人工智能在冠狀動脈粥樣硬化性心臟病診斷中的應用進展

【DOI】10.16806/j. cnki. issn.1004-3934.2025.07.001

Application of Artificial Intelligence in Diagnosis of Coronary Atherosclerotic Heart Disease

SHI Yiqun，LIU Jian （Department of Cardiology，Peking University People's Hospital，Beijing 1OOo44，China）

【Abstract】Coroaryatheroleroticeartdisase（CH）rmiseofteldingglobalcsesofortalityecesiangcurate andfcitoelataslel theabilityofarlysrning，dgosisndpogosisevaluatioofCbyintegatingmutiodaldataandiagingaalysis.efeldof medicalimaging，asptiizedthntireorkflooforonaryomputedtomogaphagiographycludingiagedenosingsular segmentation，stenosis detection and plaque characterization.Notably，AI achieves over 95% accuracy in identifying vulnerable plaques and enablesfuctioalnttoghfractialseesilatiodngiteetioltsateseoding， AI-drivenriskpredictionmodelsintegratingelectrocardiogram，genomicdataandclinicalvariableshaveenhancedearlydetectioin asymptomaticolatiosnducdrgecraentelayshcallmostratesgcall，sie eficiencyucinglceoasiggapileomotingdadagosisiaycareigoweveg persist，ncugsutaddatidcbilitddeateatitul prioritizeulttelatioddcalatidptiof’tdinapesin andlong-tergsisaagntIousiotptefovtiosithcaldadisCiist a new era of precision and intelligence.

【Keywords】Artificial intellgence;Coronaryatherosclerotic heartdisease;Machineleaming;Diagnosis;Imageprocessing

心血管疾病是當今世界威脅人類生存與影響生活質量的主要因素之一，每年導致約1770萬人死亡[1]，2019年報告死亡人數為1790萬[2-3]。動脈粥樣硬化性心血管疾病目前占全球心血管疾病死亡病例的 60% 以上，且其疾病負擔仍以驚人的速度持續(xù)攀升。冠狀動脈粥樣硬化性心臟病（coronaryatheroscleroticheartdisease，CHD）屬于心血管疾病中最常見的類型，其主要病因是冠狀動脈粥樣硬化導致管腔狹窄進而誘發(fā)心肌供血不足。CHD傳統的診斷方法依賴醫(yī)生對臨床特征和影像學數據「如心電圖（electrocardiogram，ECG）、冠狀動脈CT血管造影（coronary computedtomography angiography，CCTA）、冠狀動脈造影（coronaryangiography，CAG）]等的綜合分析，存在諸多局限性。

人工智能（artificial intelligence，AI）是對思想和智能行為背后計算原理的科學研究[4]。機器學習（machinelearning，ML）是AI的核心分支。近年來，快速發(fā)展的AI技術在CHD的檢出與診斷、影像分析、血流動力學評價、危險分層等方面取得大量研究成果[5-10]，能從海量異構數據中挖掘潛在規(guī)律，從各方面優(yōu)化臨床工作。現系統梳理AI在CHD診斷中的應用進展，分析其臨床應用潛力與局限性，并探討其未來發(fā)展方向。

1AI在處理單純數據資料中的應用

AI在處理數據時，較傳統統計學方法受限更少，可較好地處理具有內在相關性的變量，在分析變量時不易受主觀因素影響，對分布偏倚較大、噪聲較多的數據具有更強的適應性。這些優(yōu)點使得各類使用AI建立的模型在進行單純數據資料分析時展現出良好的性能，可用于指導并改善CHD的臨床篩查工作[10-20]，相關模型算法及其性能評價結果列于表1。這些研究普遍樣本量大，涉及變量多，且部分研究比較了多種算法生成模型的性能差異。如 Xu 等[18]收集了10533例糖尿病合并CHD患者和12634例糖尿病未合并CHD患者的臨床資料，選擇重要特征后使用5種算法建立老年糖尿病患者的CHD預測模型，其中以極限梯度提升（extreme gradientboosting，XGBoost）模型性能最優(yōu)，模型召回率為0.792，特異度為0.808，AUC為0.880。Lee等[20]回顧性分析了11180例常規(guī)體檢中接受CCTA的受試者，基于體檢特征預測受試者是否存在冠狀動脈嚴重狹窄（直徑狹窄率 ? 70% ）。基于多任務學習的神經網絡建立的模型性能最佳，召回率與特異度分別為0.757、0.675。Forrest等[21]納入了來自兩個縱向隊列（BioMeBiobank與UKBiobank）的95935例參與者的電子健康記錄，研究使用隨機森林（randomforest，RF）算法，利用生命體征、用藥記錄、實驗室指標等283個特征生成預測CHD的評分（0～1），用于量化CHD風險、動脈粥樣硬化負荷以及預后。該模型在內部測試集與外部測試集中的表現均很優(yōu)秀，模型的性能見表2。

2AI在處理影像資料中的應用

2.1在CCTA及其衍生指標中的應用

2.1.1在冠狀動脈解剖結構分析中的應用

表1AI在CHD中的應用

注：XGBoost，極限梯度提升；LightGBM，輕量級梯度提升機算法； MICE，鏈式方程多重插補;GBM，梯度提升機；RF，隨機森林。

表2模型對CHD的預測性能[21]

冠狀動脈樹（冠脈樹）與斑塊的精準提取和標注是AI處理分析CCTA中冠狀動脈粥樣硬化性改變的基礎。傳統人工分割與標識操作繁瑣，存在觀測者間差異較大、復雜病變處理能力有限、非鈣化斑塊診斷能力不足等局限性，AI在分析CCTA時可針對性地解決這些問題。如Cao等22提出在提取初始冠脈樹后使用決策樹模型控制冠脈樹改進流程，確保從主支到側支的順序對冠脈樹逐層優(yōu)化。有研究23在將冠狀動脈分割為小體積塊，提取幾何與形態(tài)特征后，使用支持向量機（supportvectormachine，SVM）算法根據每個體積塊的特征將其分為正常與病變兩類。文獻[22-45]報道了近年來AI在冠狀動脈解剖結構分析中的應用，相關案例涉及的模型算法及其主要性能見表3和表4[39]

表3AI模型在CT中的應用

續(xù)表3

注：CACS，冠狀動脈鈣化積分；CNN，卷積神經網絡； KNN，k 近鄰算法。

表4冠狀動脈分支鈣化模型性能[39]

雖然傳統ML算法可改善影像分析過程，但在處理影像時仍存在依賴人工設計特征、三維空間信息利用欠充分、泛化能力不足等局限性，而深度學習（deeplearning，DL）則通過端到端的特征學習和復雜的模型架構改善了上述問題，顯著提升了圖像分割的精度和效率。DL模型的訓練過程遵循一套共性框架，核心思路可概括為多個層級協同優(yōu)化的范式，即通過卷積神經網絡（convolutionalneuralnetwork，CNN）等架構自動提取多尺度層級特征，采用自適應特征金字塔與注意力機制實現病灶敏感區(qū)域聚焦；運用幾何變換、彈性形變等數據增廣技術擴充有限樣本，結合多種自主學習算法構建視覺表征，通過元學習框架實現快速適應新病灶類別的能力[24-39]。如Li等[24]提出的冠狀動脈自動分割與診斷狹窄算法綜合了兩種DL模型，先使用U-Net模型對CCTA圖像通過卷積和下采樣處理提取特征，而后通過上采樣和跳躍連接恢復空間分辨率并生成分割掩膜，再對分割結果進行連續(xù)幀處理后生成三維冠脈樹，將冠脈樹圖像和臨床特征參數輸入3DNet模型后輸出冠狀動脈病變診斷結果，顯著提升了分割冠脈樹及診斷冠狀動脈狹窄病變的效率。Han等[25]使用CNN訓練的CCTA冠狀動脈狹窄病變檢測算法，基于二維CCTA圖像序列生成自動重建的三維CCTA圖像，在冠狀動脈狹窄診斷方面顯示出較好的效能。一項國際多中心研究[2使用卷積長短期記憶網絡（long short-term memory network，LSTM）建立了CCTA圖像的斑塊體積測量模型，其測量結果與專家閱片結果和血管內超聲（intravascularultrasound，IVUS）驗證結果高度一致，大幅減少了斑塊平均分析時間，基于該模型測量的總斑塊體積與心肌梗死風險升高顯著獨立相關。

2.1.2在冠狀動脈功能分析中的應用

基于壓力導絲的血流儲備分數（fractionalflowreserve，FFR）是評價冠狀動脈狹窄功能學意義的金標準，但其屬于有創(chuàng)操作，成本相對較高。CT衍生的FFR（computed tomography derived FFR， FFR_CT ）則是一種FFR的無創(chuàng)替代指標，與有創(chuàng)FFR的結果具有良好的一致性[40]。傳統的 FFR_CT 計算依賴于計算流體力學，計算過程繁瑣，耗時較長，難以滿足臨床需求。因此使用AI計算或輔助計算 FFR_cr 及其相關指標逐漸受到臨床重視。

Kumamaru等[41]建立了一個基于CCTA影像預測FFR_cr 的三維DL模型，該模型使用條件生成對抗網絡提取血管結構特征，以三維卷積階梯網絡篩選空間特征，以分類和回歸節(jié)點預測 FFR_cr 。該模型無需人工分割冠脈樹，首次實現了完全自動化預測 FFR_CT ，單例分析速度達到秒級，可快速篩選需行侵人性檢查的患者，優(yōu)化了CHD的臨床診療策略。另一項研究[42]使用反向傳播神經網絡建立了冠狀動脈狹窄阻力（計算FFR_CT 的關鍵參數）測量模型，模型輸入冠狀動脈解剖及血流相關參數后可預測冠狀動脈狹窄阻力，與傳統流體力學計算結果高度一致，單例計算耗時約為計算流體力學的 1/3000 。以AI技術計算 FFR_CT 在提高診斷效率[41-42]冠狀動脈疾病病因分析[43]、改善醫(yī)療經濟[44]等方面具有重要價值。

2.1.3 在冠狀動脈周圍脂肪組織分析中的應用

冠狀動脈周圍脂肪組織（pericoronaryadiposetissue，PCAT）的炎癥可促進冠狀動脈粥樣硬化進程，血管周圍脂肪衰減指數（fatattenuationindex，FAI）與PCAT體積常作為衡量指標用于分析PCAT與冠狀動脈粥樣硬化的相關性。傳統人工分析PCAT存在主觀差異較大、效率低下、難以量化復雜特征、受設備參數影響顯著、評價指標單一等諸多困難，AI技術則可針對性地解決上述問題。Pan 等[45]、West 等[46]均使用AI技術提取基于CCTA的PCAT脂肪影像組學特征譜（fatradiomicprofile，FRP），發(fā)現基于AI技術計算得到的FAI、PCAT體積對冠狀動脈斑塊進展、主要不良心血管事件等有良好的預測價值。Oikonomou等[47]開發(fā)的基于CCTA中PCAT的FRP的主要不良心血管事件預測模型則首次將PCAT基因表達、PCAT的FRP、臨床預后等多模態(tài)信息同時整合，突破了既往僅使用FAI、PCAT體積對PCAT評價的限制。研究結果顯示基于AI技術提取的FRP可反映PCAT的纖維化與血管化改變，性能顯著優(yōu)于FAI，FRP是主要不良心血管事件的獨立危險因素，高FRP評分（ FRP?0.63 ）人群發(fā)生主要不良心血管事件的風險約是低FRP評分人群的10倍。

2.2在CAG影像及其衍生參數中的應用

傳統人工方式對CAG圖像進行準確定量分析需閱片人深刻理解冠脈樹結構且能準確識別目標血管，這一過程需要大量培訓，且操作過程耗時較長。盡管使用計算機輔助工具（如邊緣檢測方法）可提升效率，但仍需頻繁進行人工校正以實現血管的精確分割，而AI技術的引入或可改變現狀。

Yang等[48]提出了基于改進U-Net架構的方法用于CAG圖像中主要冠狀動脈分支的自動化分割。模型在3302例內部數據集和181例外部驗證集中表現出高精度和實時性（單幀圖像0.04s），實現了定量冠狀動脈造影結果分析的自動化。Ling等[49]提出了一種基于DL的端到端CAG診斷系統（DLCAG），整合ResNet、RetinaNet與MaskR-CNN模型，實現了冠狀動脈狹窄的自動化分類、檢測與實例分割。該系統在949例患者的2980例影像中驗證，分類準確率為88.6% ，檢測與分割的平均精度均值分別為 86.3% 和86.0% ，顯著優(yōu)于傳統方法。這些研究顯示出AI在提高基于CAG圖像對CHD的診斷能力、定量分析及診斷效率等方面的巨大潛力。上述模型性能列于表5。

表5AI在CAG中的應用

2.3在IVUS相關影像及其衍生指標中的應用

IVUS作為重要的腔內影像工具，廣泛應用于動脈粥樣硬化檢測、支架植入優(yōu)化、藥物療效評估及斑塊演變研究。其通過組織特征分析為臨床決策提供關鍵信息，但現有技術受限于軸向和側向分辨率不足，影響對細微結構（如薄纖維帽斑塊、支架小梁）的精準識別，制約了對復雜病變的精確診斷和治療指導能力。AI技術可在圖像分割、斑塊分析和介入治療指導等方面對IVUS進行改進[50]。文獻[3.51-58]相關模型的算法及性能總結見表6。

表6AI模型在IVUS中的應用

續(xù)表6

注：KNN，k近鄰算法。

LoVercio等[51]使用SVM自動檢測冠狀動脈管腔、中膜、外膜及周圍組織，以RF算法檢測不同形態(tài)結構輔助分割IVUS影像的冠狀動脈，優(yōu)于既往的自動分割方法。Yang等[52]使用雙路徑U-Net自動分割IVUS圖像中的冠狀動脈管腔和中外膜，顯著提高了分割質量。Galo等[53]的研究表明基于IVUS圖像的AI自動病變評價軟件在選擇復雜病變支架尺寸上與獨立核心實驗室和介入心臟病學專家具有良好的一致性。

冠狀動脈影像研究中，核心實驗室人工分析IVUS是評估抗動脈粥樣硬化療效的“金標準”。Bass等[54]對比了核心實驗室人工測量與ML算法對基線及他汀類藥物治療13個月后的管腔面積、血管面積及斑塊體積百分比的變化量，發(fā)現ML算法與核心實驗室的測算結果在管腔面積、血管面積及斑塊體積百分比測量中呈現高度一致性。ML算法可精準復現核心實驗室人工測算的斑塊體積百分比變化趨勢，且敏感性更優(yōu)。該技術為未來臨床試驗提供了標準化、高效化的斑塊定量分析工具，有望替代傳統人工分析流程。Matsumura等[55]使用U-Net對高清IVUS圖像進行血管和管腔的自動分割，其測量結果與專家分析高度一致，可輔助臨床精準選擇球囊尺寸。Bajaj等[56]提出了一種IVUS圖像實時自動分割的DL模型，該模型由ResNet與Pix2pix條件生成對抗網絡組成，其在血管邊界（外彈性膜、管腔）及斑塊面積測量方面與專家標注高度一致，且在鈣化病變等復雜場景下表現穩(wěn)定。ML在IVUS的斑塊識別及分析中也表現出應用潛力。

Jun等[57]的研究提出了一種基于DL的IVUS圖像自動分析模型，該模型通過CNN將IVUS與光學相干斷層成像（optical coherence tomography，OCT）數據匹配，提取像素分布特征并篩選關鍵影像標志（如近管腔壞死核心），實現薄纖維帽粥樣斑塊的高效檢測。針對IVUS衍生的形態(tài)學標準對冠狀動脈中度狹窄功能的預測能力較差這一問題，Lee等[58]開發(fā)了一種結合IVUS影像特征與臨床變量的多模型ML框架，該框架使用了RF與自適應增強算法，用于預測中等冠狀動脈病變的功能性缺血，診斷準確率為83% ，在排除臨界FFR病例后準確率進一步提升至87% 。該研究為無創(chuàng)評估冠狀動脈缺血提供了新思路，有望優(yōu)化臨床決策并減少侵入性檢查。此外，超聲血流比作為一項較新的無創(chuàng)預測FFR的技術，也應用了RefineNet模型完成分割血管輪廓的工作，以此為基礎結合流體力學模型計算的結果與使用壓力導絲測量的FFR 高度一致[3]，且分析時間短，可重復性好，為CHD介人治療中形態(tài)與功能的整合評估提供了高效的解決方案。

2.4在OCT影像中的應用

與其他成像技術相比，OCT是一種高對比度的三維顯微成像技術。然而，雖然OCT在指導經皮冠狀動脈介入治療、評估治療效果及斑塊成分分析方面具有顯著優(yōu)勢，但也存在成像時易受血液干擾、穿透深度不足等局限性。AI在OCT相關研究中的重點集中于評價斑塊以及指導介人治療。AI在OCT圖像處理中的應用及其結果見表 7^[59-65]

表7AI在腔內OCT中的應用

Kolluru 等[59]、Lee等[60]、 Xu 等[61]、Shalev 等[62]及 Zhou等[63]通過不同AI算法對OCT圖像中的斑塊進行特征提取、分類從而實現斑塊分割功能，對于不同性質的斑塊有著較好的診斷準確性，且速度較人工分隔提升明顯。Gharaibeh等[64開發(fā)了一種基于ML的自動化方法，利用術前OCT圖像預測鈣化病變的支架擴張不足風險。通過分割冠狀動脈管腔與鈣化斑塊，結合高斯回歸和節(jié)段分析策略，模型可有效識別有擴張不足風險的斑塊，性能顯著優(yōu)于傳統Fujino鈣化評分法。該方法可實時指導術者選擇斑塊修飾策略，為優(yōu)化CHD介入治療提供了重要的AI驅動決策支持。Lee等[65]開發(fā)的OCT圖像斑塊與支架分析軟件（OCTOPUS）則整合了SegNet、3D CNN、SVM、Bagged決策樹等多種ML或DL算法，實現了高效的OCT圖像自動化斑塊分割、支架分析功能。軟件可準確識別鈣化病變，還可根據術前影像進行評分，預測支架擴張不足風險，預測結果與Fujino鈣化評分法高度一致，支持術前斑塊修飾策略。軟件還可對同一患者不同時期的OCT圖像進行配準后，分析冠狀動脈粥樣硬化進展（如管腔負性重構、新發(fā)斑塊）。

2.5在心臟磁共振中的應用

除前述影像學技術外，AI技術還可輔助處理或分析心臟磁共振（cardiacmagneticresonance，CMR）圖像以提升對CHD的診斷價值。Baessler等66采用Boruta算法和遞歸特征消除算法對人工提取的CMR特征進行篩選，選擇可用于診斷亞急性或慢性心肌梗死的特征。Lorch 等[67]、Kustner等[68] W_u 等[69]分別使用RF、超分辨率生成對抗網絡、壓縮感知框架等算法模型改良了CMR的臨床應用（如縮短掃描時間、提高成像分辨率、自動檢測偽影）。其中文獻[66-68]相應模型的算法及性能總結于表8中，文獻[模型的算法及性能見表9。

表8AI在CMR中的應用

表9基于CSAI的非對比增強冠狀動脈磁共振血管成像在CHD疑診患者中的診斷性能[69]

注：CSAI，壓縮感知人工智能。

2.6在其他檢測方法中的應用

ECG作為診斷CHD的常用工具，可捕捉心臟異常電活動，但其診斷敏感性不足。原因之一是ECG信號幅值極低，肉眼判讀困難，臨床醫(yī)生對異常ECG形態(tài)的識別易出現誤差。Choi等[70]探索并建立了一個以ResNet框架為基礎的ECG診斷模型，其對阻塞性冠狀動脈疾病的診斷能力適中（ AUC=0.693 ），對急性心肌梗死的診斷能力明顯高于前者（ AUC=0.923 ）。Tan等結合CNN與LSTM，實現了ECG信號對CHD的精準自動診斷，速度快且準確率高。該原型模型已具備臨床測試條件，在大規(guī)模數據庫中驗證后可投入實際應用。Upton等[72]基于英國一項大型前瞻性、多中心、多設備研究收集的負荷超聲心動圖數據，開發(fā)了一種自動化圖像處理流程，從中提取31個獨特幾何與運動學特征，利用這些特征訓練集成ML分類器，用于識別CAG確診的嚴重CHD患者，且在獨立驗證集中保持準確性。臨床醫(yī)師使用ML分類工具后，閱片者間一致性（ κ 值提升0.15）及診斷信心（提升23% ）顯著提高。Yuan 等[73]開發(fā)了一個基于超聲心動圖視頻對冠狀動脈鈣化（coronaryartery calcification，CAC）程度進行預測的模型，該模型運用到了帶有殘差連接和跨幀時空卷積的CNN，可在獲取到患者的標準胸骨旁長軸視圖對應的超聲視頻后對CAC積分進行計算。Rim等[74]基于三大國際隊列5個數據集（總計超過26萬張圖像），開發(fā)并驗證了一種基于視網膜照片預測CAC評分的新型心血管危險分層系統RetiCAC。該系統首次通過視網膜照片實現CAC無創(chuàng)預測，AUC為0.742，與CT-CAC預后性能相當，顯著提升了中危與臨界人群的危險分層（凈重新分類指數為0.261）。文獻[70-74]涉及的模型的算法及性能匯于表10。

表10AI在其他檢測方法中的應用

3總結及展望

綜上所述，AI在心血管疾病領域中的應用已較為廣泛，且涉及到了疾病的篩查、診斷、協助制訂管理方案、評估預后等各個階段。未來，AI技術的發(fā)展方向應仍以建立以大數據訓練建立的篩查模型與替代相應有創(chuàng)檢查的無創(chuàng)檢查為主，從而在宏觀層面上大幅降低醫(yī)療成本、減少有創(chuàng)操作、緩解醫(yī)療資源緊張的現狀，在個體層面上使患者獲得更加客觀、準確的醫(yī)療數據，使醫(yī)務工作者獲得更多有價值的診斷與治療依據。

參考文獻

[1] RothGA，Mensah GA，Johnson CO，etal.Global Burden ofCardiovascular DiseasesandRisk Factors，199O-2019：UpdateFromtheGBD2O19Study[J]. JAmColl Cardiol，2020，76（25）：2982-3021.

[2] AlrasheedAA，AlabdullatifNI，AlOmairAW，etal.Prevalence ofsome cardiovascularrisk factors：obesity，hypertension，and smoking among medical students[J].CritPathwCardiol，2025Jan16.DOI：10.1097/ HPC.0000000000000380.

[3] YuW，Tanigaki T，DingD，et al.Accuracy of intravascularultrasound-based fractional flow reserve in identifyinghemodynamic significance of coronary stenosis[J].Circ Cardiovasc Interv，2021，14（2）：e009840.

[4]de Hond AAH，Vosslamber S，Lange S，et al. When，where，who，what，and why？ Th fiveWsoforfaalysisforiplementigadisispl theintensivecare[J].HumanFactors in Healthcare，2O25，7：100095.

[5] UnluO，FahedAC.Machinelearningininvasiveandnoninvasivecoronary angiography[J].Curr Atheroscler Rep，2023，25（12）：1025-1033.

[6] Antonopoulos AS，AngelopoulosA，TsioufisK，etal.Cardiovascularrisk stratificationbycoronary computedtomographyangiographyimaging：current state-of-the-art[J].EurJPrevCardiol，2022，29（4）：608-624.

[7] Rangraz JeddiF，Rajabi MoghaddamH，Sharif R，etal.Machinelearning approaches for detectingcoronaryartery diseaseusing angiography imaging： a scoping review[J].Stud Health Technol Inform，2023，305：244-248.

[8] Lee H，Martin S，BurtJR，et al. Machine learning and coronary arterycalcium scoring[J].Curr Cardiol Rep，2020，22（9）：90.

[9] LuH，YaoY，WangL，etal.Research progressofmachine learningand deep learning in intelligent diagnosisof thecoronaryatheroseleroticheart disease[J]. Comput Math Methods Med，2022，2022：016532.

[10]JohriAM，Singh KV，MantellaLE，etal.Deep learning artificial inteligence framework for multiclass coronary artery diseaseprediction using combination of conventionalrisk factors，carotidultrasound，andintraplaqueneovascularization [J].Comput Biol Med，2022，150：106018.

[11]Ren W，Zhang Z，Wang Y，etal. Coronary health index based on immunoglobulin lightchainstoasesscoronaryheartdiseaseriskwithmachinelaing： a diagnostic trial[J]. J Transl Med，2025，23（1）：22 ：

[12]Omotehinwa TO，Oyewola DO，Moung EG.Optimizingthe light gradient-boosting machine algorithm foran effcient early detection of coronary heart disease[J]. Inform and Health，2024，1（2） ：70-81.

[13]Valle A， Cinaud A ，BlachierV，etal. Coronary heart disease diagnosisby artificialneural networksincludingaorticpulsewavevelocityindexandclinical parameters[J].JHypertens，2019，37（8）：1682-1688.

[14]Miao KH，Miao JH，Miao GJ. Diagnosing coronary heart disease using ensemble machine learning[J].IntJAdv Comput Sci，2016，7（10）：30-39.

[15]Joloudari JH，JoloudariEH，SadatfarH，etal.Coronaryarterydisease diagnosis;ranking the significant features using a random trees model[J]. IntJ Environ ResPublic Health，2020，17（3）：731.

[16]Beunza JJ，Puertas E，Garcia-Ovejero E，etal. Comparisonof machine learning algorithms for clinical event prediction（risk of coronary heart disease）[J]. JBiomed Inform，2019，97：103257.

[17]Duan M ，Zhang Y，Liu Υ ，et al.Machinelearning aidednon-invasive diagnosis of coronary heart disease based on tongue features fusion[J].Technol Health Care，2024，32（1） ：441-457.

[18]Xu H，Cao WZ，Bai YY，et al.Establishmentof a diagnostic model of coronary heart disease inelderlypatients with diabetes melltus based on machine learning algorithms[J].JGeriatrCardiol，2022，19（6）：45-455.

[19]LiY，Guan L，Ning C，et al.Machine learning-based models to predict one-year mortality among Chinese older patients with coronaryartery disease combined with impairedglucose toleranceordiabetesmelitus[J].CardiovascDiabetol， 2023，22（1） ：139.

[20]LeeH，KangBG，JoJ，etal.Deep learning-basedprediction forsignificant coronaryartery stenosison coronary computedtomographyangiography in asymptomaticpopulations[J].Front Cardiovasc Med，2O23，10;167468.

[21]Forrest IS，Petrazzini BO，Duffy AA，et al.Machinelearning-based marker for coronaryartery disease：derivationandvalidation intwo longitudinal cohorts[J]. Lancet，2023，401（10372）：215-225.

[22]Cao Q，Broersen A，Kitslaar PH，etal.A model-guidedmethodfor improving coronary artery treeextractionsfrom CCTA images[J].Int JComput Assist Radiol Surg，2019，14（2）：373-383.

[23]KangD，DeyD，SlomkaPJ，etal.Structured learningalgorithm for detectionof mugrapuy angiography[J].JMed Imaging（Bellngham），2015，2（1）：014003.

[24]LiY，WuY，HeJ，etal.Automaticcoronary arterysegmentationand diagnosisof stenosis by deep learning based oncomputed tomographic coronaryangiography [J].Eur Radiol，2022，32（9）：6037-6045.

[25]Han D，Liu J，Sun Z，et al.Deep learning analysis in coronary computed tomographicangiography imaging for theassessment of patientswith coronary artery stenosis[J].ComputMethodsProgramsBiomed，2020，196：105651.

[26]LinA，Manral N，McElhinneyP，etal.Deeplearning-enabledcoronary CT angiography for plaque and stenosisquantification and cardiacrisk prediction： aninternational multicentrestudy[J].LancetDigitHealth，2022，4（4）： e256-e265.

[27]Lin A，van Diemen PA，Motwani M ，etal.Machine learning from quantitative coronary computed tomographyangiography predictsfractional flow reservedefined ischemiaandimpaired myocardial blood flow[J].Circ Cardiovasc Imaging，2022，15（10）：e014369.

[28]Park S，YukiH，Niida T，etal.Anovel deep learning model foracomputed tomography diagnosis of coronaryplaque erosion[J].SciRep，2023，3 （1） ：22992.

[29]JawaidMM，RiazA，RajaniR，etal.Framework fordetectionand localizationof coronary non-calcified plaques in cardiac CTA using mean radial profiles[J]. Comput Biol Med，2017，89：84-95.

[30] Zreik M ，vanHamersveltRW，Wolterink JM，etal.Arecurrent CNNfor automatic detection and classfication of coronary artery plaque and stenosis in coronary CT angiography[J].IEEE TransMed Imaging，2019，38（7）： 1588-1598.

[31]NarulaJ，Stuckey TD，NakazawaG，etal.Prospective deep learning-based quantitative assessment of coronary plaque by computed tomography angiography compared with intravascular ultrasound： the REVEALPLAQUE study[J].Eur Heart J Cardiovasc Imaging，2024，25（9）：1287-1295.

[32]Demircioglu A，Bos D，Demircio glu E，et al. Deep learning-based scan range optimization can reduce radiation exposure in coronary CT angiography[J].Eur Radiol，2024，34（1）：411-421.

[33]Follmer B，BiavatiF，WaldC，etal. Active multitask learning with uncertaintyweighted loss for coronary calcium scoring[J].MedPhys，2022，49（11）： 7262-7277.

[34]Pieszko K，Shanbhag A， Kilekar A，et al.Deep learning of coronary calcium scores from PET/CT attenuation maps accurately predicts adverse cardiovascular events[J].JACCCardiovasc Imaging，2023，16（5）：675-687.

[35]Jian W，Dong Z，Shen X，et al.Machine learning-based coronary artery calcium score predictedfromclinicalvariablesasaprognosticindicatorinpatients referred forinvasive coronaryangiography[J].Eur Radiol，2O24，34（9）： 5633-5643.

[36]Zhang Y，LiuP，Tang LJ，etal.Basing on the machine learning model to analyse the coronary calcification scoreand the coronary flow reserve score to evaluate the degreof coronaryartery stenosis[J].ComputBiol Med，2023，163：107130.

[37]Laidi A，Ammar M，Daho MEH，etal.Deep learning modelsforcoronary atherosclerosis detection in coronary CT angiography[J]. Curr Med Imaging， 2024，20：1-9.

[38]Inoue K，Seeman TE，Horwich T，etal.Heterogeneity inthe associationbetween the presence of coronary artery calcium and cardiovascular events：a machinelearning approach inthe MESA study[J]. Circulation，2023，147（2）：132-141.

[39]Winkel DJ，Suryanarayana VR，Ali AM，etal.Deep learning for vessel-specific coronary arterycalcium scoring：validation ona multi-centre dataset[J].Eur Heart JCardiovasc Imaging，2022，23（6）：846-854.

[40]van Noort D，GuoL，Leng S，etal.Evaluating machine learning accuracy in detecting significant coronarystenosisusing CCTA-derived fractional flow reserve：meta-analysisandsystematic review[J].Int JCardiol Heart Vasc，

[41]Kumamaru KK，Fujimoto S，Otsuka Y，et al. Diagnostic accuracy of 3D deeplearning-based fullyautomated estimationofpatient-level minimum fractional flowreservefrom coronarycomputed tomographyangiography[J].Eur HeartJ Cardiovasc Imaging，2020，21（4） ：437-445.

[42]Sun H，Liu J，Feng Y，etal.Deep learning-based predictionofcoronaryartery stenosis resistance[J].AmJPhysiol Heart Circ Physiol，2022，323（6）：H1194- H1205.

[43]Zhou F，TangCX，Schoepf UJ，et al.Machine learning using CT-FFR predicts proximal atheroscleroticplaqueformationassciatedwithLADmyocardial bridging[J].JACC Cardiovasc Imaging，2019，12（8Pt1）：1591-1593.

[44]Yang J，Shan D，Wang X，etal.On-sitecomputed tomograph-derivedfractional flow reserve to guide management of patients with stable coronary artery disease： the TARGET randomized trial[J].Circulation，2023，147（18）：1369-1381.

[45]PanJ，Huang Q，Zhu J，etal.Predictionof plaqueprogresson using diferent machine learning models of pericoronary adipose tisueradiomics based on coronary computed tomographyangiography[J].EurJRadiol Open，2025， 14：100638.

[46]WestHW，SiddiqueM，Wiliams MC，etal.Deep-learning for epicardial adipose tissue assessment with computed tomography ：implications for cardiovascular risk prediction[J].JACC Cardiovasc Imaging，2023，16（6）：800-816.

[47]Oikonomou EK，Williams MC，Kotanidis CP，et al.A novel machine learningderived radiotranscriptomic signature of perivascular fat improves cardiac risk predictionusing coronaryCTangiography[J].Eur HeartJ，2019，4O（43）：3529- 3543.

[48]Yang S，KweonJ，RohJH，et al.Dep learning segmentationof majorveels in X-ray coronary angiography[J].SciRep，2019，9（1）：16897.

[49]Ling H，Chen B，Guan R，et al. Deep learning model for coronary angiography [J].JCardiovasc Transl Res，2023，16（4）：896-904.

[50]FedewaR，PuriR，FleischmanE，etal.Artificial intelligenceinintracoronary imaging[J]. Curr Cardiol Rep，2020，22（7）：46.

[51]Lo Vercio L，Del Fresno M ，LarrabideI.Lumen-intimaandmedia-adventitia segmentation in IVUS images using supervised classifications of arterial layers and morphological structures[J].ComputMethodsPrograms Biomed，2019， 177：113-121.

[52]Yang J，Faraji M，Basu A.Robust segmentation of arterial wallsinintravascular ultrasound images using Dual Path U-Net[J].Ultrasonics，2019，96：24-33.

[53]Galo J，Chaturvedi A，Al-Qaraghuli A，etal.Machine learning in intravascular ultrasound：validating automated lesion assessment for complex coronary interventions[J].CatheterCardiovascInterv，2025，105（6）：1320-1328.

[54]BassRD，Garca-GarcaHM，UekiY，etal.Efctofhigh-intensitysatinapy onatherosclerosis （IBIS-4）：manual versus automated methods of IVUS analysis [J].Cardiovasc Revasc Med，2023，54：33-38.

[55]Matsumura M，Mintz GS，Dohi T，etal.Accuracy of IVUS-based machine learning segmentation assessment of coronary artery dimensions and balloon sizing[J].JACC Adv，2023，2（7）：100564.

[56]Bajaj R，Huang X，KilicY，etal.Advanceddeep learning methodologyfor accurate，real-timesegmentation ofhigh-resolution intravascular ultrasound images[J].IntJCardiol，2021，339：185-191.

[57]JunTJ，Kang SJ，Lee JG，etal.Automateddetection of vulnerableplaque in intravascular ultrasound images[J].Med Biol Eng Comput，2019，57（4）： 863-876.

[58]Lee JG，Ko J，Hae H，et al.Intravascular ultrasound-based machine learning for predicting fractional flow reserveinintermediate coronary artery lesions[J]. Atherosclerosis，2020，292：171-177.

[59]Kolluru C，Prabhu D，Gharaibeh Y，etal.Voxel-based plaque clasification in coronary intravascular optical coherence tomographyimagesusingdecision trees [J].Proc SPIE Int Soc Opt Eng，2018，10575：105752Y.

[60]Lee J，Prabhu D，Kollru C，et al.Automated plaquecharacterizationusing deep learning on coronary intravascularoptical coherence tomographic images[J]. Biomed Opt Express，2019，10（12）：6497-6515.

[61]Xu M，ChengJ，LiA，etal.Fibroatheroma identificationin IntravascularOptical Coherence Tomography images using deep features[J].Annu Int Conf IEEE Eng Med Biol Soc，2017，2017：1501-1504.

[62]ShalevR，Bezerra HG，RayS，etal.Classificationofcalciuminintravascular OCT images for the purpose of intervention planning[J].Proc SPIE Int Soc Opt Eng，2016，9786：978605.

[63]ZhouP，Zhu T，He C，et al.Automatic clasification of atherosclerotic tissue in intravascular optical coherence tomography images[J].JOpt SocAm A Opt Image Sci Vis，2017，34（7）：1152-1159.

[64]Gharaibeh Y，Lee J，ZiminVN，etal.Predictionof stentunder-expanionin calcified coronary arteries using machine learning on intravascular optical coherence tomography images[J].SciRep，2023，13（1）：18110.

[65]Lee J，Kim JN，Gharaibeh Y，et al.OCTOPUS—Optical coherence tomography plaque and stent analysis software[J]. Heliyon，2O23，9（2）：e13396.

[66]BaesslerB，MannilM，OebelS，etal.Subacuteandchronic leftventricular myocardial scar：accuracy of texture analysis on nonenhanced cineMR images [J].Radiology，2018，286（1）：103-112.

[67]Lorch B，Vaillnt G，Baumgartner C，et al.Automated detectionof motion artefacts in MR imaging using decision forests[J].J Med Eng，2017， 2017：4501647.

[68]Kistner T，Munoz C，Psenicny A，etal.Deep-learning based super-resolution for 3D isotropic coronaryMR angiography in less than a minute[J]. Magn Reson Med，2021，86（5） ：2837-2852.

[69]Wu X，Deng L，Li W，et al. Deep learning-based acceleration of compressed sensing for noncontrast-enhanced coronary magnetic resonance angiography in patients withsuspected coronaryartery disease[J].JMagnReson Imaging， 2023，58（5）：1521-1530.

[70]Choi SH，Lee HG，Park SD，etal.Electrocardiogram-based deeplearning algorithm for the screening of obstructive coronary artery disease[J].BMC Cardiovasc Disord，2023，23（1） ：287.

[71]TanJH，Hagiwara Y，PangW，etal.Applicationof stacked convolutional and long short-term memory network for accurate identification of CAD ECG signals [J].Comput Biol Med，2018，94：19-26.

[72]Upton R，Mumith A，Beqiri A，et al.Automated echocardiographic detection of severe coronary artery disease using artificial intelligence[J]. JACC Cardiovasc Imaging，2022，15（5）：715-727.

[73]YuanN，KwanAC，Duffy G，etal.Predictionofcoronaryarterycalcium using deep learning of echocardiograms[J].JAm Soc Echocardiogr，2O23，36（5）： 474-481. e3.

[74]Rim TH，Lee CJ，Tham YC，et al. Deep-learning-based cardiovascular risk stratificationusing coronary artery calcium scorespredicted fromretinal photographs[J].Lancet Digit Health，2021，3（5）：e306-e316.