人工智能在急性冠脉综合征(ACS)全程决策中的应用:从早期诊断、罪犯病变表征、冠状动脉生理到风险分层

《Diagnostics》:Artificial Intelligence in Acute Coronary Syndromes: From Early Diagnosis to Culprit Lesion Characterization, Coronary Physiology, and Risk Stratification

【字体: 大 中 小 】 时间:2026年10月22日 来源:Diagnostics 3.8

编辑推荐:

  人工智能(AI)正被研究用于急性冠脉综合征(ACS)诊疗全程,包括早期诊断、冠状动脉病变表征、操作指导和风险预测。本综述评估ACS整个病程中的现有证据,特别强调具有临床可操作性和介入应用价值的方向。AI赋能心电图(ECG)可能改善心肌梗死(MI)的检测,包括不

  
人工智能(AI)正被研究用于急性冠脉综合征(ACS)诊疗全程,包括早期诊断、冠状动脉病变表征、操作指导和风险预测。本综述评估ACS整个病程中的现有证据,特别强调具有临床可操作性和介入应用价值的方向。AI赋能心电图(ECG)可能改善心肌梗死(MI)的检测,包括不符合传统ST段抬高型心肌梗死(STEMI)标准的闭塞性心肌梗死(OMI)。结合临床数据和高敏肌钙蛋白(hs-cTn)的模型可能改善早期排除和纳入。在冠状动脉影像中,AI可量化斑块特征并辅助光学相干断层扫描(OCT)和血管内超声(IVUS)解读,而图像衍生的生理学可能有助于评估非罪犯病变。然而,更好的诊断准确性并不一定转化为更好的血运重建决策。基于AI的模型还可估计ACS后缺血、出血和死亡风险,尽管其使用可改善治疗或结局的证据仍有限。下一优先事项是前瞻性评估这些工具能否在不同临床环境中改善决策、工作流程和患者结局。
本文为叙述性综述结合结构化文献检索,沿ACS诊疗路径评估AI从早期识别、斑块表征、冠状动脉生理、经皮冠状动脉介入治疗(PCI)指导到风险分层的证据与转化差距。
1. 引言:缺血性心脏病负担重,ACS决策依赖症状、ECG、hs-cTn及必要时影像和侵入评估;传统STEMI标准漏诊部分闭塞,单纯造影狭窄不足以判断缺血和未来风险;AI可整合多源信息,但技术准确性、临床效用和患者获益需分别评价。
2. 材料与方法:采用PubMed/MEDLINE至2026年7月25日的结构化检索,围绕ACS与AI、机器学习(ML)、深度学习(DL)、神经网络及ECG、肌钙蛋白、冠状动脉计算机断层扫描血管成像(CCTA)、造影、罪犯病变、斑块、OCT、IVUS、冠状动脉生理、血流储备分数(FFR)、定量血流分数(QFR)、PCI、预后等主题词;优先纳入有人类临床相关诊断、操作、流程或预后结局且具外部/时间验证、前瞻评估或决策影响的研究;按转化阶段定性综合,未做正式偏倚工具或荟萃分析。
3. AI用于ACS早期识别
3.1 院前与急诊分诊:院前变量有限但决策后果大,AI可整合症状、生命体征和ECG进行概率富集;模型跨网络部署存在数据集偏移,外部验证是实施前提。
3.2 AI赋能ECG:DL可处理高维ECG信号并识别非人工定义表征;大规模连续急诊数据对STEMI判别较好,非ST段抬高型心肌梗死(NSTEMI)仍较难,联合肌钙蛋白可改善识别。
3.3 AI识别OMI:AI-ECG可从STEMI模式识别转向OMI识别,国际评估中AI检测约81%造影定义的OMI而STEMI标准约33%,特异性>90%;但尚未证明AI分诊缩短治疗时间或改善结局。
3.4 从诊断性能到流程影响:AI警报结合症状、ECG和hs-cTn的单中心前后对比显示ECG至导管室激活时间由6 min降至4 min、门至球囊时间由69 min降至61 min,但不能确定因果或患者结局改善。
4. AI赋能生物标志物与个体化诊断整合
4.1 从固定肌钙蛋白阈值到个体化概率:MI3利用年龄、性别和系列hs-cTnI估计1型MI概率;CoDE-ACS整合hs-cTn与常规临床信息,外部验证中低概率评分可识别更多低概率患者,但阈值和校准需在目标人群评估。
4.2 联合检测并将诊断前移:ECG与肌钙蛋白互补,联合模型可改善NSTEMI判断;床旁hs-cTnI的ARTEMIS算法可在预设阈值下识别约三分之一患者即时排除,但为回顾性分析,需前瞻验证安全性和流程获益。
5. AI用于冠状动脉斑块表征与罪犯病变识别
5.1 超越管腔狭窄的定量斑块表型:CCTA可评估斑块负荷、成分、重构和钙化,AI可规模化量化;自动CCTA分析与IVUS在总斑块、钙化及非钙化斑块体积上一致性较好,但准确分割不等于能预测ACS。
5.2 识别罪犯病变:形态、生理与炎症:多支病变和NSTEMI中罪犯判断困难;CCTA模型整合狭窄严重度、斑块成分和病变血流动力学可改善未来罪犯病变判别;斑块易损性不太可能由单一形态特征编码,局部炎症、重构、力学和血流动力学与斑块成分及系统风险因素相互作用。
5.3 从斑块演变到残余冠状动脉风险:系列CCTA显示后续成为罪犯的病变在斑块特征和CT衍生生理上发生不利变化;ACS后风险超出已治疗罪犯病变,AI-CCTA目前主要支持定量表型和风险评估,尚不足以支持常规重复CCTA监测或据此改变治疗。
6. AI与ACS腔内影像:OCT可显示纤维帽、血栓、脂质斑块、钙化、破裂和OCT定义侵蚀,IVUS评估血管尺寸、斑块负荷、重构和钙化;AI适用于高维图像序列的快速、可重复分析。
6.1 自动IVUS分析:自动分类在衰减斑块和钙化上帧级准确率约93%和96%,推断速度快;但研究评价图像分析性能而非AI指导PCI结局。
6.2 TCFA的深度学习识别:基于DenseNet的OCT模型检测薄纤维帽粥样斑块(TCFA)AUC约0.96,Grad-CAM提示关注薄帽区域,全回撤分析仅需数秒;其预后或治疗价值待确立。
6.3 斑块侵蚀:侵蚀诊断需连续帧排除破裂,Transformer整合连续OCT图像在帧级和病变级优于传统卷积神经网络(CNN),病变级AUC约0.91;读者辅助可提高经验较少者敏感性,但不能据此证明所有算法分类者均适合不放支架。
6.4 分层斑块与愈合性冠状动脉不稳定检测:分层斑块可能反映既往斑块破裂和愈合;Vision Transformer利用帧间关系识别分层斑块优于单帧CNN,外部验证支持泛化,但目前主要是表型应用,不足以作为PCI或抗栓调整独立指征。
6.5 AI支持的ACS机制表型:自动识别TCFA、侵蚀、衰减、钙化和分层斑块可使OCT/IVUS回撤生成结构化报告,描述狭窄位置及生物学过程;机制分类与操作决策支持应分别验证,不能合并为泛化的“AI指导PCI”。
7. AI赋能与计算冠状动脉生理
7.1 非罪犯病变的生理学问题:ACS常合并多支病变,罪犯血管处理后需区分解剖完全与生理适当血运重建;压力导丝FFR受微血管功能障碍、操作时间和药物影响,图像衍生生理可减少额外操作。
7.2 ML CT-FFR:ML CT-FFR基于合成冠脉解剖和计算流体动力学训练,从CCTA估计病变压力损失;ACS研究显示非罪犯病变中CT-FFR≤0.80与后续主要不良心脏事件相关并提供增量预后信息。
7.3 造影衍生生理:QFR可在指数造影后离线计算,在急性MI多支病变中与后续FFR、应激心脏磁共振(CMR)或单光子发射计算机断层成像(SPECT)功能评估一致性较好;但回顾性分析依赖高质量投影、重叠少和对比剂充盈,部分病变可能不可分析。
7.4 AI-based angioFFR:基于监督ML和大量合成几何训练的angioFFR用两幅造影重建个体化冠脉模型并估计压力损失;前瞻验证对侵入性FFR总体准确率87.7%、AUC 0.90,但验证人群以非急性MI为主,不能自动外推至ACS动态生理环境。
7.5 高危NSTE-ACS侵入造影前CT-FFR:高危NSTE-ACS中CT-FFR对非罪犯病变与侵入性FFR比较敏感度93%、特异度79%、准确率85%、阴性预测值(NPV)94%,更适合排除显著残余病变;但增加CCTA涉及对比剂、影像能力和协调,价值可能为患者选择性。
7.6 从诊断准确性到血运重建决策:随机证据的启示:QFR指导非罪犯病变处理未显著改变PCI与药物治疗分配,也未减少12个月复合终点;说明测量准确性与决策效用不同,生理显著仅是残余风险的一部分。
7.7 整合功能意义与斑块易损性:综合评估应区分产缺血病变、易损病变及二者兼有;AI可整合狭窄几何、斑块体积和成分、CT-FFR或造影生理、局部压力梯度、血管周围炎症和临床变量,但该分层仍为假设生成而非指南推荐。
8. AI用于操作规划与PCI指导
8.1 从目测到自动QCA:AI-QCA可在导管室快速提供血管分割、病变检测和几何测量;验证中病变检出89.2%,匹配病变中89.6%的直径狭窄绝对差≤10%,最小管腔直径和参考管腔直径相关性较强(R2=0.864和0.840),病变长度相关性较弱(R2=0.435)。
8.2 对支架尺寸选择和病变准备的可能意义:自动参考血管直径和病变长度可支持支架选择与覆盖,但不能恢复斑块负荷、重构或外弹性膜信息;FLASH随机试验中AI-QCA辅助PCI对PCI后最小支架面积非劣于OCT指导(6.3±2.2 vs 6.2±2.2 mm2),但OCT定义支架贴壁不良更常见(13.6% vs 5.6%)。
8.3 人类接受度是独立于算法准确性的终点:小规模人因评估中,介入心脏病学家区分AI与人工QCA输出及更认同人工QCA的比例分别为71.7%和70.0%(按评估层面);系统应显示轮廓和测量、允许快速核验并表达不确定性。
9. AI用于ACS后风险分层
9.1 ACS后风险本质多维:复发MI、心血管死亡、残余病变进展、心衰和抗栓相关出血机制不同,需分别估计缺血、出血和死亡风险而非单一“高危”分类。
9.2 同时预测死亡、复发缺血和出血:大型汇总队列中ML模型外部验证AUC死亡约0.92、复发MI约0.81、大出血约0.86;跨分类缺血与出血风险更贴近抗栓强度和疗程决策,但风险预测不等于治疗效应预测。
9.3 时间至事件建模:随机生存森林在ACSIS和MINAP中优于Cox模型和DeepSurv,内部C-index约0.92、外部约0.81;持续更新风险可辅助出院和随访,但需前瞻评估临床价值。
9.4 动态院内风险:基于电子健康记录(EHR)的XGBoost模型纳入连续生理和实验室测量,院内死亡AUC约0.913,优于同变量逻辑回归的0.904;提升更多来自纵向数据丰富性,且为单中心回顾性研究,需评估可移植性。
9.5 ECG作为预后生物标志物:ECG可同时用于急性诊断和长期预后;利用73个形态学特征和生存ML的风险分组在衍生队列优于HEART评分,外部队列30天死亡验证显示中、高危组死亡 odds 约为低危组4倍和6倍;任务特异性校准仍必要。
9.6 从风险预测到个体化二级预防:下一代AI应估计个体化净治疗获益而非仅识别最高危患者;临床试验需评价AI知情管理能否改善净心血管结局且不增加过度治疗或不公平。
10. 从单模态算法到多模态AI
10.1 ACS本质是多模态疾病状态:症状、ECG、hs-cTn、造影、CCTA、OCT/IVUS、冠脉生理和纵向EHR分别测量不同生物层面,多模态AI旨在重建互补生物表征而非单纯增加AUC。
10.2 变量拼接与真正多模态学习的区别:当前许多“多模态”研究将不同来源变量拼入结构化数据集,仍有临床用途;真正多模态学习保留各域信息结构并将原始信号/图像/表格/文本的表示投射到共同潜在空间。
10.3 临床连贯的ACS多模态架构:系统应随信息可用性逐步整合,从首诊症状、生命体征和ECG,到急诊hs-cTn和实验室、影像后CCTA或造影、导管室腔内影像和生理、出院后治疗和纵向EHR;应容忍缺失模态并更新预测。
10.4 从任务特定模型到基础模型:当前心血管AI多为任务特定,基础模型旨在从异质数据学习广谱表示并适配多任务;ACS基础模型仍为前瞻概念,每个输出仍需专门验证。
10.5 多模态AI应增强而非复现临床推理:AI优势在于保留人类整合前常被压缩的高维信息;最佳增量价值可能来自原始数据模态组合,但需大规模、精心链接的数据及患者、血管、病变和时间层面对齐。
10.6 从预测到持续更新的ACS数字表型:终极概念是持续更新的数字表型而非单一评分;系统应保留急性闭塞、斑块破裂或侵蚀、病变缺血、操作结局、复发MI、出血和死亡等临床 distinct 输出,因治疗含义不同。
11. 当前局限与临床转化障碍
11.1 研究设计、参考标准与报告:证据异质,系统综述认为AI辅助ACS检测合并准确率高但证据质量低,病例对照设计居多;未来需在模型预期影响医疗的代表性患者中独立验证并报告阈值和临床相关性能。
11.2 泛化性与输入质量:性能可随医疗系统、患者群体、ECG设备、肌钙蛋白检测、扫描仪和治疗路径变化;影像AI需报告不可分析比例和技术失败,系统应评估输入质量并在数据不足时拒绝输出。
11.3 从模型准确性到更好的临床决策:高AUC不证明改善ACS照护;诊断阈值需反映预期行动,前瞻研究应测试AI支持策略的时机、临床反应和患者结局,包括再灌注时间、安全排除、操作决策、假警报、下游检测和临床事件。
11.4 安全与公平实施:部署需关注数据保护、软件更新控制、临床问责和不同患者群体性能差异;评估应包括亚组性能、临床监督、实施后监测、成本和意外检测/操作增加。
12. 结论:AI在ACS中的最大潜力在于连接目前分散于不同诊疗阶段的信息,OMI识别和自动冠状动脉影像等在时间敏感或不确定决策中尤其相关;但各应用证据强度差异大,准确检测或测量不等于AI知情决策改善治疗或结局,下一步应在前瞻性工作流程中评价技术失败、临床决策、治疗延迟、不必要干预、公平性和患者结局。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号