提供支持近日，国际心血管领域顶级期刊JACC子刊《JACC: Cardiovascular Imaging》（IF:10.793），发表了一篇利用人工智能模型对冠状动脉疾病（CAD）进行预测的论文，证实其表现相比传统模型具有更为出色的校准和风险判别能力。论文名为《Machine learning for pretest probability of obstructive coronary stenosis in symptomatic patients （机器学习对有症状患者阻塞性冠状动狭窄可能性的预测）》，是中国医学科学院阜外医院吕滨主任团队与推想科技科研团队的联合科研成果。这也是我国心血管AI领域为数不多的高分科研成果，体现了推想科技在心血管AI领域的强劲实力。
冠状动脉疾病（Coronary Artery Disease,CAD）又称冠心病，是一类严重威胁人类健康的心脏疾病，全球第一大死因。该研究提出了一个人工智能模型，以冠状动脉CT造影（CCTA）的影像结果为标准，基于记录的患者多项临床数据，对疑似阻塞性CAD患者（阻塞性CAD定义为CCTA中至少1个冠状动脉节段的管腔狭窄≥ 50％）进行判别和预测。
该研究收集了6274例有症状的疑似阻塞性CAD患者（ 3309 例男性和 2965 例女性，平均年龄 57.83岁）进行最终分析。这些患者均在 2016 年 1 月至 2017 年 11 月之间接受了CCTA检查。
该人工智能机器学习（ML）模型使用增强的集成算法（极端梯度增强，XGBoost ）构建，并使用十倍交叉验证处理。该ML模型预测其中1531 名（24.40％）患者患有阻塞性CAD 。阻塞性CAD的存在与性别（男性）、年龄、典型的心绞痛症状以及与传统的心血管危险因素（血脂异常和家族病史除外）之间的相关性更强。
如图所示，该模型对阻塞性CAD有明显更高的区分度：ROC曲线下的面积为0.801（95%CI：0.790-0.810）；而Modified Diamond Forrester方法（MDF）为0.673 ，（95%CI：0.662-0.685）（p <0.001），CAD联盟为0.697（95%CI：0.685-0.708）（p <0.001），CONFIRM评分为 0.669（95%CI：0.657-0.681）（p <0.001）
从四种模型的ROC曲线可以看出，人工智能机器学习模型（ML）对阻塞性CAD有明显更高的辨别力（p <0.001）
此外，该人工智能模型的预测结果与观察到的阻塞性CAD患病率之间的不一致性（+0.53％）显著低于其他三种方法（ MDF为+ 27.79%、CAD联盟为-58.61%、CONFIRM评分为-29.63%，p <0.001 ）。
更为重要的是，该研究除了传统变量之外，还考虑了传统风险因素的持续时间并量化了生化结果以构建人工智能模型。该研究使用了23个因素，对所有可用数据进行非线性模式的不可知探索，并将这些数据用来进行特定个体的概率预测。这一理念与传统评估中传统的假设驱动方法存在重要差异。
推想科技强大的AI科研平台InferScholar Center及科学家团队，为该研究提供了有力支撑。从标注、建模、训练，到数据管理和算力提供，集成化的InferScholar Center平台可以大幅缩短科研周期，同时大幅节省医生的精力和时间。通过InferScholar Center，医生可以实现影像、文本等多模态数据的深度学习、机器学习、组学等多模型的深度定制化，为胸肺、心血管、神经、肝胆等全科室和病种均可提供最坚实的人工智能科研能力。
基于阜外医院吕滨主任团队的丰富经验和推想科技顶尖的医疗AI科研能力，此研究中的人工智能模型不仅比指南推荐的MDF等传统预测模型具有更出色的准确性和判别能力，还可以更好地指导风险评估和后续管理决策，减少下游不必要的检查，并提高非侵入式和侵入式检查的诊断率。论文中显示，此模型与指南推荐的MDF模型相比，可正确地改变22.2％患者的临床路径。在净重分类改进分析中，此模型可以避免19.7％的低风险患者接受不必要的下游检查。
渝公网安备 50011202502165号
