ARTICLE · 1315122
【顶刊速览】AI读心术:不增加辐射,让千万人的CT“顺便”筛查冠心病风险
临床困境
冠状动脉钙化（CAC）评分是公认的心血管风险标志物，但其临床应用一直受限于成本和流程。传统的评估方式依赖专门的心电门控CT扫描，需要专人操作和分析，不仅过程耗时，很多患者还面临保险覆盖不足、担心辐射剂量和偶发病变等问题。
这导致了一种巨大的“筛查鸿沟”：美国每年仅进行约100万例专门的CAC扫描，却有近1900万例非心脏CT检查。这些海量影像中其实隐藏着“免费的”冠脉钙化信息，却因缺少标准化、自动化评估手段，被白白浪费掉了。
与现有筛查模式的比较
传统的CAC评估如同一场需要提前预约、专门设备、耗时又费钱的“专场音乐会”，而AI-CAC模型则像是一位能随时随地、根据现有“乐谱”（非门控CT）奏响的“即兴演奏家”。
一方面，AI-CAC无需额外扫描与辐射，成本下沉，可及性大幅提升；另一方面，其预后价值（预测全因死亡、心血管死亡和主要心血管不良事件MACE）与基于专用扫描的Agatston评分相当，在高钙化负荷组（≥400）中，风险比（HR）通常达1.5至3.6。然而，当需要精确的钙化体积或密度信息以指导特定治疗决策时，传统门控CT仍是金标准。简言之，AI-CAC更适合**大规模初筛与风险分层**，而传统CAC在需要高精度定量与纵向对比时不可替代。
研究设计速览
这是一篇范围综述（Scoping Review），遵循PRISMA-ScR框架，旨在绘制并整合AI-CAC模型的预后价值、临床影响和实施考量的现有证据。
- 数据来源：
系统检索PubMed、Embase及Cochrane Library三大数据库（截至2025年11月），并结合专家推荐。 - 纳排标准：
纳入将AI用于非门控胸部CT CAC评估，并进行临床预后预测、风险评估或干预效果评估的原始研究；排除仅描述算法开发或验证而不涉及临床结果的研究。 - 最终样本：
从695篇记录中筛选出38项研究（均发表于2020-2025年），其中29项为回顾性预后研究，5项为影像组学研究，4项用于识别预防性治疗机会。 - 研究人群：
覆盖北美、欧洲和亚洲，队列规模从150至45,252人不等，受试者平均年龄61.9岁，女性占40%-45%，包含肺癌筛查、肿瘤患者、疑似冠心病及无症状个体等多种队列。
核心结果
安全数据一致表明，AI-CAC评估具有显著的预后和临床实施价值，部分代表性数据如下表所示：
临床意义解读：以NOTIFY系列研究为例，通过AI识别偶发冠脉钙化并通知患者与医生，将6个月的他汀启动率从不足7%显著提升至51.2%，这提示若在系统层面推广，每筛查约2例符合条件的患者，即可多促成1例接受指南指导的预防性治疗。
关键次要发现：全因死亡率与心血管死亡率的预测价值在不同队列（肺癌筛查、肿瘤放疗、疑似冠心病）中均显示出稳健的剂量-反应关系。此外，影像组学等新方法能从钙化灶的质感、分布中提取更多信息，预测性能可能超越传统的Agatston评分（例如，左前降支钙化团块质量对MACE的HR达3.62）。
安全性考量
作为一项利用现有影像数据的诊断工具，AI-CAC不涉及药物或侵入性操作，因此传统意义上的“不良反应”并不适用。其核心安全性挑战在于误诊或漏诊带来的临床后果：假阳性可能导致不必要的焦虑和有创检查，而假阴性可能延误高危患者的预防性治疗。
此外，在临床部署中需重点关注：
- 自动化偏倚：
临床医师可能过度信赖AI输出，而忽略肉眼可见的其他异常。 - 模型漂移：
当CT扫描参数或人群基线发生变化时，AI性能可能下降，需要进行长期、前瞻性的性能监控。 - 报告责任：
如何处理海量的“偶发”发现？谁负责追踪和跟进？这些问题尚缺乏标准化方案。
成本与可及性
AI-CAC的主要成本优势在于利用已有扫描，避免额外检查。一篇研究估计，自动通知工作流的成本低至每个患者0.006美元，且处理时间仅1-2分钟。值得注意的是，美国医疗保险已为AI检测的冠脉钙化提供报销路径，这为大规模应用铺平了经济道路。目前，多种商用及开源算法已落地，基层医院只要有CT设备和相应的AI软件（如西门子、Coreline AVIEW等），理论上即可开展此类评估。
局限性
- 证据性质：
本综述本身为范围综述，不进行质量评级或荟萃分析。纳入研究多为回顾性，异质性大，且部分研究人群存在重叠（如来自同一全国筛查试验），证据强度有限。 - 外推性挑战：
多数研究在单一中心或特定人群中进行，泛化至基层或不同种族人群仍需验证。 - 实施空白：
没有研究报道长期模型性能监控、实际成本效益分析或对医患共同决策的深远影响。 - 单审稿人筛选：
存在潜在的选择偏倚。
指导结论
核心要点：
- 预后价值确凿：
AI-CAC与全因死亡、心血管死亡及MACE的关联高度一致且独立，尤其在高负荷组（CAC≥400）风险增幅显著。 - 临床行动潜力巨大：
已从纯回顾性分析走向小规模前瞻性干预，证明其能“推动临床行为”，显著提升他汀类药物的启动率和持续率。 - 技术已近成熟，落地尚需努力：
AI模型性能良好，但大规模临床整合仍处于早期。未来的突破点在于标准化报告、融入诊疗路径及长期效果监测。
行动点：基于此综述，临床医生不应再将非心脏CT上的冠脉钙化视为无意义的“偶然发现”。在具备AI工具和技术支持的条件下，可以**考虑将AI CVC识别与结构化报告、通知系统相结合**，主动抓住“机会性筛查”的窗口，开启他汀治疗的讨论。对于资源有限的机构，可先关注肺癌筛查或放疗计划等高危人群的CT影像。
指南关联与证据等级：本文作为范围综述，提供2A类证据，即来自综合分析的推荐，但不等同于原始随机试验证据。然而，其结论强力支持了《2026年ACC/AHA血脂管理指南》中基于偶发冠脉钙化启动降脂治疗的新推荐。AI-CAC正是将该指南条文转化为大规模临床现实的“引擎”。
适用人群画像：
- 高度适用：
因肺癌筛查、肿瘤分期/随访、肺部评估等接受非门控胸部CT扫描的中老年（≥45岁）患者，特别是传统认为风险处于临界状态、但尚未启动他汀治疗的人群。 - 谨慎解读：
年轻（＜40岁）或已知近期行冠脉血管重建术的患者，AI的附加价值尚不明确；严重的影像伪影、心脏搏动影响仍可能导致评分不准确。 - 特殊人群：
在肿瘤（乳腺癌、淋巴瘤、肺癌）患者中，AI-CAC显示了预测心功能障碍和术后死亡的价值，提示在此类专科随访中可整合心血管风险评估。孕期非适用情形，因通常不进行胸部CT检查。
患者获益点
这项技术最直接的患者收益在于 **“零额外”的机会性筛查**——无需承受新的辐射暴露、无需额外预约、无需为一项单独的检查付费。它能使心血管风险信息“触达”那些可能永远不会接受正式CAC评分的人群，尤其是弱势和医疗资源不充分的群体。最终，若能转化为预防性治疗的提升，则意味着患者有望避免一次心肌梗死或中风的发生。
原文溯源
McDonald VJF, Parsa S, Mastrodicasa D, et al. Prognostication and clinical opportunities with AI for coronary artery calcium: a scoping review. BMJ Digit Health. 2026;2:e000053.
内容来源：东壁数据科技
扫码下载APP，首页【顶刊速览】栏目更多精彩等您来
医视界MVW
点击上方名片“医视界MVW”
右上角“...”点选“设为星标”
设为★标 不再错过推送
医视界MVW
