基于人工智能測量的冠狀動脈鈣化積分與CT-FFR及斑塊特征的相關性

摘要：目的" 采用冠狀動脈CT血管成像聯合數坤科技智慧平臺（AI）分析冠狀動脈鈣化積分（CACS）與無創血流儲備分數（CT-FFR）及斑塊特征的相關性。方法" 根據AI測量的CACS數值，將2021年1月～2022年12月于蚌埠醫科大學第一附屬醫院行冠狀動脈CT血管成像檢查的208例患者分為低度鈣化組（n=73，0分lt;CACSlt;100分）、中度鈣化組（n=64，100分≤CACS≤400分）和高度鈣化組（n=71，CACSgt;400分）。比較各組一般臨床資料及AI測量下的犯罪血管及犯罪斑塊的特征參數，并分析特征參數與CACS組別的相關性，通過繪制ROC曲線計算曲線下面積（AUC）評估單一指標及聯合指標對兩個組別（低度鈣化組-中度鈣化組、中度鈣化組-高度鈣化組）的診斷效能。結果" AI測量下，CT-FFR、斑塊長度、斑塊體積、最小管腔面積（MLA）在不同CACS組的差異均有統計學意義（Plt;0.05），斑塊類型在低度鈣化組-中度鈣化組間差異有統計學意義（Plt;0.05），在中度鈣化組-高度鈣化組的差異無統計學意義（Pgt;0.05）。多因素Logistic回歸分析顯示，年齡、CT-FFR、斑塊體積、MLA是更高CACS組的危險因素，斑塊體積與CACS嚴重程度呈正相關（r=0.437，Plt;0.001），CT-FFR、MLA與其呈負相關（r=-0.640，-0.658，Plt;0.001）。ROC曲線顯示，在低鈣化積分組-中鈣化積分組，CT-FFR、斑塊體積、MLA及聯合指標的AUC值分別為0.731、0.678、0.748、0.824；在中鈣化積分組-高鈣化積分組，CT-FFR、斑塊體積、MLA及聯合指標的AUC值分別0.741、0.670、0.746、0.840。CT-FFR、斑塊體積、MLA三個聯合指標在兩個組別的診斷效能均大于單一指標。結論" AI測量下，CT-FFR、斑塊體積、MLA在不同CACS組均有顯著差異，是更高CACS組的危險因素，CT-FFR、MLA在不同CACS組均表現出良好的診斷效能，CT-FFR、斑塊體積、MLA聯合時診斷效能明顯提高。

關鍵詞：人工智能；冠狀動脈鈣化積分；無創血流儲備分數；斑塊特征

Correlation of coronary artery calcification score with CT fractional flow reserve and plaque characteristics measured by artificial intelligence

YANG Xudong， HUANG Xinyi， SHI Shikui

Department of Radiology， the First Affiliated Hospital of Bengbu Medical University， Bengbu 233004， China

Abstract： Objective To investigate the correlation between coronary artery calcium score （CACS） measured by coronary computed tomography （CCTA） combined with the Sukun Technology Intelligence Platform （AI）， CT fractional flow reserve （CT-FFR）， and plaque characteristics. Methods Based on the CACS values measured by AI， 208 patients who underwent CCTA examination at the First Affiliated Hospital of Bengbu Medical College from January 2021 to December 2022 were divided into three groups： low calcification group （n=73）： 0lt;CACSlt;100; moderate calcification group （n=64）： 100≤CACS≤400， high calcification group （n=71）： CACSgt;400.Comparison of general clinical data and characteristics of culprit vessels and culprit plaques measured by AI in different CACS groups were analyzed. The correlation between characteristic parameters and CACS groups was assessed， and the diagnostic efficiency of single and combined indicators for two groups （low calcification group vs. moderate calcification group， moderate calcification group vs. high calcification group） was evaluated by drawing ROC curves to calculate the AUC. Results Based on AI measurements， there were statistically significant differences （Plt;0.05） in CT-FFR， plaque length， plaque volume， and minimal lumen area （MLA） among different CACS groups. There was a significant difference in plaque type between the low calcification group and the moderate calcification group（Plt;0.05）， but no statistical significance in differences between the moderate calcification group and the high calcification group （Pgt;0.05）. Multifactorial logistic regression analysis indicated that age， CT-FFR， plaque volume， and MLA were risk factors for higher CACS groups. Plaque volume was positively correlated with the severity of CACS （r=0.437， Plt;0.001）， while CT-FFR and MLA were negatively correlated with it （r=-0.640， -0.658， Plt;0.001）. The ROC curve showed that in the low calcification group to the moderate calcification group， the AUC values of CT-FFR， plaque volume， MLA and combined index are 0.731， 0.678， 0.748 and 0.824 respectively; in the moderate calcification group to the high calcification group， the AUC values of CT-FFR， plaque volume， MLA and combined index were 0.741， 0.670， 0.746 and 0.840 respectively. The diagnostic efficiency of the combined index of CT-FFR， plaque volume and MLA was greater than that of a single index in both groups. Conclusion AI measurements show significant differences in CT-FFR， plaque volume， and MLA among different CACS groups， indicating that they are risk factors for higher CACS groups. CT-FFR and MLA demonstrate good diagnostic performance across different CACS groups， while the combination of CT-FFR， plaque volume， and MLA significantly improves diagnostic efficacy.

Keywords： artificial intelligence; coronary artery calcification score; CT fractional flow reserve; plaque characteristics

冠狀動脈硬化性心臟病（CAD）是由于冠狀動脈內皮發生粥樣硬化、斑塊形成等多種因素，導致冠脈血管發生狹窄甚至閉塞［1］ 。當冠狀動脈內皮改變積累到一定程度時，會導致冠脈血管發生鈣化，即冠狀動脈鈣化（CAC）［2， 3］ 。既往研究表明，CAC是評估CAD血管及斑塊特征的一項重要指標［4］ ，冠狀動脈鈣化積分（CACS）作為一項重要的影像學參數，與主要心血管不良事件（MACE）緊密相關，通常認為更高CACS的人群，發生MACE的概率更高［5， 6］ 。無創血流儲備分數（CT-FFR）作為一種無創評估血流動力學的指標［7］ ，已被證實與MACE聯系緊密。研究表明，冠脈斑塊的形成與心肌缺血關系密切［8］ ，斑塊各項參數特征，如斑塊類型、斑塊長度、斑塊體積、最小管腔面積（MLA）與MACE存在一定的聯系。現有研究已證實CACS、CT-FFR及斑塊與MACE的相關性，因此研究不同層級CACS患者冠脈血管及斑塊特征的相關性對MACE人群臨床診斷和分級管理有重要價值。但既往研究僅分析了CACS與冠脈斑塊的相關性［9］ ，目前用冠脈血管與斑塊評估CACS嚴重程度的研究較少，CT-FFR及斑塊特征對CACS嚴重程度的診斷價值有待驗證。本研究運用AI測量的結果，分析CT-FFR及斑塊特征與CACS的關系，討論了不同層級CACS患者的危險因素，探究CT-FFR及斑塊特征對CAD患者的CACS嚴重程度的預測能力，有望為CAD患者評估CACS嚴重程度提供影像學指標，為患者的臨床分級管理提供依據。

1" 資料與方法

1.1" 一般資料

回顧性分析2021年1月～2022年12月在蚌埠醫科大學第一附屬醫院行冠狀動脈CT血管成像（CCTA）檢查患者的臨床資料及影像資料。納入標準：患者均發生MACE來院檢查，行冠脈CTA掃描且經過有創冠脈造影檢查；患者CCTA圖像上傳數坤平臺，犯罪血管及犯罪斑塊所在位置與金標準（有創冠脈造影）結果基本保持一致；患者臨床資料與影像資料齊全。排除標準：患者過往行冠狀動脈支架手術、開胸手術等；CCTA圖像質量太差，偽影較大；患者有其他嚴重疾病。本研究通過倫理審核（審批號：2023YJS155）。本研究共納入患者208例，將CCTA圖像上傳數坤平臺，經數坤平臺AI計算患者的冠脈鈣化積分。根據《CACS危險分級指南》［10］ 對冠脈鈣化積分的嚴重程度進行分組：低度鈣化組（n=73，0分lt;CACSlt;100分），中度鈣化組（n=64，100分≤CACS≤400分），高度鈣化組（n=71，CACSgt;400分）。

1.2" 儀器與方法

采用GE Revolution 256排CT掃描儀進行掃描。患者取仰臥位，手舉至頭部，吸氣后屏氣，充分暴露胸部，采用前瞻心電門控技術進行CCTA掃描，掃描范圍為氣管隆嵴下1 cm至心臟膈面下方。患者心率lt;65次/min的曝光時間窗設置為70%～85%R-R間期；患者心率≥65次/min曝光時間窗設置為40%～85%R-R間期。掃描參數：管電壓120 kV，基準電壓100 kV，管電流范圍200～300 mA，球管轉速0.28 s/周，重建圖像層厚2.5 mm；對比劑采用碘海醇，由肘正中靜脈注射，注射流率為4～6 mL/s，注射劑量為1.0～1.5 mL/kg，后跟注25 mL生理鹽水；使用對比劑跟蹤掃描技術，選取氣管分叉層面至降主動脈為感興趣區（ROI），CT值自動促發閾值設置為80 HU，達閾值后延遲6 s啟動CCTA掃描，層厚及層間距均為0.625 mm。

1.3" 圖像重建與篩選

將原始軸位圖像發送至GEAW4.7后處理工作站進行標準算法重建，將圖像質量最佳的序列傳入數坤平臺。經AI計算出各冠脈分支（左前降支、左回旋支、右冠狀支）的狹窄程度及各冠脈分支斑塊的具體位置。由兩位高年資從事心血管影像診斷方面的醫生結合金標準（有創冠脈造影）確定犯罪血管的位置及犯罪斑塊的位置，最終篩選出208個與金標準的結果（犯罪血管及犯罪斑塊的位置）基本保持一致的CCTA圖像。

1.4" 數據收集

1.4.1" CT-FFR" "從篩選的208個CCTA圖像，經數坤平臺AI計算，記錄犯罪血管的CT-FFR值。

1.4.2" 提取斑塊特征及斑塊類型" "從篩選的208個CCTA圖像，經數坤平臺AI計算，記錄犯罪斑塊的類型、長度、體積、MLA。

1.4.3" 患者基本數據及臨床數據" "經蚌埠醫科大學第一附屬醫院病例系統，獲取患者的基本數據（年齡、性別、BMI、高血壓、糖尿病）及臨床數據（總膽固醇、甘油三酯、高密度脂蛋白、低密度脂蛋白、C反應蛋白、乳酸脫氫酶）。

1.5" 統計學分析

采用SPSS27.0統計軟件進行數據分析。計量資料呈正態分布時以均數±標準差表示，組間比較采用t檢驗，當計量資料呈偏態分布時以中位數和四分位數間距表示，組間比較采用非參數檢驗。計數資料以n（%）表示，組間比較采用χ2檢驗。采用ROC曲線分析AI測量的CT-FFR及斑塊特征對CACS嚴重程度的診斷價值。以Plt;0.05為差異有統計學意義。

2" 結果

2.1" 患者基本數據與臨床數據的比較

除年齡外，3組患者基本數據和臨床數據的差異均無統計學意義（Pgt;0.05，表1）。

2.2" 基于數坤平臺AI測量下的CT-FFR及斑塊特征的組間比較

2.2.1" 各組犯罪血管及犯罪斑塊所在冠脈分支對鈣化積分程度的影響" 低鈣化積分組（n=73）在左前降支、左回旋支、右冠狀支的例數分別為49例、2例、22例；中鈣化積分組（n=64）在左前降支、左回旋支、右冠狀支的例數分別為37例、7例、20例；高鈣化積分組（n=71）在左前降支、左回旋支、右冠狀支的例數分別為40例、9例、22例。3組的犯罪血管及犯罪斑塊所在冠脈分支（左前降支、左回旋支、右冠狀支）的差異均無統計學意義（Pgt;0.05）。

2.2.2" 各組犯罪血管及犯罪斑塊的特征參數比較" "在低鈣化積分組犯罪斑塊類型對比中鈣化積分組，斑塊類型的差異有統計學意義（Plt;0.001），在中鈣化積分組犯罪斑塊類型對比高鈣化積分組，斑塊類型的差異無統計學意義（Pgt;0.05）。

不同CACS組FFR值的差異均有統計學意義（Plt;0.05）。隨著鈣化積分的增高，FFR值呈變小的趨勢。

各組犯罪斑塊特征參數（斑塊長度、斑塊體積、MLA）的差異均有統計學意義（Plt;0.05）。相比于低鈣化積分組，中鈣化積分組的斑塊長度、體積均增長，MLA下降；相比于中鈣化積分組，高鈣化積分組的斑塊長度、體積均增長，MLA下降（表2）。

2.3" 冠脈鈣化積分嚴重程度的回歸分析

選取3組間差異有統計學意義的指標（年齡、CT-FFR、斑塊長度、斑塊體積、MLA）作為變量，分析影響冠脈鈣化積分嚴重程度的危險因素。多因素回歸分析顯示，年齡、CT-FFR、斑塊體積、MLA是冠脈鈣化積分嚴重程度的危險因素（Plt;0.001，表3）。

2.4" 高危參數特征對冠脈鈣化積分嚴重程度的相關性分析

Spearman相關性分析顯示，斑塊體積與冠脈鈣化積分嚴重程度呈正相關（r=0.437，Plt;0.001），CT-FFR、MLA與冠脈鈣化積分嚴重程度呈負相關（r=-0.640、-0.658，Plt;0.001）。

2.5" ROC曲線分析各組高危參數對冠脈鈣化積分嚴重程度的診斷價值

以更高鈣化積分組為結果分別繪制ROC曲線（圖1～2）。基于AI測量下的犯罪血管及犯罪斑塊的特征參數，在低鈣化積分組-中鈣化積分組中CT-FFR、斑塊體積、MLA及三者的聯合指標的AUC值分別為0.731、0.678、0.748、0.824，中鈣化積分組-高鈣化積分組中CT-FFR、斑塊體積、MLA及三者的聯合指標的AUC值分別0.741、0.670、0.746、0.840。在低鈣化積分組-中鈣化積分組與中鈣化積分組-高鈣化積分組中，聯合指標的約登指數均最大，分別為0.507與0.556，聯合指標在兩個組別的敏感度與特異度均能取到最佳值（表4～5）。

3" 討論

本研究通過CCTA掃描技術與數坤平臺相結合的方式，將AI測量下的CACS進行分組，探究其與CT-FFR及斑塊特征的相關性。有研究指出，AI作為一種高效、低成本、低輻射評估CACS的方式，與人工評估有較好的一致性，為廣泛篩選人群創造可能，同時給于不同程度CACS患者有效的治療或預防建議［11］ 。本研究發現，AI測量下的CACS組別的不同，與其對應的犯罪血管及犯罪斑塊的特征變化有比較明顯的統計學差異，并且與既往研究［12］ 運用AI測量的CT-FFR在不同CACS組的變化趨勢保持一致。

冠脈血管因斑塊的堆積、破損及脫落引發血流動力學的變化，最終導致MACE發生［13］ 。CT-FFR作為一種無創評估血流動力學的指標［7］ ，已被證實與侵入性FFR保持良好的一致性［14］ ，能廣泛運用于臨床診斷。既往研究發現FFR≤0.8提示冠脈血流受阻，發生MACE的概率極大提高［15］ 。本研究發現，隨著CACS的增高，CT-FFR有下降的趨勢，當CACS達到中鈣化積分組時，犯罪血管CT-FFR≤0.8的概率提高，這可能與犯罪血管鈣化的進程有關。有研究表明，血管鈣化的機制包括被動鈣化和主動鈣化，隨著血管鈣化的不斷進展，鈣化機制逐漸趨于主動鈣化為主導［16， 17］，當CACS達到中鈣化積分組時，血管鈣化可能逐漸以主動鈣化的形式進行，加快血管的硬化及斑塊的堆積，從而引起血流動力學的變化。在中鈣化積分組-高鈣化積分組中CT-FFR的截斷值為0.785，這與既往研究的CT-FFR的變化趨勢［18］ 一致。斑塊的形成、脫落是MACE發生的導火索，本研究發現，隨著CACS的增加，斑塊長度與斑塊體積呈比較明顯的上升趨勢，MLA呈下降的趨勢。本研究的CACS分組依據來源于《CACS危險分級指南》［10］ ，各組CT-FFR及斑塊特征的顯著差異又進一步驗證了該指南的科學性，為冠心病患者的診斷與預防給出了科學的分組依據。此外，本研究還發現CT-FFR和MLA作為獨立危險因素診斷兩個組別的效能優異，AUC值在兩個組別分別能達到0.731、0.741和0.748、0.746，而斑塊長度在不同CACS組的特征變化不夠突出，無法準確反映冠脈鈣化水平的高低。3項指標（CT-FFR、斑塊體積、MLA）聯合在不同CACS組所得到AUC值均最大，分別為0.824和0.840。

冠脈斑塊分為鈣化斑塊、非鈣化斑塊及混合斑塊。本研究發現，從低鈣化積分組到中鈣化積分組，犯罪斑塊的類型發生了變化（Plt;0.001），而隨著鈣化程度的不斷增高，從中鈣化積分組到高鈣化積分組，斑塊類型的差異無統計學意義（Pgt;0.05），這可能與動脈粥樣硬化斑塊鈣化的機制有關。動脈粥樣硬化斑塊的形成是一個慢性的炎癥過程，有研究表明動脈粥樣硬化的重要起始條件是氧化型低密度脂蛋白誘導的血管內皮細胞損傷和凋亡，氧化型低密度脂蛋白的激活，可促使單核細胞黏附于血管內皮細胞，并侵入內皮下間隙，轉化為巨噬細胞，促進血管鈣化［19］ 。血管內皮細胞的損傷和凋亡，不斷在斑塊表面累積大量的細胞殘骸，導致其類型發生變化。但隨著冠脈鈣化程度的不斷升高，累積到一定程度時，斑塊表面的纖維帽存在大量的微鈣化，加固了斑塊表面纖維帽的基地周應力［20］ ，此時斑塊類型可能趨于穩定。

CCTA檢測血管及斑塊病變情況時，冠狀動脈硬化可誘發脈暈及波束硬化偽影，從而嚴重影響CCTA圖像的質量和準確性［21］ ，本研究為確保AI的準確性，以有創冠脈造影為參照，確定犯罪血管和犯罪斑塊的位置。另一方面，AI在臨床實踐中發展和采用的主要障礙是需要大量高質量的真實數據庫以及診斷技術的標準化［22， 23］ 。例如，CCTA圖像由于心臟跳動所產生的偽影，會很大程度影響圖像的質量［24］ ，進而干擾AI的測量結果，但追蹤凍結技術［25］ 的出現可極大降低CCTA圖像的偽影。有創冠脈造影被廣泛認為是診斷CAD的金標準［26］ ，但由于是侵入性檢查，具有一定的局限性［27］ 。FFR作為一項有創檢查也無法適用于人群篩查。另一方面，人工評估CAD患者的CACS和斑塊特征效率低，耗時長，成本高，難以運用于臨床研究。隨著AI的發展，CCTA技術的逐漸成熟［28］ ，CCTA技術能無創篩查CAD人群，CCTA圖像經過AI分析能夠高效、低成本、低輻射地獲取CAD患者冠脈血管及斑塊的特征參數，為本研究提供高效、可靠的技術支持。

本回顧性研究中因CACS為0的患者例數不足，沒有納入。有研究發現CACS為0的患者CAD的患病概率降低［29］ ；本研究只分析了犯罪血管與犯罪斑塊的相關參數，沒有具體到其他冠脈血管以及斑塊。后續研究將納入CACS為0的患者，并分析不同程度CACS患者冠脈血管所有分支的具體情況。

綜上所述，AI測量下，低度鈣化組-中度鈣化組的斑塊類型有顯著差異，中度鈣化組-高度鈣化組的斑塊類型趨于穩定；CT-FFR及斑塊的其他特征（斑塊長度、斑塊體積、MLA）在兩組均有顯著差異。年齡、CT-FFR、斑塊體積、MLA是更高CACS組的危險因素，且年齡、斑塊體積與CACS嚴重程度呈正相關，CT-FFR、MLA與其呈負相關。CT-FFR、MLA在不同CACS組均表現出良好的診斷效能，CT-FFR、斑塊體積、MLA三者聯合指標診斷效能優于單一指標。

參考文獻：

［1］" "Vaduganathan M， Mensah GA， Turco JV， et al. The global burden of cardiovascular diseases and risk： a compass for future health［J］. J Am Coll Cardiol， 2022， 80（25）： 2361-71.

［2］" " 張" 蘭， 金永萍， 張" 雷， 等. 胸部低劑量CT體檢對冠狀動脈鈣化篩查的研究［J］. 臨床放射學雜志， 2021， 40（7）： 1299-302.

［3］" " 馬雅楠， 金曉雪， 劉德敏， 等. CTRP9對冠心病合并2型糖尿病患者冠狀動脈鈣化的預測價值［J］. 心血管病學進展， 2022， 43（6）： 572-6.

［4］" " Mori H， Torii S， Kutyna M， et al. Coronary artery calcification and its progression： what does it really mean？［J］. JACC Cardiovasc Imaging， 2018， 11（1）： 127-42.

［5］" "Emfietzoglou M， Mavrogiannis MC， Samaras A， et al. The role of cardiac computed tomography in predicting adverse coronary events［J］. Front Cardiovasc Med， 2022， 9： 920119.

［6］" " 喬" 琛， 張" 蕾， 李曉生， 等. 冠狀動脈鈣化積分與傳統危險因素相關性的研究［J］. 中國醫學計算機成像雜志， 2015， 21（1）： 34-7.

［7］" " 閆玉潔， 袁俊強. 基于CCTA的血流儲備分數對心肌橋心肌缺血的評估價值分析［J］. 實驗與檢驗醫學， 2021， 39（3）： 649-51.

［8］" "張曉蕾， 唐春香， 李建華， 等. 冠狀動脈CTA： 斑塊特征定量參數與血流儲備分數的相關性分析［J］. 放射學實踐， 2018， 33（12）： 1261-5.

［9］" "Osborne-Grinter M， Kwiecinski J， Doris M， et al. Association of coronary artery calcium score with qualitatively and quantitatively assessed adverse plaque on coronary CT angiography in the SCOT-HEART trial［J］. Eur Heart J Cardiovasc Imaging， 2022， 23（9）： 1210-21.

［10］ van der Bijl P， Kuneman J， Bax JJ. Coronary artery calcium scoring in the general population［J］. Eur Heart J Cardiovasc Imaging， 2022， 24（1）： 36-7.

［11］ Lee H， Martin S， Burt JR， et al. Machine learning and coronary artery calcium scoring［J］. Curr Cardiol Rep， 2020， 22（9）： 90.

［12］ Di?Jiang M， Zhang XL， Liu H， et al. The effect of coronary calcification on diagnostic performance of machine learning-based CT-FFR： a Chinese multicenter study［J］. Eur Radiol， 2021， 31（3）： 1482-93.

［13］" 李永霞， 馬躍虎， 王同興， 等. 基于CCTA對胸痛病人高危斑塊成分及血流動力學特征的研究［J］. 國際醫學放射學雜志， 2021， 44（1）： 19-24.

［14］ Fairbairn TA， Nieman K， Akasaka T， et al. Real-?world clinical utility and impact on clinical decision?making of coronary computed tomography angiography?derived fractional flow reserve： lessons from the ADVANCE Registry［J］. Eur Heart J， 2018， 39（41）： 3701-11.

［15］" Metz LD， Beattie M， Hom R， et al. The prognostic value of normal exercise myocardial perfusion imaging and exercise echocardiography： a meta-analysis［J］. J Am Coll Cardiol， 2007， 49（2）： 227-37.

［16］ Panh L， Lairez O， Ruidavets JB， et al. Coronary artery calcification： from crystal to plaque rupture［J］. Arch Cardiovasc Dis， 2017， 110（10）： 550-61.

［17］" 石惠薇， 劉碩霖， 熱娜提·肉 孜， 等. 冠狀動脈鈣化的機制研究進展［J］." 中國心血管病研究， 2020， 18（11）： 1039-43.

［18］ Tao Y， Gao YL， Wu XY， et al. Diagnostic performance of coronary computed tomography （CT） angiography derived fractional flow reserve （CTFFR） in patients with coronary artery calcification： insights from multi?center experiments in China［J］. Ann Transl Med， 2022， 10（14）： 788.

［19］Shioi A， Ikari Y. Plaque calcification during atherosclerosis progression and regression［J］. J Atheroscler Thromb， 2018， 25（4）： 294-303.

［20］ Scimeca M， Anemona L， Granaglia A， et al. Plaque calcification is driven by different mechanisms of mineralization associated with specific cardiovascular risk factors［J］. Nutr Metab Cardiovasc Dis， 2019， 29（12）： 1330-6.

［21］ Zhang SX， Levin DC， Halpern EJ， et al. Accuracy of MDCT in assessing the degree of stenosis caused by calcified coronary artery plaques［J］. AJR Am J Roentgenol， 2008， 191（6）： 1676-83.

［22］ Choy G， Khalilzadeh O， Michalski M， et al. Current applications and future impact of machine learning in radiology［J］. Radiology， 2018， 288（2）： 318-28.

［23］ Zitzelsberger T， Scholz A， Hetterich H， et al. Magnetic resonance-based assessment of myocardial 2-dimensional strain using feature tracking： association with cardiovascular risk factors in a population-based cohort free of cardiovascular disease［J］. J Thorac Imaging， 2020， 35（1）： 49-55.

［24］ Si?Mohamed SA， Boccalini S， Lacombe H， et al. Coronary CT angiography with photon-counting CT： first-In-human results［J］." Radiology， 2022， 303（2）： 303-13.

［25］" 高茹茹， 劉建莉， 劉顯旺， 等. 256排CT冠狀動脈追蹤凍結技術在胸痛三聯檢查中的應用價值［J］. 中國臨床醫學影像雜志， 2022， 33（4）： 253-7.

［26］ Abdelrahman KM， Chen MY， Dey AK， et al. Coronary computed tomography angiography from clinical uses to emerging technologies： JACC state-of-the-art review［J］. J Am Coll Cardiol， 2020， 76（10）： 1226-43.

［27］ Seo WW， Yoo HS， Kim YD， et al. Choroidal vascularity index of patients with coronary artery disease［J］. Sci Rep， 2022， 12（1）： 3036.

［28］ Song YB， Arbab-Zadeh A， Matheson MB， et al. Contemporary discrepancies of stenosis assessment by computed tomography and invasive coronary angiography［J］. Circ Cardiovasc Imaging， 2019， 12（2）： e007720.

［29］ Budoff MJ， Young R， Lopez VA， et al. Progression of coronary calcium and incident coronary heart disease events： mesa （Multi-Ethnic Study of Atherosclerosis）［J］. J Am Coll Cardiol， 2013， 61（12）： 1231-9.

（編輯：郎" 朗）