背景
正电子发射断层扫描（PET）/CT用于心肌灌注成像（MPI）提供了多种成像生物标志物，这些标志物通常被单独评估。我们开发了一种人工智能（AI）模型，整合了关键的临床PET MPI参数，以改善对阻塞性冠状动脉疾病（CAD）的诊断。
方法
从四个地点接受心脏PET/CT检查的17,348名患者中，我们回顾性地招募了1,664名在180天内进行了侵入性冠状动脉造影且无先前CAD病史的受试者。使用深度学习从CT衰减校正图中得出冠状动脉钙化评分（CAC）。使用来自一个地点的数据开发XGBoost机器学习模型来检测CAD，定义为左主干狭窄≥50%或其他动脉≥70%。该模型利用了临床实践中得来的10个图像衍生参数：CAC、应激/静息左心室射血分数、应激心肌血流量（MBF）、心肌流量储备（MFR）、缺血和应激总灌注不足（TPD）、暂时性缺血扩张率、速率压力乘积和性别。在其余三个地点评估通用性——选择这些地点是为了最大化测试能力和捕捉站点间变异性——并与使用受试者工作特征曲线下面积（AUC）的定量分析比较模型性能。使用Shapley加法解释（SHAP）对患者的特定预测进行了解释。
结果
在训练集（n=386）和外部测试集（n=1,278）中，CAD患病率分别为61%和53%。在外部评估中，AI模型达到了更高的AUC（0.83 [95%置信区间（CI）: 0.81-0.85]），相比于经验丰富的医生的临床评分（0.80 [0.77-0.82]，p=0.02）、缺血TPD（0.79 [0.77–0.82]，p<0.001）、MFR（0.75 [0.72–0.78]，p<0.001）和CAC（0.69 [0.66–0.72]，p<0.001）。模型的表现一致在性别、体重指数和年龄组中表现良好。驱动预测的前几个特征是应激/缺血TPD、CAC和MFR。
结论
整合灌注、流量和CAC评分的人工智能提高了PET MPI诊断的准确性，为CAD诊断提供了自动化和可解释的预测。
(全文结束)
