常规头颅CT与人工智能：识别隐匿性心血管风险的新机遇

最新研究表明，利用急诊科患者的常规头颅CT扫描和深度学习模型，可以有效预测心血管疾病风险，其预测性能显著优于传统临床危险因素评估。该联合模型的一致性指数达到0.82，相比单独使用临床模型提升了0.07。

背景与问题

心血管疾病仍然是全球主要致病和致死原因。早期识别高危患者对开展预防干预至关重要。传统的心血管风险评估方法主要依赖于年龄、血压、血脂等临床危险因素，但这些方法可能遗漏存在隐匿性血管病变的患者，特别是那些临床危险因素相对温和但已出现影像学血管改变的年轻患者。

急诊科每年对数百万患者进行头颅CT检查。这些常规影像扫描中蕴含着丰富的血管和脑部病变信息，但目前主要用于排除急性神经系统疾病。最新研究提出创新思路：能否利用这些已获得的头颅CT，通过人工智能技术进行机会性心血管风险评估，从而在不增加患者成本、辐射或工作流程中断的情况下识别高危人群？

主要发现

• 研究纳入斯坦福医疗体系2020年8月至2024年8月期间的27,990名无既往心血管疾病的急诊患者，其中2,313名患者同时拥有头颅CT和冠状动脉CT血管造影扫描
• 研究团队采用预训练的视觉变换器（Vision Transformer，包括DINOv2和CLIP）从头颅CT扫描中提取影像特征，构建了三个预测模型：单独使用PREVENT临床模型、单独使用头颅CT影像模型，以及两者联合的CTH+PREVENT模型
• 在心血管疾病预测中，CTH+PREVENT联合模型的一致性指数（C-index）为0.82（95% CI: 0.78-0.85），显著优于单独使用PREVENT临床模型的0.75（95% CI: 0.70-0.79），改善幅度达0.07
• 在冠状动脉钙化评分估计方面，CTH+PREVENT模型的C-index为0.76，对于CAC >100的患者，受试者工作特征曲线下面积（AUC）达0.80（95% CI: 0.73-0.85），15.7%的患者被重新分层到不同的风险等级
• 被重新分层为更高心血管风险的患者呈现独特特征：年龄更年轻（中位年龄59岁 vs 66岁），传统危险因素相对较好，但血管钙化患病率显著更高（30.2% vs 24.8%），脑梗死患病率更高（20.1% vs 5.8%）
• 时间序列验证分析显示该模型在不同时间段的患者群体中保持稳定的预测性能，头颅CT在时间分离的队列中仍保持良好的预测价值

临床意义与应用前景

本研究的创新之处在于充分发掘常规临床工作流程中已获得的影像学数据的价值。通过部署合适的深度学习模型，医疗机构可在不增加患者负担的前提下进行机会性心血管风险评估。医疗信息系统可在患者完成常规CT检查后自动调用算法，将预测结果纳入临床决策支持系统，帮助医生识别需要进一步评估和干预的高危患者。

研究的另一重要意义是识别了被传统风险模型低估的高危人群。这些患者多为相对年轻、传统临床危险因素不突出，但已出现血管钙化和脑血管病变的群体。对于这类患者，传统的PREVENT模型可能低估其心血管事件风险，而加入影像学信息的联合模型能够更准确地识别真实风险水平，为临床医生开展有针对性的预防干预提供新的证据基础。

从实施角度看，该方法具有明显的可操作性和成本效益。由于头颅CT已是急诊科常规检查，额外部署AI分析不会增加患者的放射线暴露、经济成本或就诊时间。这使得该策略具有广泛的临床推广潜力，特别是对于资源有限的医疗机构而言，可以在现有基础设施内实现高效的风险识别。

研究局限性与未来展望

虽然研究成果令人鼓舞，但仍存在需要认识的局限性。首先，研究基于单一医疗机构的数据，患者群体的种族和社会经济背景可能存在选择偏倚，模型在其他医疗体系和不同人群中的性能需进一步验证。其次，研究采用了较短的随访时间窗口，长期预测性能和模型在不同患者亚群中的表现差异仍需更多数据支持。

此外，研究纳入了同时拥有头颅CT和冠状动脉CTA的患者作为验证集，这一患者群体可能已存在更高的心血管疾病风险或医学关注，不代表一般急诊患者群体的真实风险分布。尽管存在这些局限性，本研究仍为利用常规影像学数据进行机会性疾病筛查提供了有价值的证明。未来研究应在多中心、更大规模患者群体中进行验证，探索模型在不同人口统计学特征和临床亚群中的性能，并评估基于该模型的风险分层是否能够指导有效的临床干预，最终改善患者预后。

Original paper: Opportunistic Cardiovascular Risk Assessment Using Routine Head CT in the Emergency Department. — Journal of the American College of Cardiology. 10.1016/j.jacc.2026.02.5095

🎧 收听播客