基于AI的OCT分析在预测非罪犯病变结果方面优于人类专家：PECTUS-AI研究的见解

亮点

• 基于AI的OCT图像分析能够有效识别薄帽纤维粥样瘤（TCFA），具有较高的预后准确性，为手动评估提供了一种标准化替代方案。
• AI识别的非罪犯病变中的TCFA与2年MACE显著增加2倍相关，而手动核心实验室识别未达到统计学显著性。
• 通过AI评估完整的成像冠状段显示风险增加了5.5倍，对未来事件的阴性预测值高达97.6%。

引言：寻找易损斑块

识别“易损斑块”——一种易于破裂并导致后续血栓形成的病变——仍然是介入心脏病学的圣杯。在各种斑块形态中，薄帽纤维粥样瘤（TCFA）已被组织学和临床验证为大多数急性心肌梗死（MI）的主要前驱。光学相干断层扫描（OCT）提供了任何血管内成像模态中最高的分辨率，可以测量纤维帽厚度并识别富含脂质的核心。然而，TCFA的手动识别耗时费力，需要专门的知识，并且受到观察者间变异性的困扰。

人工智能（AI）在医学成像中的出现为这些挑战提供了解决方案。通过利用深度学习算法，临床医生可以潜在地自动化高危斑块特征的检测。PECTUS-AI研究旨在评估基于AI的方法在TCFA识别中不仅能否匹配而且可能增强OCT在有心肌梗死病史患者中的预后效用。

研究设计和方法

PECTUS-AI研究是对前瞻性、观察性PECTUS-obs研究的二次分析。研究人群包括438名最近经历心肌梗死并发现非罪犯病变的患者。根据分数流储备（FFR）测试（FFR > 0.80），这些非罪犯病变被认为是生理上不显著的。尽管它们的生理状态稳定，但这些病变仍使用OCT进行成像以评估其形态稳定性。

研究人员比较了两种主要的OCT分析方法：

手动核心实验室分析（CL-TCFA）

独立专家手动审查OCT回撤图像以识别TCFA，定义为纤维帽厚度90度。

基于AI的分析（AI-TCFA）

使用最近验证的深度学习分割工具OCT-AID算法自动检测成像段中的TCFA特征。AI的任务是评估特定的“目标病变”（FFR阴性部位）和“完整回撤”（手术过程中成像的整个动脉长度）。

主要终点是在两年内所有原因死亡、非致命性MI或计划外再血管化的复合终点，排除与初始手术或先前支架相关的事件。

关键发现：AI区分能力的优势

该研究得出了几个关键发现，突显了自动斑块分析的临床效用。在414名可评估数据的患者中，AI-TCFA被识别出的比例为34.5%，而手动核心实验室分析识别出TCFA的比例为30.0%。

目标病变的预后价值

当专注于特定的目标非罪犯病变时，AI检测到的TCFA与主要结局的更高风险显著相关（风险比[HR] 1.99，95% CI 1.02-3.90，P = .04）。相比之下，手动识别的TCFA（CL-TCFA）与结局之间的关联未达到统计学显著性（HR 1.67，95% CI 0.84-3.30，P = .14）。这表明AI算法可能在识别转化为临床风险的特征方面更敏感或一致。

完整回撤的力量

也许该研究最令人震惊的结果是AI应用于完整成像段的预后能力。在完整回撤中检测到AI-TCFA的患者发生主要终点的风险显著更高，风险比为5.50（95% CI 1.94-15.62，P < .001）。此外，完整回撤中未检测到AI-TCFA的阴性预测值（NPV）为97.6%。这意味着如果AI在成像血管中未发现TCFA，则该血管在未来两年内发生重大不良心脏事件的可能性极低。

专家评论：临床意义和机制见解

PECTUS-AI的结果表明，我们如何解释血管内成像可能会发生范式转变。AI在预测事件方面优于人类专家的事实突显了人类视觉评估的局限性，后者可能忽略纤维帽厚度或脂质分布中的细微但关键变化。AI算法提供了在繁忙的临床环境中难以实现的粒度和标准化水平。

从机制角度来看，这些发现强化了动脉粥样硬化的“泛血管”性质。完整回撤相对于目标病变的预测能力增加表明，血管中易损斑块的整体负担是比单一焦点更稳健的风险指标。这符合当前对系统性炎症驱动斑块不稳定性的理解。

然而，临床医生必须考虑局限性。虽然AI识别提供了强大的预后信息，但该研究尚未证明治疗这些AI识别的病变（例如，预防性支架植入或加强药物治疗）会改善结局。进一步的随机对照试验，如正在进行的PREVENT试验，将是确定AI指导干预是否能降低事件率所必需的。

结论

PECTUS-AI研究确立了基于AI的OCT分析作为心血管风险分层的强大工具的地位。通过提供对薄帽纤维粥样瘤的高度标准化、客观和高度预测性的评估，AI可以帮助临床医生识别未来冠状事件的高危患者。全段AI分析的高阴性预测值尤其有价值，可能允许采用高危斑块特征的“排除”策略。随着这些算法融入导管室工作流程，它们有望提高基于证据的心血管护理的精确度。

资金和支持

PECTUS-obs研究得到了荷兰健康研究与发展组织（ZonMW）的资助。PECTUS-AI分析独立使用OCT-AID算法进行。ClinicalTrials.gov标识符：NCT02852876。

参考文献

Volleberg RHJA, Luttikholt TJ, van der Waerden RGA, 等. 基于人工智能的薄帽纤维粥样瘤识别及临床结局：PECTUS-AI研究. 欧洲心脏杂志. 2025;46(46):5032-5041. doi:10.1093/eurheartj/ehaf595.