CORA：基于病理中心表示学习的冠状动脉CT血管造影进行冠状动脉疾病评估与风险分层
摘要
冠状动脉疾病是全球心血管死亡的主要原因，可通过冠状动脉CT血管造影（CCTA）进行无创评估。尽管深度学习已推动了CCTA自动化分析的进步，但临床转化仍受限于专家标注数据的稀缺性以及冠状动脉病理的空间稀疏性，后者仅占每次扫描的一小部分。广泛使用的无标注预训练策略，如掩码图像建模和对比学习，旨在优化全局解剖结构重建，往往不能充分表示这些微小的局部病理特征。本文提出CORA（冠状动脉病理中心表示学习），一种标注高效型模型，用于全面评估冠状动脉疾病。与重建背景解剖结构不同，CORA通过合成驱动的自监督策略从体积CCTA中学习：解剖引导引擎将多样化的合成钙化和非钙化病变插入无标注扫描中，将预训练重新定义为异常检测任务，使表示学习偏向于临床相关疾病特征。我们在10,138个无标注CCTA体积上预训练了CORA，并在来自九家独立医院的数据集上对其进行了评估。在斑块表征、狭窄检测和冠状动脉分割任务中，CORA始终优于强大的自监督预训练基线，尤其在外部多中心数据上表现最佳，表明其在分布偏移下具有稳健的泛化能力。将影像编码器与结构化临床变量结合，进一步实现了近期主要不良心血管事件（MACE）的风险分层。结果表明，病理中心、合成驱动的预训练是一种有效且可扩展的冠状动脉疾病评估策略。
冠状动脉疾病（CAD）是由心外膜血管内动脉粥样硬化斑块累积引起的，是全球心血管死亡的主要原因之一，每年占缺血性心脏病死亡的最大比例。冠状动脉CT血管造影（CCTA）用于无创评估症状性患者的临床应用正在快速增长，其在原发性动脉粥样硬化性心血管疾病预防方面的效用是当前研究的热点。CCTA的独特价值在于它不仅能可视化管腔狭窄，还能显示潜在的动脉粥样硬化斑块形态，这是未来心肌梗死的独立关键预测因子。包括SCOT-HEART和PROMISE在内的标志性随机试验表明，CCTA指导的管理可以减少主要不良心血管事件并改善长期临床结果。尽管这种效果已得到证实，CCTA的临床转化仍受到大量解释负担的限制：专家分析一次检查可能需要放射科医生25分钟左右的时间，而心脏影像日益增长的需求继续使读者容量承受压力。这一瓶颈可能会延迟患者获取诊断影像，并导致观察者间变异性，特别是对于在常规检查中容易被忽视的空间细微高风险斑块特征。
自动化CCTA分析的核心障碍是病理信号的极端空间稀疏性。动脉粥样硬化斑块通常只占CCTA总体积的一小部分，嵌入在心肌、心外脂肪和增强对比的血池等复杂背景中。这种不平衡从根本上挑战了标准表示学习：在如此数据上训练的模型本质上偏向于构成图像内容绝大部分的主导解剖结构，同时系统性地低估了决定临床关键血管异常的细微空间局部强度变化。因此，当前方法通常依赖于多阶段流程，包括血管检测、中心线提取和多平面重新格式化，这限制了可扩展性并引入了各阶段间的错误传播。
专家标注的高成本激发了人们对自监督学习（SSL）的浓厚兴趣，这种学习方式可以从大量无标注数据中获取可迁移的表示。在2D医学影像中，SSL预训练模型已展现出令人印象深刻的下游能力。然而，将这些范式扩展到3D体积CCTA暴露了一个概念性限制。主导的3D SSL目标，如掩码图像建模，强调全局解剖重建，现有证据表明它们对下游心血管任务的益处有限，因为它们牺牲了稀疏、局部病理信号的表示，以换取背景解剖。
在此，我们开发了CORA，一种标注高效型模型，用于全面CAD评估，通过两项互补的创新解决了这些限制。首先，CORA采用了合成驱动的自监督策略，取代了通用的解剖重建：解剖引导的病变合成引擎生成具有受控HU分布的逼真钙化和非钙化斑块形态，并将其插入无标注CCTA体积中，明确将预训练重新定义为异常检测任务。这使学习到的表示偏向于临床相关的血管病理，而非主导的背景解剖。其次，CORA用多窗口输入取代了单通道归一化，同时编码软组织、增强对比的管腔和钙化特征，能够在单次前向传递中区分低衰减非钙化斑块和高密度钙化病变，无需血管分割或多平面重新格式化。
我们在大规模10,138个无标注CCTA体积队列上预训练了CORA，并在来自九家医院的多中心数据集上系统评估了它。我们将其在诊断任务（斑块表征和狭窄检测）和解剖任务（冠状动脉分割）上与从头训练和强大的3D自监督预训练基线进行了比较。然后，我们检查了学习到的影像表示是否与结构化临床变量结合，支持近期MACE风险分层。在所有评估任务中，CORA都优于竞争性预训练策略，特别是在外部多中心队列上表现出最大优势。结果表明，病理中心、合成驱动的预训练为从CCTA进行统一的冠状动脉疾病评估提供了一种可扩展且标注高效的策略。
结果
合成驱动的预训练使CORA偏向于临床相关的血管病理
为在临床多样化环境中评估CORA，我们在四个任务类别上将其与从头训练和三种最先进的3D视觉基础模型（包括MAE、VolumeFusion和VoCo）进行基准测试：体积级冠状动脉斑块表征、病变级狭窄检测、密集3D冠状动脉分割以及30天主要不良心血管事件（MACE）风险分层。评估跨越了来自九家独立医院的多中心数据集，使我们能够在现实分布偏移下评估跨站点泛化能力。
传统自监督学习策略，包括掩码图像建模和对比学习，旨在优化全局解剖结构重建，隐式优先考虑构成CCTA图像内容绝大部分的主导背景结构。相比之下，CORA采用合成驱动的自监督范式：解剖引导的病变合成引擎生成逼真的钙化和非钙化斑块形态，并将其插入12,801个无标注CCTA预训练体积中，明确使表示学习偏向于支配下游临床任务的空间稀疏血管病理。CORA进一步采用多窗口输入策略，同时编码软组织、增强对比的管腔和钙化窗口特征，能够在单次前向传递中区分两种斑块亚型。
CORA在斑块表征方面表现出色，具有稳健的跨站点泛化能力
准确的冠状动脉斑块表型表征是心血管风险分层的核心，因为斑块组成预测未来破裂和急性冠脉综合征的可能性。我们将此任务微调为体积级多标签分类问题，预测钙化和非钙化斑块的同时存在。训练和内部测试队列来自西北纪念医院（分别为N=2,220和555）；外部测试队列由来自八个地理和人口统计学不同医院的2,108名患者组成。
在内部和外部测试集上，CORA始终优于所有比较方法。在内部队列中，CORA在钙化斑块和非钙化斑块上分别达到了0.94（95% CI: 0.92-0.96）和0.79（95% CI: 0.75-0.83）的AUROC，明显超过了从头训练的基线（分别为0.74 [0.70-0.78]和0.65 [0.60-0.70]；两者p<0.001）。CORA在两种斑块亚型上都显示出比MAE、VolumeFusion和VoCo一致的性能优势（p<0.001），反映了其编码每种表型独特衰减特征的能力。
在外部测试队列上，性能优势进一步放大，CORA在钙化斑块和非钙化斑块上分别达到了0.93（95% CI: 0.91-0.94）和0.71（95% CI: 0.69-0.73）的AUROC。相比之下，竞争方法在外部分析中AUROC始终低于0.70：MAE达到0.71（95% CI: 0.68-0.73）和0.58（95% CI: 0.56-0.60），VolumeFusion为0.72（95% CI: 0.70-0.74）和0.59（95% CI: 0.57-0.62），VoCo为0.72（95% CI: 0.70-0.74）和0.61（95% CI: 0.59-0.63）（所有与CORA的比较p < 0.0001）。这些发现证明，病理中心合成驱动的预训练使CORA能够学习对站点特定成像变异稳健的可迁移表示。
为调查我们模型的可解释性，我们使用Grad-CAM可视化驱动模型预测的诊断信号。如图2e所示，注意力图显示CORA始终将其关注点指向冠状动脉区域，在疑似斑块部位表现出最高激活水平。对于非钙化病变，模型的注意力与血管壁上的低衰减区域一致，即使在对比噪声比差的情况下也是如此。对于钙化斑块，激活集中在高强度体素上。这种有针对性的注意力表明，该模型已经内部化了对冠状动脉解剖和病理的生理学基础理解，而不是依赖于虚假的背景相关性或心外噪声。
病理感知预训练使CORA对细微冠状动脉狭窄更加敏感
自动化病变级狭窄检测对CAD-RADS分级至关重要，并指导关于下游侵入性冠状动脉造影的决策，但由于钙化与非钙化斑块的形态异质性、标准CCTA采集的有限空间分辨率以及缺乏大型整理的标注数据集，它仍然是最具挑战性的CCTA分析任务之一。图3a展示了低对比非钙化斑块和高衰减钙化病变的独特形态特征，这些特征常常使自动化检测复杂化。
我们在包含556个标注狭窄病变（340个钙化，216个非钙化）的348个CCTA体积上评估了狭窄检测，这些病变跨越CAD-RADS 2-5级。如果预测病变与真实标注在空间上重叠，则得分为正确。CORA总体精确度为0.694，召回率为0.675，F1得分为0.684，相比之下，从头训练基线为0.560、0.538和0.549。在3D基础模型中，CORA超过了MAE（F1=0.575；相对提升19%）、VolumeFusion（F1=0.550；相对提升24%）和VoCo（F1=0.612；相对提升12%）。
CORA提高了冠状动脉分割效率，适应各种数据条件
密集3D冠状动脉分割提供了狭窄分级、血流储备分数估计和手术规划所需的解剖支架。由于细小的血管口径、复杂的分支结构和远端冠状动脉段的低对比度，这仍然具有技术挑战性。我们在ImageCAS基准上评估了CORA，该基准包含约1,000个CCTA体积的专家标注冠状动脉掩模。我们预留了40个病例用于验证，60个用于测试。
在使用100个标注训练样本的主要评估中，CORA达到了0.654的Dice相似系数、0.681的中心线Dice（clDice）和22.664个体素的平均表面距离（MSD），在所有指标上都优于从头训练基线（Dice=0.629，clDice=0.651，MSD=27.264）和包括MAE、VolumeFusion和VoCo在内的成熟3D基础模型，尤其是在clDice捕捉的血管连续性方面。MSD的17%减少（22.664对比27.264个体素）反映了更准确的血管边界界定，这对下游定量管腔分析至关重要。
我们通过改变标注训练样本的数量（50、100、200、400和800）进一步检查了数据效率。如图4b所示，CORA在所有训练集大小上始终优于基线，在低数据区域获得了特别显著的增益。值得注意的是，尽管CORA的预训练范式专门针对冠状动脉斑块异常，但预训练显著提高了解剖分割性能。这种跨任务的益处表明，病理感知预训练目标本质上完善了模型对血管形态的几何理解。
CORA的影像表征提升了近期心脏风险分层能力
对于出现急性胸痛的患者，30天窗口代表了主要不良心血管事件（MACE，定义为心脏死亡、心肌梗死或血运重建）的高风险期。我们评估了CORA学习的影像表征是否携带近期MACE的预后价值，使用表1中描述的队列（训练N=2,220；内部测试N=555；外部测试N=2,108；30天MACE发生率分别为8.6%、8.6%和11.2%）。
我们比较了三类预测器：仅临床变量模型（基于表1中人口统计和临床特征的逻辑回归）、仅影像模型（CORA和自监督基线，每个后接线性头）以及将CCTA衍生的影像表征与相同临床变量集成的CORA多模态变体，这些临床变量通过冻结的Qwen-7B语言模型进行编码。由于MACE是低发生率结果，我们报告了区分度（AUROC）和精确度-召回曲线下面积（PR-AUC，无信息水平等于事件发生率），95%置信区间来自1,000次bootstrap重采样。
在两个队列中，仅影像的CORA表征始终比仅临床模型和所有自监督基线更具区分力。在内部测试集上，CORA(影像)达到了0.74（95% CI: 0.66-0.81）的AUROC，超过了仅临床模型（0.61，0.54-0.69）和最强基线VoCo（0.67，0.59-0.74）。在外部分析中，CORA(影像)达到了0.68（0.64-0.72）的AUROC，而仅临床模型为0.64（0.60-0.68），所有自监督基线均等于或低于0.59。这些结果表明，学习到的影像表征捕捉到了仅从结构化临床变量中无法获得的预后信号。
多模态融合的附加值在外部队列中最为明显。在那里，结合影像和临床信息将AUROC提高到0.76（0.72-0.78），更重要的是在类别不平衡情况下，将PR-AUC从CORA(影像)的0.22（0.19-0.27）和仅临床模型的0.18（0.15-0.23）提高到CORA(多模态)的0.42（0.37-0.48）——相对于单一模态，精确度-召回性能几乎翻倍。相比之下，在内部队列中，融合仅带来边际变化（AUROC从0.74到0.75；PR-AUC从0.22到0.25），表明在此相对同质的单站点测试集中（仅有48个MACE病例），影像表征已经解释了大部分可用预后信号。
外部队列的不均衡性更大（11.2%对8.6%）且人口统计学组成更加多样化，这表明结构化临床变量在应用于与单站点训练分布不同的群体时贡献最大。这些发现共同表明，CORA的影像表征对近期MACE具有预后信息价值，并且对标准临床风险因素具有互补性，同时阐明了每种模态的贡献场景。
讨论
在这项研究中，我们介绍了CORA，一种合成驱动的3D视觉基础模型，旨在从CCTA进行全面的冠状动脉疾病评估和风险分层。通过利用病理中心的自监督学习范式和大规模无标注数据，CORA在各种下游任务中展示了持续的性能提升，包括斑块类型表征、病变级狭窄检测、冠状动脉分割和短期MACE预测。值得注意的是，这些改进不仅在内部评估中观察到，也在独立的外部队列中观察到，突显了学习表征的稳健性和泛化性。总体而言，我们的发现表明，病理感知预训练可以作为心血管影像中注释密集型监督学习的可扩展替代方案。
这项工作的核心贡献在于将表征学习从通用解剖重建重新定义为病理导向的理解。传统的自监督范式，如掩码图像建模，隐式强调全局解剖统计和重建保真度。虽然对结构任务有效，但这些目标可能会稀释空间稀疏病理信号的表征，特别是在CCTA中，冠状动脉斑块仅占体积视场的一小部分。相比之下，CORA采用的合成驱动目标明确地使编码器偏向于检测模拟的血管异常。这种表述鼓励模型将表征能力分配给表征斑块表型的细微、局部强度和形态变化。此外，多窗口输入策略使互补衰减范围的同时利用成为可能，促进了低衰减非钙化斑块和高密度钙化病变之间的更好区分。在诊断和解剖任务中观察到的一致收益表明，病理中心目标可以同时增强疾病敏感性和结构感知。
与现有的3D自监督预训练模型和特定任务基线相比，CORA展示了卓越的跨域泛化能力，在外部队列上观察到最大的性能差距。这一发现突显了医学影像中传统自监督方法的一个重要限制：通过通用重建目标学习的特征可能仍然与扫描仪或协议特定特征纠缠在一起，限制了在不同机构之间的可迁移性。相比之下，病变合成引入了与任务相关的不变性，使模型能够专注于生理学上有意义的模式，这些模式对获取变异性的敏感性较低。此外，统一的编码器架构支持多种下游任务，无需依赖复杂的多阶段流程，这可能减少了与血管提取和重新格式化工作流程相关的累积错误传播。
重要的是要区分CORA中合成病变的作用与传统的合成数据增强。在标准增强中，合成样本混合到标记训练集中以扩大其有效大小，监督信号仍然来自人类标注。相比之下，在CORA中，插入的病变不是辅助训练示例，而是构成自监督目标本身：每个合成异常的位置是预训练期间唯一的监督目标，完全不需要任何诊断标签。因此，预训练任务是定位插入的异常，这直接塑造了学习表征空间的几何形状，使其朝向稀疏的血管病理。这种区别解释了为什么观察到的改进反映了预训练目标，而不是仅对合成外观的暴露：所有比较方法都在相同的无标注队列上进行预训练，条件匹配，仅在它们的自监督目标上有所不同。
一个重要的考虑因素涉及合成病变相对于动脉粥样硬化斑块完整生物复杂性的保真度。现实世界的冠状动脉病变表现出丰富的形态和组成异质性，无法被任何模拟引擎完全捕获，包括富含脂质的坏死核心、厚度可变的纤维帽、斑点钙化和餐巾环征象。然而，我们强调，完美的病理现实主义既不是设计目标，也不是有效预训练的先决条件。合成引擎服务于特定的表征目的：将编码器的注意力从主导的背景解剖转向冠状血管及其潜在异常，从而减少后续特定任务微调的学习负担。从这个角度看，合成病变的关键属性不是生物学保真度，而是形态和衰减多样性，确保预训练编码器对血管壁上各种强度扰动发展出广泛的敏感性。图7提供了真实和合成冠状动脉斑块的比较可视化。
经验上，当我们直接将预训练模型应用于真实CCTA体积而不进行任何微调时，生成的异常响应图突出了许多候选区域，真实病变始终包含在其中。尽管这些原始预测也包含大量假阳性，但这种行为是预期的，事实上也是可取的：它表明预训练编码器获得了故意过度敏感的检测器，对类斑块区域进行了广泛筛选。特定任务的微调然后通过利用标记示例来抑制假阳性并锐化病变区分，将这种广泛的敏感性细化为精确的、临床可行的预测。图8显示了我们通过将预训练的CORA直接应用于真实CCTA体积而不进行任何特定任务微调来进行零样本异常检测。
此外，我们预训练框架的一个显著特性是它完全独立于诊断标签。由于监督信号完全来自合成插入的病变，CORA可以在任何CCTA体积上进行预训练，无论患者是否真正患有冠状动脉粥样硬化。实际上，12,801个预训练体积中的一部分不可避免地包含在预训练期间未标记为阳性目标的真实斑块。然而，几个设计特性减轻了这种隐式标签噪声的影响。基于补丁的采样策略（96×96×96体素）确保随机裁剪的大部分补丁不与真实冠状动脉斑块相交，考虑到它们在体积扫描中已确立的空间稀疏性。此外，大批次和数据集规模确保了来自此类补丁的任何噪声梯度在训练迭代中被高度稀释。在所有评估任务上表现出的强劲下游性能提供了经验确认，表明这种噪声不会显著损害表征质量。更广泛地说，这一特性使预训练管道可以立即扩展到任何机构CCTA档案，无需整理开销。
从临床角度看，这些结果有几方面含义。首先，准确的斑块表征和狭窄检测对于疑似冠状动脉疾病患者的诊断和治疗决策至关重要。CORA改进的敏感性和稳健性可能促进高风险研究的自动化筛查和优先排序，从而减少解释时间和观察者间变异性。其次，CORA的影像表征携带了超出仅临床变量模型的近期MACE预后信号，并且整合两种模态进一步提高了精确度-召回性能，特别是在外部队列中。外部队列中更大的多模态增益表明，当人群与训练分布偏离时，结构化临床变量最能提供信息，而在同质的单站点设置中，影像表征本身就捕捉了大部分可用信号。这种模式表明，影像衍生特征和临床特征是互补的而非冗余的，同时缓和了对统一多模态效益的主张。这种整合可以支持急性胸痛环境中的早期分诊，并实现更个性化的管理策略。最后，所提出的统一基础模型的性质可能为在异质临床环境中实现可扩展部署提供实用途径。
当前工作的几个局限性值得注意。首先，我们数据集的临床构成固有限制了模型对无症状人群的泛化能力。在常规临床实践中，CCTA主要针对具有特定临床指征的患者获取，最常见的是症状性胸痛或心绞痛等效物。因此，不能假设CORA对无症状筛查人群的泛化能力，而无需进行专门评估。此类队列中的动脉粥样硬化负担、斑块形态分布和先验概率可能与我们训练和验证数据中代表的症状人群大不相同。未来前瞻性研究应评估模型在作为新兴初级预防协议一部分接受CCTA的无症状个体中的性能。其次，我们的评估基于回顾性研究设计，可能无法捕捉前瞻性纵向随访的全部临床背景。因此，30天MACE的标签可能包含一定程度的噪声；例如，院外心脏相关死亡或发生在外部机构的事件可能不会完全在我们综合医疗系统的记录中捕获。虽然在狭窄的30天窗口内这种缺失事件的可能性相对较低，但这种潜在的报告不足仍然是一个因素。未来具有专用事件裁决的前瞻性研究对于进一步验证这些预后发现是必要的。第三，我们的数据集缺乏关于并发降脂治疗（如他汀类药物）的全面基线数据。已知他汀类药物会改变斑块生物学，通常通过促进宏观钙化同时减少非钙化脂质核心来稳定斑块。虽然缺乏这种药理学背景是一个限制，但CORA在内部和外部队列中的强劲预后性能，无论基础用药状态如何，都突显了学习表征在现实世界、高度异质临床环境中的稳健性和广泛泛化能力。
总之，CORA证明病理中心合成驱动的预训练为从大规模无标注CCTA数据中学习临床有意义的表征提供了一种有效策略。通过在单一基础框架内统一解剖评估和预后建模，这种方法为全面、数据高效的 cardiovascular imaging分析提供了一条可扩展的途径。
方法
研究人群
我们回顾性分析了2005年10月至2024年11月期间在西北医学医疗系统内九家医院接受CCTA的12,801名患者队列。该研究获得了西北大学机构审查委员会的批准，并豁免了知情同意。CCTA的临床指征包括症状性胸痛、基于风险因素的冠状动脉疾病（CAD）筛查、心电图异常或先前血运重建的评估。CCTA检查使用64排或更高级别的单源或双源CT扫描仪进行（西门子Healthineers的Somatom Force或Somatom Definition Flash；GE HealthCare的Revolution CT或Revolution Apex；佳能医疗系统的Aquilion Prime 80）。所有CCTA体积均被识别用于分析。预训练和微调阶段的所有CCTA体积均重采样至固定的体素间距0.5 × 0.5 × 0.5 mm³。
为建立斑块表征和MACE预测的数据集，我们应用了以下排除标准：
1）冠状动脉血运重建病史。
2）冠状动脉搭桥手术。
3）先前急性心肌梗死。
4）指数CCTA后缺乏随访诊断记录。
最终研究人群包括4,883名符合条件的受试者，平均随访2.4年。其中，2,775名患者来自西北纪念医院，分为训练集（N=2,220）和内部验证集（N=555）。来自其他八家医院的剩余2,108名患者被保留为独立的外部验证队列。
为严格防止数据泄漏，构成内部测试集（N=555）和外部测试集（N=2,108）的所有患者均在自监督预训练前从预训练集中排除，得到10,138个预训练体积。测试集图像在预训练期间未被模型观察到；狭窄检测队列（N=348）和ImageCAS测试分割同样独立于预训练数据。只有下游训练分区与预训练队列重叠，符合标准的自监督预训练后进行监督微调。
每个队列的人口统计、临床和影像特征在表1中进行了总结。详细的纳入和排除过程，包括在九个参与中心之间的患者划分，显示在研究流程图中（图6）。
斑块分类标签是从原始自由文本CCTA放射学报告中使用两个大型语言模型独立提取的，GPT-4o和Claude Sonnet 4.5，每个模型都被提示返回指示钙化和非钙化斑块存在的结构化JSON。比较两个模型的输出，任何不一致的病例均通过相应报告的专家评审解决。在由认证读者随机抽样的200份报告中，两个模型的提取准确率均超过99%。提取提示和输出模式可在代码库中获取（见代码可用性）。
狭窄检测队列包括来自西北医学系统的348个CCTA体积，其中均未包含在预训练集中。我们确定了348个包含至少一个中度或更严重狭窄（CAD-RADS ≥ 2）的CCTA体积，如原始临床放射学报告所示。为确保诊断级地面真相，三名经验丰富的放射科医生和医学影像专家独立标注了狭窄病变，使用相应的放射学报告作为定位和分级的主要参考。
CORA实现和预训练协议
我们将CORA的预训练表述为自监督分割任务，采用3D残差U-Net架构（表2）。为优先学习临床相关特征，我们开发了一个"病理感知"数据引擎，在血管树内实时合成冠状动脉异常。这种策略使模型的表征能力偏向于冠状血管及其相关病理，而不是通用解剖重建。
数据引擎：为促进数据引擎，我们首先使用在ImageCAS数据集上训练的nn-unet模型从预训练体积中提取冠状动脉掩模。在预训练过程中，采用以动脉为中心的采样策略：大小为96×96×96的补丁被随机裁剪，每个补丁的中心锚定在冠状动脉体素上。这确保每个训练样本包含有效的血管解剖，最大化冠状特异性特征的学习信号。
在每个血管补丁内，我们随机插入合成的钙化或非钙化（软）斑块。我们利用数据引擎生成不规则、逼真的病变形态。病变被建模为1-3个重叠高斯斑点（sigma范围：0.7-2.0）的复合结构，以模拟自然斑块的异质形状。合成病变根据其临床表型分配了亨氏单位（HU）值：钙化斑块为800-1500 HU，软斑块为30-90 HU。为提供模型增强的对比敏感性，原始补丁使用特定临床窗口转换为四通道输入：脂肪窗口（-100,140 HU）、软组织窗口（50,400 HU）、血管造影窗口（350,700 HU）和钙化窗口（500,2000 HU）。为增强稳健性并模拟临床成像条件，我们应用了基于比尔-朗伯定律近似的泊松噪声（I₀=10⁵，L=200.0 mm），以及电子背景噪声（σₑ=2.0）。几何增强包括随机3D旋转（±15°）、各向同性缩放（0.9-1.1）和随机轴翻转。
模型预训练：鉴于冠状动脉病变相对于总体积高度稀疏，我们使用自定义损失函数来解决极端类别不平衡问题。目标函数定义为两个组成部分的总和：
1）Tversky损失：我们设置β=0.9和α=0.1，以严重惩罚假阴性，从而优先考虑检测细微病变的召回率（敏感性）。
2）Focal损失：使用γ=4.0的聚焦参数，降低易学背景体素的损失贡献，迫使模型专注于具有挑战性的病理边界。
总损失为：
L_total = L_Tversky(α=0.1, β=0.9) + L_Focal(γ=4.0)
这种合成驱动的预训练使编码器偏向于临床相关的血管病理，为下游诊断和预后任务提供了稳健的基础。
下游任务的适应
冠状动脉斑块表征任务：冠状动脉斑块表征任务被表述为体积级多标签分类问题，用于从CCTA体积预测钙化和非钙化斑块的存在。在微调期间，我们使用CORA的预训练编码器作为骨干，后接全局平均池化层和线性分类头。由于此任务在体积级别运行，整个CCTA体积被用作输入，无需补丁采样。模型性能主要使用接收者操作特征曲线下面积（AUROC）进行评估，如正文所述。此外，我们报告了钙化和非钙化斑块检测的准确率、敏感性、特异性和F1得分。
狭窄检测：狭窄检测任务被表述为分割问题。在微调中，CORA的预训练编码器和解码器均用作初始化。为解决狭窄病变与背景之间的严重类别不平衡问题，我们采用了由Tversky损失和Focal损失组成的复合损失函数。为减少假阳性检测并提高微调阶段的计算效率，我们利用TotalSegmentator生成心脏的解剖掩模。然后使用该掩模裁剪原始CCTA体积，有效隔离心脏区域并将模型输入限制在临床相关体素。此预处理步骤显著抑制了心外结构的潜在伪影。由于狭窄边界，特别是由非钙化斑块引起的狭窄边界通常模糊不清，而临床决策主要需要病变定位而非精确的体素级界定，因此在病变级别进行评估。每个狭窄被定义为地面真相标注中的连接组件。如果预测病变与参考病变重叠超过10个体素，则被视为真阳性。
冠状动脉分割：为评估我们预训练表征对密集解剖任务的可迁移性，我们将CORA微调用于冠状动脉分割。在此配置中，我们使用预训练的CORA编码器与随机初始化的解码器配对。模型使用Dice损失进行优化，以确保预测和参考血管掩模之间的重叠最大化。此任务特别测试了病理中心预训练是否保留了冠状动脉树的潜在解剖基础。
MACE风险分层：对于30天MACE预测，我们构建了一个整合影像和临床信息的多模态模型。预训练的CORA编码器后接全局平均池化，用于获取固定长度的影像表征。同时，表1中列出的人口统计和临床变量被序列化为每名患者的自然语言临床摘要。不是将变量呈现为孤立的字段-值对，而是将每名患者的结构化字段渲染为流畅通顺的英语句子，分为五个主题部分：任务导向提示、人口统计（年龄、性别）、生命体征（血压、体重指数）、实验室值（LDL、HDL、总胆固醇）、病史（糖尿病、高血压；仅在存在时包括）和吸烟状态（从从不/既往/当前映射到描述性短语）。一个代表性的序列化输入是："以下是患者人口统计和临床信息的摘要。请关注心血管疾病的关键风险因素。这是一名63岁男性。患者血压为128/73 mmHg，BMI为29.0 kg/m²。实验室结果显示LDL为96 mg/dL，HDL为50 mg/dL，总胆固醇为170 mg/dL。病史包括糖尿病，过去一年内诊断出高血压。关于生活方式，患者是既往吸烟者。"
缺失的数值字段用训练集均值填充，以保持与仅临床基线使用的插补一致性，而没有记录值的分类字段则使用明确的"未知"描述符渲染；特定患者不存在的历史项目则简单地从摘要中省略。序列化的文本与其任务导向提示作为首句前置，使用冻结的Qwen-7B语言模型进行编码。池化的文本嵌入通过多层感知机（MLP）投影以匹配影像特征维度，与影像表征连接，并传递给线性分类层。该模型使用交叉熵损失进行训练；只有MLP、融合和分类层被更新，而影像编码器和语言模型均保持冻结。
我们采用了语言模型文本编码器，而不是传统的表格编码器，这样异构结构化字段和缺失值可以通过自然语言序列化表示在一个统一的嵌入空间中，并且临床编码器可以在未来工作中扩展到更丰富的自由文本输入（例如临床记录），而无需架构更改。我们注意到，该临床编码器对影像的边际贡献因队列而异（结果），我们在讨论中进一步探讨了这一点。
计算资源
所有模型训练和评估均在西北大学Quest高性能计算（HPC）集群上进行。CORA的预训练阶段使用单个NVIDIA H100 GPU（80 GB）进行。由于高效的基于补丁的采样策略（96×96×96体素），预训练过程在约25小时内完成。对于下游微调任务，计算需求根据输入维度和数据集规模而变化。
斑块分类和MACE风险分层：由于这些任务需要将整个CCTA体积作为输入，我们使用了由三个NVIDIA H100 GPU组成的多GPU配置。这些任务的训练在约48小时内完成。
冠状动脉分割和狭窄检测：由于数据集规模较小，这些任务的计算需求较低。这些目标的微调在单个NVIDIA H100 GPU上进行，每个任务在不到10小时内达到收敛。
所有实现均使用PyTorch框架开发，利用SimpleITK和MONAI等专门库进行医学图像处理和数据增强。
数据可用性
ImageCAS数据集用于冠状动脉分割评估，可在GitHub仓库公开获取。用于预训练CORA以及在冠状动脉斑块表征任务、狭窄检测任务和MACE风险分层任务上微调的数据集由于患者隐私义务、机构审查委员会（IRB）限制和数据使用协议要求，不公开可用。经合理请求，经相应作者批准并经机构批准，可能会提供去识别数据用于研究目的。
代码可用性
本研究中使用的所有算法均使用PyTorch中的库和脚本开发。源代码将在以下位置公开提供：
[CORA]。
作者贡献声明
J.H.提出了方法论，设计并执行了所有实验，进行了数据分析，并起草了手稿。G.D.和H.E.A.执行了数据标注并验证了临床数据集的完整性。B.Z.概念化、管理数据资源并监督研究项目。U.B.、B.D.A.和N.S.S.提供了关键的临床和技术见解。所有作者对稿件的重要知识内容进行了实质性修改，所有作者审阅并批准了最终版本。
竞争利益
作者声明不存在竞争利益。
【全文结束】