心外膜脂肪组织（EAT）与冠状动脉疾病（CAD）的风险直接相关。其体积，即EAT体积（EATV），可以通过非对比心脏计算机断层扫描（NCCT）测量，但需要手动分割心包，这一过程耗时且容易受到观察者内部和观察者之间的差异影响。尽管已有许多研究提出了不同的模型和方法来量化EATV，但在通过EATV与CAD风险的关联来评估其自动量化的临床相关性方面仍存在空白。
在本研究中，评估了一种集成U-Net++模型，用于在NCCT扫描中分割EAT并量化EATV。模型性能与真实数据（n=119）进行了比较。通过狭窄严重程度、钙化评分以及是否存在阻塞性CAD（≥50%狭窄）来评估模型EATV与CAD风险的关联。集成U-Net++模型在EAT分割任务中达到了82.68%的中位Dice得分（四分位距为79.41%-85.41%）。在EATV方面，两种测量结果高度相关（R=0.95，p<0.001），且无显著偏差（偏差=7.62毫升；p<0.001）。通过多变量分析发现，模型EATV是阻塞性CAD的独立预测因子（p<0.05）。接收者操作特征曲线（ROC）分析表明，结合EATV和冠状动脉钙化评分（CACs）的风险因素组合在预测阻塞性CAD方面表现良好（AUC为0.86；敏感性为61.7%；特异性为94.44%；阳性预测值为87.88%，阴性预测值为79.07%）。结果证明，所提出的机器学习模型不仅可以快速、全自动且准确地从NCCT中量化EATV，还表明该模型有潜力被纳入常规CAD风险评估中。
(全文结束)
