最近的一项研究开发了一种将肺癌筛查数据与人工智能（AI）相结合的方法，以帮助预测因心脏病死亡的风险。

　　这项研究的钙评分方法可预测心血管疾病的死亡风险与标准方法相当。

　　这组作者说，他们的方法是“自动，快速且仅导致最少的额外工作量”。

　　心脏病受信任的来源是美国人的第一大死亡原因，25％受信任的来源吸烟导致的心血管疾病（CVD）死亡人数。

　　抽烟翻倍到四倍受信任的来源患冠心病和中风的风险。

　　香烟烟雾中的化学物质会破坏血管内壁，导致炎症。吸烟还会导致动脉粥样硬化或斑块堆积（由脂肪，钙和其他物质组成），导致动脉变窄和僵硬。

　　一种冠状动脉钙化扫描受信任的来源是使用计算机断层扫描（CT）在动脉中生成含钙斑块的多个图像的X射线。根据这些图像，卫生专业人员可以创建冠状动脉钙（CAC）评分，以评估患者的心脏病风险并指导治疗。

　　在2021美国预防服务专责小组（USPSTF）目前建议每年的肺癌筛查低剂量CT在谁拥有20年龄50-80岁以上的成年人包年受信任的来源 吸烟史，目前在过去15年内吸烟或戒烟。

　　这项最新研究的作者研究了医生是否可以使用这些推荐的肺部筛查来预测心脏病相关死亡的5年风险。

　　深度学习方法

　　研究结果发表在《放射学：心胸影像学》杂志上。该研究使用了2002年8月至2004年4月在美国国家肺部筛查试验中参加的参与者的低剂量CT肺部扫描数据。

　　该研究使用自动深度学习方法从低剂量CT肺部扫描中定量动脉钙。深度学习是一种AI，它使用算法或“神经网络”的多层结构来分析数据。

　　第一个神经网络对齐并裁剪CT图像以聚焦在心脏上。第二神经网络测量从第一神经网络提取的图像中的钙水平。

　　深度学习网络确定了心脏的六个不同区域的血管钙化，包括胸主动脉，主动脉瓣，二尖瓣和右冠状动脉。

　　利用这些信息，作者预测了每个参与者的5年CVD死亡率。然后，他们将研究预测模型与其他三个模型进行了比较：

　　仅自我报告的参与者特征

　　自我报告的特征和总CAC

　　自我报告的特征和研究预测模型

　　自我报告的参与者特征表明CV风险增加包括年龄，吸烟史和其他疾病的史，例如糖尿病，中风，高血压和心脏病。

　　研究人员使用4,451名参与者的数据训练了预测模型，并使用1,113名参与者的数据对其进行了测试。测试组中约有62％是男性，中位年龄为61岁，吸烟史约为50包年。

　　作者发现，与使用自我报告的心血管风险因素和总CAC的模型相比，他们的自动钙评分方法在预测5年心血管疾病死亡风险方面表现相同。

　　研究预测模型的表现优于仅自我报告的患者特征。最准确的预测来自科学家的新方法结合自我报告的参与者特征。

　　快速自动

　　首席研究作者，阿姆斯特丹阿姆斯特丹大学医学中心的Bob D. de Vos博士和荷兰乌得勒支大学医学中心的图像科学研究所都对自动钙评分研究方法的优势发表了评论。

　　“该方法仅使用图像信息，它是全自动的，而且速度很快。该方法可在不到半秒的时间内完成整个胸部CT的钙质评分。”

　　该研究的局限性包括该研究人群由特定年龄范围的重度吸烟者组成，其中主要是男性，这将其推广到其他人群。

　　de Vos博士说：“例如，我们开发了一种方法，即使病变低于临床使用的阈值，也可以检测冠状动脉钙化。这样，我们希望提高钙评分的可重复性并实现更准确的预测。”

　　“我们还看到，钙分数很高的人可以生存，而钙分数很低的其他人确实患有严重的心脏事件。该研究为将来的研究提供了一个方向，以准确查明哪些钙化是危险的。”德沃斯博士总结说。