WASHINGTON — 韩国科学技术院研究团队开发出一种基于人工智能的新方法，可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。由于这些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造成损伤前及时发现。
OCT技术常用于导管介入手术中，例如疏通部分阻塞血管并放置支架以改善血流。尽管OCT能提供血管结构的精细图像，但标准OCT无法显示血管壁成分，而这对评估心脏病风险至关重要。
"含有更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信号中隐藏的波长依赖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。"
研究人员在Optica出版集团期刊《生物医学光学快报》中描述了这种从OCT图像提取光谱信息的新方法，并开发出可直接对血管内OCT图像进行脂质定量自动评估的深度学习模型。该方法无需硬件改造，可直接兼容临床现有OCT系统。
"在冠状动脉介入手术中，该技术能为临床医生提供额外信息以支持风险评估、手术规划和治疗效果评估，"南亨洙指出，"最终它将有助于实现更安全的临床决策、个性化治疗策略以及冠心病患者的长期优化管理。"
提取光谱信息
尽管OCT已用于临床实践，但脂质富集高风险斑块的识别仍高度依赖医师经验。多年来，研究团队一直与高丽大学九老医院金镇元（Jin Won Kim）团队合作，致力于突破传统OCT的局限。
"我们此前已证实光谱OCT能检测动脉粥样硬化斑块中的脂质相关光学特征，"南亨洙说，"本研究通过结合现代深度学习技术大幅提升了检测精度和鲁棒性。"
该方法将OCT图像中的波长依赖信息输入AI模型。不同组织对光的相互作用方式各异——例如脂质、纤维组织和钙化组织对光的吸收反射存在细微差异。AI模型通过学习识别源自脂质富集组织的信号模式，自动标记图像中的可疑区域。
"关键突破在于，不同于许多需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（仅需标注脂质是否存在），"南亨洙强调，"这显著降低了标注负担，使技术更适用于真实临床场景。"
AI预测与组织病理学验证
研究团队利用兔动脉粥样硬化模型的血管内影像数据验证了新方法，将AI预测结果与采用脂质特异性染色的组织病理学结果进行比对，评估其对含脂质斑块图像帧的识别准确率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定位高度吻合，"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，充分利用现有成像中未被重视的微光谱或信号变化特征。"
目前团队正着力提升该技术的处理速度和鲁棒性，以适应实时临床需求。后续计划使用人类冠状动脉数据开展更多验证研究，并探索将其无缝整合至现有临床工作流程的最佳方案。
论文：J. H. Hwang, W. Lee, J. H. Kim, R. H. Kim, D.O. Kang, J. W. Kim, H. Yoo, H. S. Nam, "基于弱监督深度学习网络的光谱光学相干断层扫描自动脂质检测," 《生物医学光学快报》, 17, 1279-1292 (2026).
DOI: 10.1364/BOE.585222
【全文结束】
