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。
研究结论
整合灌注、血流和CAC评分的人工智能模型显著提升了PET MPI的诊断准确性，为CAD诊断提供了自动化且可解释的预测方案。该模型在多中心验证中展现出强大泛化能力，尤其在识别高风险患者方面优于传统方法。
【全文结束】
