近日，女王调教 涂圣贤教授团队（心血管创新器械与智能计算CIIIC实验室）在人工智能赋能心血管精准诊疗领域取得系列研究进展。团队围绕冠脉造影生物力学、人工智能辅助光学相干断层成像（OCT）定量分析以及冠脉粥样硬化斑块智能分割等领域开展研究，相关成果发表于欧洲介入心脏病学会官方期刊 EuroIntervention 和医学人工智能期刊Artificial Intelligence in Medicine，团队黄佳悦博士、代若冰博士生分别为上述研究的第一作者。同时，黄佳悦博士凭借基于AI的OCT斑块负荷定量研究荣获2026欧洲心脏病学会年会（ESC）人工智能心脏病学领域的青年研究者奖（Young Investigator Award in Artificial Intelligence in Cardiology）冠军，相关论文已被European Heart Journal – Digital Health接收，将于近日上线。
冠状动脉粥样硬化的精准评估不仅依赖血管狭窄程度，还涉及斑块负荷、组织组成、生物力学特征及其与远期临床事件之间的关系。随着医学影像、计算建模与人工智能技术的发展，如何从常规临床影像中进一步提取具有病理生理意义和预后价值的定量信息，已成为心血管医学工程研究的重要方向。围绕这一问题，CIIIC实验室持续开展冠脉影像定量、生物力学分析及人工智能方法学研究，推动冠脉影像分析由解剖结构表征向斑块表型识别和风险评估进一步拓展。
冠脉造影血管径向壁应变实现残余风险精准分层
经皮冠状动脉介入治疗（PCI）能够有效解除导致心肌缺血的靶血管狭窄，但TARGET All Comers这一国际多中心随机临床试验的长期随访显示，PCI术后仍有相当比例的后续血运重建事件来源于基线时未接受干预的非靶血管。
冠状动脉管腔会随心动周期和搏动性血压发生周期性形变，既往研究表明，具有大脂质负荷、薄纤维帽等易损特征的斑块所在血管节段可能表现出更明显的管腔形变。CIIIC实验室研发了亚像素级冠脉管腔分割算法及跨帧配准算法，并提出了血管径向壁应变（radial wall strain，RWS）这一创新概念，以定量表征心动周期内冠脉管腔的动态形变。RWS在传统狭窄程度之外引入了血管生物力学维度，在国际上首次实现基于冠脉造影的斑块稳定性评估，可在介入导管室中快速完成分析，在前期多项临床验证中获得优越的效果1-5。
团队基于TARGET All Comers这一国际多中心随机对照试验，对来自802例患者的1384根未接受PCI治疗的非靶血管进行了RWS分析。主要终点为5年非靶血管相关不良事件（non-target vessel-oriented composite endpoint，NT-VOCE），包括心源性死亡、非靶血管相关心肌梗死及非靶血管血运重建。研究发现，发生NT-VOCE的血管，其基线RWSmax显著高于未发生事件的血管（12.9±2.4% vs 11.7±1.8%，p<0.0001）。在进一步校正年龄、性别、糖尿病、既往PCI、肾功能、最小管腔直径、狭窄程度以及造影功能学指标μFR等临床和影像学因素后，RWSmax ≥13%仍与5年NT-VOCE独立相关，校正风险比（hazard ratio，HR）为4.82（95% CI 3.14–7.40；p<0.0001），RWSmax每增加1%，NT-VOCE风险增加约28%。值得注意的是，在能够明确归属到具体血管的非靶血管血运重建终点中，RWS的风险分层优势尤为突出，校正后的受试者工作特征曲线下面积（adjusted area under the ROC curve，adjusted AUC）达到0.92，表明RWS能够较好地区分未来发生与未发生非靶血管血运重建的血管。
该研究首次在大型国际多中心全人群中系统评价了RWS的5年长期预后价值，为基于常规冠脉造影开展更全面的PCI术后残余风险分层提供了新的生物力学维度。相关论文已发表于欧洲介入心脏病学会官方期刊 EuroIntervention （），实验室的黄佳悦博士为该论文的第一作者，涂圣贤教授为该论文的通讯作者。
图1 研究总体设计与核心发现
图2 RWS的生物力学原理与AI计算流程
AI-OCT实验斑块虚拟组织学与斑块负荷的自动量化
冠状动脉斑块负荷是评价动脉粥样硬化严重程度和风险的重要影像学指标。光学相干断层成像（optical coherence tomography, OCT）具有高空间分辨率，可精细显示纤维帽等斑块微观结构，是评价斑块微观结构的重要血管内影像技术。然而，传统OCT分析高度依赖人工判读，大规模影像分析的效率和可重复性有限；与此同时，由于组织穿透深度有限，在脂质或钙化斑块区域往往难以完整识别血管中膜，也制约了血管面积和斑块负荷的准确量化。围绕上述问题，实验室开发了基于深度学习的OCT斑块虚拟组织学技术。
针对OCT斑块分割中存在的类别不平衡、组织结构嵌套及脂质边界定位困难等问题，实验室提出增强双形式多解码网络 DMNet-E。不同于传统单一分割任务，该方法将OCT斑块分析同时建模为多类别分割与多标签分割两个互补任务：通过共享编码器提取影像特征，并采用独立解码路径分别强化不同组织之间的类别判别能力和整体解剖结构的连续性。同时，研究设计了适应OCT径向成像特点的 PizzaMix数据增强策略，并引入脂质边界回归模块，对脂质—纤维交界区域进行针对性监督。
研究基于来自5个国际中心的461名患者的匿名化OCT数据进行验证。在测试集中，DMNet-E平均Dice相似系数达到0.820，平均95%豪斯多夫（HD95）距离为0.102 mm；在研究比较的卷积神经网络和Transformer架构中，该模型取得了最高的平均Dice系数和最低的平均HD95，显示出较好的分割准确性和边界定位性能。除常规的算法性能评价外，研究还进一步引入独立的OCT—病理组织学配准数据集验证模型输出所对应的实际组织学成分。结果显示，模型定量的脂质斑块和纤维斑块比例均与组织学测量具有较高的一致性，其中脂质斑块比例的组内相关系数达到0.936（95% CI: 0.853-0.972）, Spearman相关系数达到0.917；；纤维斑块比例的ICC为0.925（95% CI: 0.804-0.969），Spearman相关系数为0.891。相关性分析、回归分析和Bland–Altman分析共同表明，模型预测与组织学测量之间具有较好的一致性。这一设计将模型验证从传统的“与人工影像标注是否一致”进一步延伸至“是否能够准确反映真实组织学成分”，为AI提取的OCT斑块表型提供了更直接的病理学依据，也增强了相关定量指标的生物学可解释性。
相关论文已发表于医学人工智能领域期刊Artificial Intelligence in Medicine（）。实验室的博士生代若冰为论文第一作者，楚淼助理研究员和涂圣贤教授为该论文的通讯作者。
图3：DMNet-E网络结构
图4：不同模型OCT斑块分割结果比较
在斑块组成之外，斑块负荷同样是评价冠状动脉粥样硬化严重程度及风险的重要指标。然而，OCT受组织穿透深度限制，在脂质或钙化斑块区域常难以完整识别血管中膜，限制了血管面积及斑块负荷的准确评估。相比之下，血管内超声（intravascular ultrasound, IVUS）具有更大的成像深度，是目前临床常用的斑块负荷评估方法之一。针对这一技术局限，CIIIC实验室开发的基于深度学习的OCT斑块虚拟组织学技术，通过整合相邻OCT帧的空间信息及血管结构先验，对不可见的中膜边界进行预测，实现管腔面积、血管面积及斑块负荷的全自动定量。研究首次以组织病理学作为参考标准，对AI赋能OCT与IVUS的斑块负荷定量分析性能进行头对头对比验证。
研究建立了严格配准的OCT–IVUS–组织病理学三模态数据库，最终纳入852个配对冠状动脉横截面。结果显示，在中膜面积评估中，AI-OCT和IVUS与组织病理学的相关系数分别为0.85（95% CI: 0.83–0.87）和0.86（95% CI: 0.84–0.88）；在斑块负荷评估中分别为0.76（95% CI: 0.73–0.79）和0.79（95% CI: 0.76–0.81），两种方法之间均未观察到显著差异。以组织病理学斑块负荷65%作为高斑块负荷判定阈值时，AI赋能的OCT与IVUS的AUC均达到0.92；采用55%–70%的不同阈值进行敏感性分析后，结果仍保持稳定。这一研究拓展了OCT从高分辨率斑块微观结构评价向斑块负荷定量分析的应用边界，为基于单一OCT检查同时获取斑块组成和斑块负荷信息提供了新的技术路径，并为进一步开展临床验证及PCI精准影像指导奠定了基础。
凭借这一工作，实验室的黄佳悦博士获得了2026欧洲心脏病学会年会人工智能心脏病学青年研究者奖（Young Investigator Award in Artificial Intelligence in Cardiology）冠军。该奖项是欧洲心脏病学会面向青年心血管研究者设置的重要学术奖项，每个专题每年从全球申请者中遴选4名入围者进行现场口头答辩，并最终评选出1名获奖者。相关论文已被 European Heart Journal – Digital Health 接收，将于近日在线发表，黄佳悦博士为该论文的第一作者，涂圣贤教授为该论文的通讯作者。
图5：AI赋能OCT、IVUS与组织病理学相关性对比结果
图6：Young Investigator Award获奖证书
面向冠心病精准诊疗的智能影像定量体系
上述研究分别从冠脉造影动态生物力学、OCT斑块负荷定量和OCT斑块组织自动识别三个层面展开，但其核心科学问题具有一致性：如何充分挖掘临床影像中尚未被传统视觉判读和常规定量指标利用的信息，并建立这些影像特征与组织病理、生物力学及远期临床风险之间的联系。未来，CIII实验室将继续围绕冠心病精准诊疗中的关键医学工程问题，推动人工智能、计算生物力学、多模态医学影像与临床研究的深度融合，进一步探索具有可解释性、可重复性和临床转化潜力的心血管智能影像技术。
论文信息
· Huang J, Tu S, Huang H, Fezzi S, Zhong J, Baumbach A, Wang Z, Parise H, Li C, Chen L, Gibson CM, Lansky A, Wijns W; on behalf of the TARGET All Comers investigators. Radial wall strain for residual risk stratification after percutaneous coronary intervention. EuroIntervention. 2026;22:e1-e12. doi:10.4244/EIJ-D-26-00126.
· Dai R, Chu M, Yu W, Lu S, Zhong J, Huang J, Chen L, van Beusekom H, Tu S. DMNet-E: Enhanced dual-segmentation multi-decoder network strategy for advancing IVOCT plaque segmentation. Artificial Intelligence in Medicine. 2026;182:103531. doi:10.1016/j.artmed.2026.103531.
· Huang J, Dai R, Yu X, Chu M, Zhang S, Fezzi S, Hynes S, Wang Y, Wijns W, Tu S. AI-powered OCT shows similar performance to IVUS for plaque burden quantification: Head-to-head benchmark study against histopathology of native coronary arteries. European Heart Journal – Digital Health. 2026 (just accepted).
参考文献
1. Hong H, Li C, Gutiérrez-Chico JL, Wang Z, Huang J, Chu M, Kubo T, Chen L, Wijns W, Tu S. Radial wall strain: a novel angiographic measure of plaque composition and vulnerability. 2023;18(12):1001-1010. doi:10.4244/EIJ-D-22-00537.
2. Tu S, Xu B, Chen L, Hong H, Wang Z, Li C, Chu M, Song L, Guan C, Yu B, Jin Z, Fu G, Liu X, Yang J, Chen Y, Ge J, Qiao S, Wijns W; FAVOR III China Study Group. Short-Term Risk Stratification of Non-Flow-Limiting Coronary Stenosis by Angiographically Derived Radial Wall Strain. J Am Coll Cardiol. 2023;81:756-767. DOI: 10.1016/j.jacc.2022.11.056.
3. Li C, Wang Z, Yang H, Hong H, Li C, Xu R, Wu Y, Zhang F, Qian J, Chen L, Tu S, Ge J. The Association Between Angiographically Derived Radial Wall Strain and the Risk of Acute Myocardial Infarction. JACC Cardiovasc Interv. 2023;16:1039-1049. DOI: 10.1016/j.jcin.2023.02.012.
4. Yang S, Wang Z, Park SH, Hong H, Li C, Liu X, Chen L, Hwang D, Zhang J, Hoshino M, Yonetsu T, Shin ES, Doh JH, Nam CW, Wang J, Chen S, Tanaka N, Matsuo H, Kubo T, Chang HJ, Kakuta T, Koo BK, Tu S. Relationship of Coronary Angiography-Derived Radial Wall Strain With Functional Significance, Plaque Morphology, and Clinical Outcomes. JACC Cardiovasc Interv. 2024;17:46-56. DOI: 10.1016/j.jcin.2023.10.003.
5. Wang Z, Kedhi E, Liu X, Li C, Huang J, Zhong J, Qu X, Wijns W, Tu S; COMBINE OCT-FFR Study Group. Prognostic Implications of Angiographically Derived Coronary Radial Wall Strain in Diabetic Patients and Non-Flow-Limiting Stenosis. JACC Cardiovasc Interv. 2025;18:1232-1242. DOI: 10.1016/j.jcin.2025.02.009.
作者：女王调教 CIIIC实验室
