导语

ACS致死率高，严重威胁人类健康。准确预测ACS患者出院后主要不良心脑血管事件（MACCE）的发生风险，是临床面临的一大挑战。视网膜血管是人体唯一可直接无创观察的血管网络，其形态变化与心血管风险高度相关。然而，如何将眼底图像高效转化为临床可用的风险评估工具，仍需借助先进的深度学习技术。

本研究是一项多中心队列研究，共纳入来自北京安贞医院等4家医疗中心的4,703例计划接受冠脉介入治疗的ACS患者。

模型构建：团队采用端到端设计，以Inception-Resnet-V2为核心CNN架构。为提高临床可解释性并防止过拟合，模型在训练阶段引入了“多任务学习”（同时预测心血管事件与年龄、血压等辅助临床指标），促使AI学习真实的生物学特征。

图1 Inception-Resnet-V2网络架构示意图

分组与随访：患者按比例分为开发集（1,521例）和外部测试集（3,182例），最长随访时间达883天，主要终点为MACCE（包括心原性死亡、非致死性心梗、卒中及血运重建）。

•稳健的预测与风险分层能力：

模型在开发集中的预测AUC为0.709，外部独立测试集中AUC为0.644。Kaplan-Meier生存曲线显示，模型划分出的“高危组”患者，其远期MACCE发生率及各项次要终点发生率均显著高于“低危组”（P < 0.05）。

图2 深度学习模型预测ACS患者发生MACCE的Kaplan-Meier生存曲线（2A：开发集；2B：外部测试集）

•极佳的“排除”能力（初筛价值）：

该模型在外部测试集中的阴性预测值高达0.958。这意味着被模型判定为低危的患者，其未来不发生不良事件的概率极高，非常适合作为出院后的初筛工具。

•打破AI“黑盒”，具备临床可解释性：

通过类激活映射（CAM）热力图分析证实，模型在做决策时，焦点高度集中在视盘附近的视网膜主要血管弓及动静脉交叉区域，而非图像伪影或背景噪声。这与心血管疾病导致微血管形态改变的临床病理逻辑高度契合。

图3 基于视网膜眼底图像预测ACS患者不良心血管事件的深度学习模型的CAM分析结果

该研究证实了“眼脑心同源”在深度学习视域下的临床应用潜力。该AI模型具备以下优势：

非侵入性与便捷性：仅需拍摄单眼免散瞳眼底图像，流程极简，具备床旁快速筛查的潜力。

优化二级预防：能够有效识别出院后心脑血管事件风险显著升高的群体，指导医生尽早制定个性化的随访和干预策略。

研究团队指出，未来计划在此基础上引入眼底组学分析框架，将血管分形维数、弯曲度等高维度定量特征与深度学习特征进行多模态融合，以进一步提升模型的跨中心泛化能力，实现从“视觉可解释”向“定量可解释”的跨越。

• 首都医科大学附属北京安贞医院冠心病中心执行主任兼冠心病三病区主任、主任医师、博士研究生导师，ESC Fellow，海医会心脏重症专家委员会主任委员、中华医学会心血管病学分会冠心病学组委员、卫生部心血管疾病介入诊疗培训基地(冠心病介入)第一批导师、中华医学杂志编委。

• 1998年开始从事冠心病的介入治疗，以第一术者完成冠脉介入手术超过万例，特别是对高危复杂的冠脉病变，如其左主干病变、分叉病变、慢性闭塞病变、多支血管病变等有丰富的临床经验。

• 主持和参加国家自然科学基金以及多项国家级课题。获得过四项中华医学科技奖和省部级二等及三等奖。发表文章80余篇，SCI文章40篇。参与编写书籍6部，其中主编《系统性疾病与心脏》系列丛书。