作者：蒙古医科大学附属医院影像诊断科（白小龙、郭欢萱、田晓燕、李振鑫、冉云龙、金凤）；复旦大学附属中山医院放射科（刘立恒）；内蒙古医科大学基础医学院（张驰昊）；

动脉粥样硬化(atherosclerosis)是一种慢性进行性疾病，其发展过程涉及多种生物学和病理学过程。斑块的形成和进展是动脉粥样硬化的核心过程，它可以导致血管狭窄、血栓形成和心血管事件的发生。动脉粥样硬化斑块的评估主要依赖于影像学技术，如超声、CT 和MRI 等。然而，这些技术无法提供详细的斑块组织特征和功能信息。

随着人工智能(AI)技术的快速发展，AI 成为了研究动脉粥样硬化性心血管疾病(atherosclerotic cardiovascular disease，ASCVD)的新兴领域。大量研究人员利用机器学习(ML)和AI 等技术，开发了多种算法和模型，用于斑块的自动分割、特征提取和预测，辅助医师进行动脉粥样硬化疾病的早期诊断。

此外，AI 还可以用于预测ASCVD 的发展风险和预后评估，协助临床决策并促进精准医学的发展，为个体化治疗提供重要依据。在本综述中，提供了AI 技术在ASCVD 应用方面的最新进展，并概述了AI 在冠状动脉疾病(coronary artery disease，CAD)、外周动脉疾病(peripheral arterial disease，PAD)、腹主动脉瘤(abdominal aortic aneurysm，AAA)和颈动脉疾病领域的临床应用。

1.AI 在动脉粥样硬化疾病中的应用

1.1 CAD

AI 应用于冠状动脉狭窄自动化识别及冠状动脉钙化(CAC)积分自动化测量。心脏计算机断层扫描血管成像(cardiac computed tomography angiography，CCTA)是一种被广泛使用的无创诊断冠状动脉疾病的方法。Winkel 等使用深度学习(DL)软件在一项多中心研究中发现，与人工读片相比，在血管分析中获得CAC 值的准确率为93%，并且在没有钙的情况下被发现具有敏感度、特异度和准确率分别为97%、93% 和95%。

Yoneyama 等开发了一种神经网络，用于从CCTA 图像中检测冠状动脉狭窄，这些图像在单光子发射CT 上引起灌注缺陷，取得了与医师专家相当的结果。AI 应用于动脉粥样硬化斑块表征和高风险特征检测。

Choi 等提出了一种AI 算法来评估血管形态和狭窄程度，并将新模型与3 位专家读者的共识进行了比较，其AI 模型在检测狭窄程度方面取得了出色的表现，AI 诊断> 70% 狭窄的准确率、敏感度、特异度、阳性预测值和阴性预测值分别为99.7%、90.9%、99.8%、93.3%和99.9%，专家读者和AI之间具有极好的一致性。

AI 检测和量化高风险斑块特征的频率高于专家读者(分别为21.1% 和13.4%)。Masuda等使用具有直方图分析的ML 算法来识别纤维、脂肪或纤维脂肪斑块，其准确率为92%，而传统CT 方法的准确率为83%。ML 还可用于自动识别冠状动脉斑块中的高风险特征，例如餐巾环标志。

AI 技术应用于CCTA 冠状动脉狭窄的功能评估。ML 算法可以自动评估从CT 图像衍生的功能指标，例如CT 血流储备分数(CT-FFR)。FFR 是一种冠状动脉生理学指标，被认为是排除阻塞性CAD 和评估慢性CAD 患者中间狭窄病变严重程度的金标准。Tang 等以有创FFR 为标准，证明了基于ML 的CT-FFR 对支架置入术后患者的诊断同样具有可行性，并且具有预后价值。

此外，基于ML 的算法已被广泛应用于血管内成像，如血管内超声(IVUS)。有研究团队提出基于8 层改进版本的UNet 网络，在IVUS 管腔和外部弹性膜(EEM)分割上mIoU 分别达到0.937和0.804，分割精度均超过临床医师的手动分割精度。对于后续的IVUS 管腔和EEM 三维重建、斑块分析等具有重要的临床意义。

AI 通过ML 算法自动识别和分类有创及无创血管成像中的斑块等病变，提高其在临床实践中的应用。AI 在预测心血管疾病方面已得到较多应用，目前相关的预测手段已经较为成熟。Al'Aref 等基于CCTA 图像数据和临床特征的ML 模型，用于预测CCTA 上的阻塞性CAD，该模型具有高度准确性，并且对阻塞性和非阻塞性的CAD 进行了正确的重新分类。ML 模型结合了现有的临床特征提高了排除阻塞性CAD 的能力，该模型在未来的临床实践中能够改善决策。

Lin 等使用ML 处理了6814 例无症状患者的临床和CT 数据，包括CAC 和CAC 体积评分，以及心外CAC 评分。该研究发现，ML 处理所有可用的临床和非对比剂CT 变量比单独使用临床风险因素和CAC 评分更好地预测冠心病和心血管疾病事件。Wang 等通过分析连续CCTA 图像中的斑块解剖、成分和血流动力学参数的变化，发现斑块特征的动态变化与后续急性冠状动脉综合征(ACS)事件密切相关，整合CT-FFR、坏死核心、重塑指数、管腔狭窄和斑块体积的ML 模型可以提高预测ACS 事件风险的能力。

在另一项研究中，开发了一种新的以AI 为动力的成像生物标记(FRP)通过分析冠状动脉血管周围脂肪组织(PVAT)的放射线谱来预测心脏风险，发现基于CCTA 的冠状动脉PVAT 放射成像分析可检测出与炎症无关的与冠状动脉疾病相关的血管周围结构重塑，显著提高了心脏风险预测的水平。

此外，CCTA 结合机器学习算法构建的模型有助于预测心肌缺血，为临床医师诊断心肌缺血提供一种新的选择。通过充分利用AI 的机器自主学习能力，AI 模型在多种心血管疾病识别及风险分级、疗效预测方面取得了显著的进展，为临床治疗策略的制定提供了重要指导。

1.2 PAD

PAD 是指供应上肢和下肢的动脉狭窄，最常见的原因是动脉粥样硬化。基于AI 的自然语言处理和ML 为PAD 的筛查、诊断和分级带来了新的工具。Dai 等在265例接受下肢CTA 患者的队列中训练了卷积神经网络，根据狭窄程度对下肢动脉段进行分类，该模型对膝上动脉和膝下动脉的分类准确率分别为91.5% 和90.9%。

McBane 等提出的DL 算法通过静息状态下记录的胫后动脉多普勒波形预测PAD，其中包括1941 例PAD 患者和1491 名对照受试者，检测出PAD 的AUC 为0.94。这样的应用可以作为一种潜在的辅助工具来定位动脉斑块，提高PAD 的检测，帮助更好地分类病变，优化疾病的工作流程和筛查。AI 准确的评估疾病严重程度有利于患者管理过程。

Qutrio Baloch 等利用有监督的ML 分析703 例患者的6 min步行测试和生活质量问卷，包括小腿围度、脚趾肱指数和基本人口统计学特征构成了数据集，发现疾病严重程度与行动受限之间存在非线性关系，表明AI 干预可以提供与传统统计方法一样准确的结果。

在另一项研究中，Sonnens-chein 等使用多维临床特征开发了一种基于AI 的PAD 评分方法(AI-PAD)，该方法能够将PAD 患者分为稳定和不稳定两组，并与测量踝肱指数和疾病的严重程度具有良好的相关性。Peters 等采用LASSO ML 方法对81930 例患者进行分析，确定了OAC3-PAD 风险评分，该评分通过口服抗凝治疗、年龄、慢性肢体缺血、充血性心力衰竭和严重慢性肾病、既往出血事件、贫血和痴呆等因素，有效预测了PAD 住院后的大出血事件，且具有良好的校准性和区分度。AI 技术正在改变外周动脉疾病的管理方式，通过AI 建立预测模型，以更好地评估患者的预后，并建立实时预测模型，以支持临床决策。

1.3 AAA

AAA 是ASCVD 最严重的并发症之一，因其破裂而有显著的致死风险。AI 可进行自动定量测量和形态学表征，可在AAA 成像的解读和分析中发挥重要作用，这可为AAA 患者术前计划提供帮助。Spinella 等验证基于DL 的完全自动化分割管道，以在计算机断层扫描血管造影(CTA)扫描中筛查AAA。Adam 等采用DL 方法(血管动脉瘤增强放射学-ARVA)检测AAA 并测量489 例CTA 扫描的最大直径，将ARVA 结果与参考专家进行比较，显示中位绝对差值为1.2 mm，而另外6 位专家与同一参考专家的中位绝对差值为1 ~2 mm。

Lareyre 等将有监督的DL 算法与基于特征的专家系统相结合，提高了腹主动脉及其主要分支自动分割的准确性。这种AI 驱动的方法可用于评价在复杂解剖情况下血管内AAA 介入手术适应证和手术方式选择并帮助规划术后随访。AI 驱动的数据处理可促进开发计算程序用于预测AAA进展、破裂以及术后结局。

Hirata 等使用CTA 提取的9个小AAA[平均直径(38.5 ±6.2)mm]的解剖特征预测AAA的生长，这些特征作为ML 算法的输入。该算法预测每年扩张超过4 mm 时的AUC 为0.86，表现优于传统特征，如AAA长轴(AUC 为0.78)。Kontopodis 等开发了一种基于AI的方法，可以将AAA 分为高增长率组和低增长率组。

该方法利用临床、生物、形态和生物力学等29 个不同的变量训练了梯度提升和支持向量机模型，以预测哪些AAA 的生长率将高于队列中位数。研究结果表明，与低增长率AAA 相比，梯度提升预测高增长率AAA 的AUC 最高，为81.2%。此外，Singh 等使用AI 预测AAA 的壁应力，比较基于AI 的新型框架与传统分析，发现U-NET 所用时间明显更短，更好地预测AAA 破裂的风险。AI 将是一种有潜力的决策工具，同时可有助于未来发展AAA 患者的个体化治疗方法。

1.4 颈动脉疾病

颈动脉疾病是指颈动脉内膜下层发生斑块形成或狭窄，导致血液供应脑部的颈动脉血流受阻。基于多普勒超声图像的AI 可对颈动脉斑块进行自动分割和定量分析。一项前瞻性研究证明了AI 在灰度静态多普勒超声成像中检测颈动脉疾病的潜在可行性、适用性和准确性。

Kordzadeh 等使用基于卷积神经网络架构的分组网络对156 幅正常和狭窄的颈动脉图像进行了评估，该算法对任何颈动脉狭窄的检测敏感度、特异度和准确率分别为87%、82% 和90%。Jain等使用Attention-UNet DL 模型，该模型在识别和分割复杂超声图像中的颈动脉斑块方面优于UNet、UNet + + 和UNet3P 模型，AUC 值为0.97。最新研究表明，基于超声视频进行颈动脉斑块实时分析的智能模型CaroNet-Dynamic采用多模型融合决策进行血管检测和斑块识别，可有效降低检测假阳率，实现颈动脉和斑块的动态精准识别，为临床诊断和治疗提供依据。

基于CT 和MRI 的AI 在颈动脉易损斑块分类和中风风险评估发挥着重要的作用。Fu 等基于加权的骨架算法融合先验知识进行血管中心线的精准提取，结合多角度血管狭窄检测模型(MAVS)实现头颈CTA 管腔狭窄的定量诊断。在斑块成分识别方面，利用3D 卷积神经网络在轴位图对斑块进行分割，进而结合多特征回归模型实现斑块分类。颈动脉MRI 是表征颈动脉易损斑块最适合和成本效益最高的成像技术，用于区分有症状和无症状颈动脉斑块，对促进早期诊断和指导临床治疗以降低缺血性中风起着重要作用。

Chen 等使用经过DL 预训练的YOLO V3、Mobile Net 和RCNN 模型，根据数据集调整了超参数，自动分割颈动脉斑块MRI 图像以评估中风风险，结果发现YOLO V3 模型达到了94.81%的准确率，RCNN 达到了92.53% 的准确率，Mo-bileNet 达到了90.23%的准确率。此外，预测颈动脉内膜剥离术(CEA)后的结果仍然具有挑战性，并且缺乏标准工具来指导围手术期管理。

有研究使用ML 模型对接受CEA 的患者进行预测，以预测患者在CEA 后1 年内发生中风或死亡的风险，结果显示ML 算法比逻辑回归和现有工具表现更好，因此在指导围手术期风险缓解策略以防止不良结果方面具有重要的潜在用途。

2. AI 的不足及展望

AI 在ASCVD 中的应用前景广阔，但其仍存在挑战和局限性。AI 的数据标准化仍然是一个挑战。不同的医学影像设备和算法可能会产生不同的结果，导致数据的可比性和一致性受到影响。因此，需要建立统一的数据标准和规范。AI算法的精度和模型还有待提高。目前的AI 算法在斑块的检测、分割和特征提取方面存在一定的误差，这可能导致对斑块的评估和分类不准确，影响临床决策的准确性。因此，需要进一步改进和优化算法，提高AI 的准确性和可靠性。

此外，AI 还存在“黑匣子”效应。AI 模型对数据处理的过程和得出的规律很难用人能理解的方式表现出来，就像一个“黑匣子”，具有不可解释性和不确定性，医师和患者都很难接受。因此，可解释AI 方法的开发是必要的。例如，沙普利加和解释算法(SHAP)可解释性分析用局部线性模型来近似任何复杂的广义ML 预测模型，这些模型利用博弈论方法解释单个预测结果。

未来，随着医学影像技术和AI 算法不断的优化，AI 在ASCVD 的应用可能会扩展到与临床变量、生物标志物、基因组学、转录组学、蛋白质组学和代谢组学等多组学技术相融合，为患者提供高准确性的诊断和个性化的风险评估，推动了ASCVD 精准医学的发展。

来源：白小龙，刘立恒，郭欢萱，等.人工智能在动脉粥样硬化疾病中的应用进展[J].临床放射学杂志，2025，44(02):388-391.DOI:10.13437/j.cnki.jcr.2025.02.021.

(本网站所有内容，凡注明来源为“医脉通”，版权均归医脉通所有，未经授权，任何媒体、网站或个人不得转载，否则将追究法律责任，授权转载时须注明“来源：医脉通”。本网注明来源为其他媒体的内容为转载，转载仅作观点分享，版权归原作者所有，如有侵犯版权，请及时联系我们。)