健心知著
2026.04.08
第531期
基于冠状动脉CT血管造影的机器学习模型：精准预测心血管风险的新突破
刘健、赵妍、彭欣
北京大学人民医院
健心荐语
冠状动脉CT血管造影（CCTA）已广泛应用于冠心病诊断，但其在心血管事件风险预测中的潜力尚未被充分挖掘。本研究首次将机器学习（ML）与CCTA影像特征结合，构建了一个多维度的风险预测模型，显著提升了对主要不良心血管事件（MACE）的预测能力。研究发现，基于CCTA的机器学习模型在1-5年随访期间持续优于传统临床风险模型和冠状动脉钙化评分（CACS），为个体化心血管风险管理提供了新工具。
文章介绍
本研究由中国医学科学院阜外医院团队主导，发表于《Circulation: Cardiovascular Imaging》（2025年12月），基于CREATION前瞻性注册研究，纳入8431例疑似冠心病患者，通过六种机器学习生存模型对比分析，最终构建并验证了一个基于CCTA影像特征的MACE预测模型。
研究方法
研究设计：前瞻性队列研究，纳入2016年至2019年在阜外医院接受CCTA检查的疑似冠心病患者。
影响评估：采用标准化CCTA扫描方案，通过自动化软件（Deep Blue，GE Healthcare）定量分析斑块。根据CT值区分脂质斑块（<30 HU）、纤维斑块（30-150 HU）、钙化斑块（>350 HU）及管腔（150-350 HU）。不良斑块特征包括低衰减斑块、正性重构、点状钙化和餐巾环征；定性指标高危斑块定义为至少具备2个不良特征。定量指标包括各亚型斑块体积（mm³）及斑块负荷（斑块体积/血管体积×100%）。
特征选择与模型构建：共提取48个CCTA候选变量（包括狭窄程度、斑块分布、定性和定量特征）。采用6种机器学习生存算法（XGBoost、DeepHit、Cox比例风险、随机生存森林、GBSA、SVM），以70%为训练集、30%为测试集，通过5折交叉验证调整超参数。以XGBoost性能最优，并通过递归特征消除筛选出6个最重要特征：直径狭窄、脂质斑块负荷（%）、脂质斑块体积、高危斑块、总斑块体积、血管体积。构建5个比较模型：模型1（临床危险因素）、模型2（临床+CACS）、模型3（CCTA 6特征）、模型4（临床+CCTA）、模型5（临床+CACS+CCTA）。
结局指标：主要终点为MACE（包括全因死亡、急性心肌梗死、冠状动脉血运重建、卒中）。
统计方法：使用C指数、时间依赖性AUC、净重分类改善指数（NRI）等评估模型性能，并进行亚组分析与敏感性分析。
研究结果
本研究共纳入8431例患者，分为训练集（5901例，占70%）和测试集（2530例，占30%）。表1 展示了总人群、训练集（n=5901）与测试集（n=2530）的基线特征，总人群平均年龄54.73±10.21岁，男性占48.2%，有症状胸痛占50.9%。中位随访3.68年期间共发生319例MACE（3.8%），包括34例死亡、8例急性心梗、244例血运重建（202例PCI，42例CABG）和54例卒中。训练集与测试集两组在年龄、性别、危险因素、CACS分组、合并队列方程风险评分及MACE发生率（均为3.8%）方面均无显著差异，表明数据分割良好。
表1 患者基线特征
表2 比较了MACE组与非MACE组的冠脉特征。在CCTA检查中，76.4%的患者冠脉正常，11.1%存在非梗阻性斑块，7.7%存在单支血管梗阻性冠心病（狭窄≥50%），3.0%存在双支血管梗阻性病变，1.7%存在三支血管或左主干病变。全部患者的平均总斑块负荷为6.08%（标准差±12.74%），其中非钙化斑块负荷为5.78%（标准差±12.02%），纤维斑块负荷为5.04%（标准差±10.56%），脂质斑块负荷为0.73%（标准差±1.90%），钙化斑块负荷为0.30%（标准差±1.63%）。在训练队列中，MACE组患者的年龄显著大于非MACE组（60.66±9.49岁 vs. 54.65±10.08岁；P<0.001）。MACE组中男性比例更高（66.8%），并且除冠心病家族史、体重指数和非高密度脂蛋白胆固醇外，其他传统心血管危险因素的患病率也高于非MACE组。MACE组患者梗阻性冠心病、更高狭窄率及高危斑块的发生率也更高。在冠脉定量分析中，MACE组在不同斑块亚型的斑块体积和斑块负荷方面均表现出显著差异（所有P<0.001）。这些结果在测试队列中与表2的结果相似。
表2 MACE组与非MACE组的冠脉特征
表3 比较了6种机器学习算法的预测性能。无论使用全部48个变量还是仅使用前6个变量，XGBoost均表现最佳（训练集C-index 0.925/0.909，测试集0.918/0.911）。
表3 不同机器学习生存算法在训练集与测试集中预测MACE的性能比较
图1 展示了XGBoost模型中各特征的重要性排序（SHAP值）。排名前6的特征依次为：脂质斑块负荷（%）、血管体积、脂质斑块体积、高危斑块、直径狭窄、总斑块体积。其中脂质斑块负荷与MACE风险相关性最强（校正后每增加5%的HR为2.524，95% CI：2.157–2.996，P<0.001）。在训练队列和测试队列中，这6个CCTA特征均与较高的MACE风险独立相关，且独立于传统心血管危险因素和CACS。
图1 XGBoost机器学习模型预测MACE的特征重要性排序
图2 展示了5个模型在训练集和测试集中预测MACE的ROC曲线。在测试集中，单纯临床模型（模型1）的AUC为0.708，临床+CACS模型（模型2）为0.753（△AUC=0.045，P=0.308），而CCTA模型（模型3）的AUC达到0.899，显著优于模型1和模型2（△AUC分别为0.191和0.146，均P<0.001）。临床+CCTA模型（模型4）和临床+CACS+CCTA模型（模型5）的AUC进一步提升至0.895和0.905，但模型5与模型3相比无统计学差异。这些发现表明，CCTA模型在预测心血管事件方面表现出优越的区分能力，并且在测试队列中得到了验证。尽管临床模型和CACS模型也显示了一定的预测能力，但CCTA模型的表现优于它们。此外，这些模型的联合使用进一步增强了区分能力，提示CCTA特征在临床模型和CACS模型之外提供了额外的预测价值。
图2 不同风险模型在训练队列（A）与测试队列（B）中预测MACE的ROC曲线及AUC比较
表4总结了在测试队列中五种风险模型预测MACE的性能。结果显示，单纯临床模型的AUC为0.708、C-index为0.746；加入CACS后略有提升（AUC 0.753，P=0.308 vs 临床模型），但改善不显著。相比之下，仅含6个CCTA特征的模型（模型3）表现出显著更优的区分能力（AUC 0.899，C-index 0.911，均P<0.001 vs 临床或临床+CACS），且净重分类改善指数显著（与临床模型相比NRI=0.703，与临床+CACS相比NRI=0.420，95%CI均不包含0），同时Brier评分更低（0.032 vs 临床模型的0.057），校准更佳。在临床或临床+CACS基础上加入CCTA特征（模型4、5）可进一步提升AUC至0.895～0.905、C-index至0.897～0.919，并降低Brier评分至0.028～0.030。总体而言，CCTA模型及其联合模型在区分度、重分类改善和校准度上均显著优于传统临床模型及临床+CACS模型。
表4 测试队列中不同风险模型的区分度（AUC/C-index）、NRI及校准度（Brier评分）
图3展示了按1年间隔进行的时间依赖ROC曲线分析。在评估5个预测模型在不同时间点的预测能力时，无论事件发生的时间如何，CCTA预测模型均显示出比临床+CACS模型更高的预测能力。此外，临床+CACS与CCTA的联合模型表现出增强的预测价值。但值得注意的是，所有模型的预测能力随时间延长均有一定程度下降。
图3 五种风险模型在1至5年随访期内预测MACE的时间依赖AUC比较
图4 展示了两个代表性病例的个体化风险解释，其中脂质斑块负荷对MACE事件的贡献最大。在所展示的MACE事件病例中，脂质斑块负荷在预测未来MACE发生时对分类器输出的增量贡献最大。
图4 测试队列中两例代表性患者的SHAP瀑布图：各CCTA特征对MACE风险预测的贡献
在亚组分析中，CCTA模型在性别（男/女）、症状（有/无胸痛）、发病年龄（早发/晚发）亚组中均一致地优于临床模型和临床+CACS模型。敏感性分析（排除正常冠脉患者或仅纳入CACS>0的患者）结果与主分析一致。当采用次要终点（排除血运重建）时，各模型表现无明显变化。
结 论
基于CCTA的机器学习模型能显著提升对MACE的预测准确性，尤其在识别高危斑块特征和量化斑块负荷方面具有独特优势。该模型具有较好的校准能力和临床可解释性，可用于个体化心血管风险分层与早期干预决策支持。
讨论
本研究的核心价值在于：
① 风险预测精准化：首次将机器学习与CCTA多维影像特征结合，实现了对MACE的个体化、动态化风险预测。
② 临床实用性强：模型仅需6项CCTA特征即可实现高效预测，易于集成至现有影像系统中，辅助临床决策。
③ 超越传统工具：在预测性能上显著优于传统临床风险评分和CACS，尤其适用于已接受CCTA检查的患者。
④ 可解释性高：通过SHAP值可视化特征贡献，增强了模型的临床可信度与接受度。
局限：本研究为单中心数据，尚未进行外部验证；未记录降脂药物具体使用情况；未来可进一步整合血流储备分数（FFR）、血管周围脂肪衰减指数等新型参数以提升预测效能。