整合可解释人工智能进行冠状动脉疾病诊断的多中心评估 - AI与医疗健康

整合可解释人工智能进行冠状动脉疾病诊断的多中心评估(PDF) Multicenter Evaluation of Interpretable AI for Coronary Artery Disease Diagnosis from PET Biomarkers

环球医讯 / AI与医疗健康来源：www.researchgate.net美国 - 英语2025-08-01 11:31:17 - 阅读时长2分钟 - 700字

本研究开发了一种整合PET/CT生物标志物的可解释人工智能模型，通过多中心验证显著提升冠状动脉疾病的诊断准确性，其AUC达0.83，优于经验丰富的医生（0.80）和传统定量指标。模型结合冠状动脉钙化评分、心肌血流储备和灌注缺损等10个参数，实现了自动化且可解释的诊断预测。

研究背景

正电子发射断层扫描(PET)/CT心肌灌注成像(MPI)可提供多种影像生物标志物，但目前尚未能充分整合这些参数进行冠状动脉疾病(CAD)诊断。我们开发了一种人工智能(AI)模型，通过整合关键临床PET MPI参数提升阻塞性CAD诊断准确性。

研究方法

来自17,348例接受心脏PET/CT患者的多中心数据中，筛选出1,664例在180天内接受过有创冠状动脉造影且无CAD病史的患者。使用深度学习从CT衰减校正图提取冠状动脉钙化评分(CAC)，建立XGBoost机器学习模型。模型包含10个临床参数：CAC、负荷/静息左室射血分数、负荷心肌血流(MBF)、心肌血流储备(MFR)、缺血和负荷总灌注缺损(TPD)、暂时性缺血扩张比、压力压力乘积及性别。在三个外部测试中心验证模型性能，采用ROC曲线下面积(AUC)进行评估。

研究结果

训练集(n=386)和外部测试集(n=1,278)的CAD患病率分别为61%和53%。外部验证中，AI模型AUC达0.83（95% CI 0.81-0.85），显著优于经验丰富的医生（0.80，p=0.02）、缺血TPD（0.79，p<0.001）、MFR（0.75，p<0.001）和CAC（0.69，p<0.001）。模型在不同性别、BMI和年龄组表现稳定，主要预测特征为负荷/缺血TPD、CAC和MFR。