估患者心脏病发作风险至关重要。这些脂肪沉积物附着在血管壁上，如果破裂，可能引发不良心血管事件。
目前，医生使用近红外光谱和血管内超声（NIRS-IVUS）来定量评估斑块脂质负荷。光学相干断层扫描（OCT）是另一种在导管手术中使用的血管内成像技术，能够提供微米级分辨率的斑块结构可视化图像。但其诊断准确性受到成像伪影和非脂质斑块成分信号的限制。
韩国研究人员正在开发一种不同的方法：将光谱OCT（S-OCT）的生化特异性与人工智能（AI）相结合。这种组合能够实现自动化的、成分感知的组织表征，并提供可解释且高效标注的脂质成像。
“通过实现高效的脂质筛查和空间解释，（该技术）为下游的脂质负荷评估和临床相关的斑块表征建立了一个可扩展的基础，并有可能用于自动化风险分层，”研究人员在《生物医学光学快报》中解释道。
模型训练与验证
这种AI增强型S-OCT系统利用现有OCT系统，无需硬件修改，其AI模型由韩国科学技术院（KAIST）和韩国大学九老医院多模态成像与治疗诊断实验室的研究人员共同开发。AI模型接收来自OCT图像的波长依赖性信息，通过识别与脂质丰富组织相关的信号模式，自动在图像中高亮显示任何可疑区域。
团队负责人、KAIST的南亨秀与合著者创建了一个数据集来训练AI模型，该数据集包含从五只具有诱导动脉粥样硬化斑块的兔子图像中获取的848个脂质阳性帧和622个非脂质帧。他们手动标注了每个OCT帧以指示脂质存在，并利用通过标准OCT处理获得的复杂校准干涉信号，提取深度分辨的光谱信息用于S-OCT。最后，他们应用了血管区域选择程序，并选择了一个深度范围，以将分析聚焦于可能含有脂质的生物学相关血管区域。
在训练深度学习模型后，研究人员评估了其在脂质分类和脂质相关区域空间定位方面的性能，测试对象包括脂质阳性和非脂质图像帧。他们还进行了组织病理学验证，以对照真实情况验证预测结果，并将训练后的S-OCT模型与同样训练的灰度OCT-only模型的性能进行比较，以评估引入光谱识别带来的优势。
在评估不同光谱区域对脂质检测的相对重要性时，研究人员发现，使用短波长光谱子集（低于1300 nm）训练模型，其脂质定位Dice得分（一种相似性度量）高于使用长波长波段（高于1300 nm）训练的模型。
“这种性能差异表明，网络更多地依赖于短波长区域的光谱特征，因为在该区域，脂质吸收显示出更明显的梯度，”他们写道。“短波长数据的优越性能意味着该模型有效地利用了这种光谱梯度，而不是依赖共享的形态特征，来增强脂质检测。”
研究人员通过成像两只具有动脉粥样硬化斑块的兔子，并将AI生成的预测结果与使用脂质特异性组织染色的组织病理学结果进行比较，验证了他们的方法。所提出的模型准确地将脂质区域定位到与组织学高度对应的空间位置，实现了83.9%的脂质定位Dice得分。
“结果显示，模型具有较强的分类性能，并与病理结果具有良好的空间一致性，”南在一份新闻稿中说。“通过分析隐藏在OCT信号中的波长依赖性信息，并将其与AI结合，我们能够识别血管壁内脂质的存在和分布。”
“在冠状动脉介入治疗期间，这种方法可以为临床医生提供额外的信息，以支持风险评估、手术规划和治疗反应评估，”南强调。“最终，它有可能为更安全的临床决策、更个性化的治疗策略以及改善冠心病患者的长期管理做出贡献。”
该团队目前正在努力提高其方法的处理速度和鲁棒性，使其更适用于实时临床使用，并计划使用人类冠状动脉数据开展验证研究。此外，他们的目标是将数据报告（是否存在脂质斑块）无缝集成到临床工作流程中。
【全文结束】