跳转至

微调心电图基础模型以预测冠状动脉CT血管造影结果

文章背景与核心概要

冠状动脉疾病（CAD）是全球面临的重大公共卫生挑战，然而目前临床上依然缺乏高效且可扩展的影像前风险分层工具。本研究介绍了一项多中心研究，开发并验证了一种人工智能赋能的心电图（AI-ECG）模型。该模型以冠状动脉计算机断层扫描血管造影（CCTA）作为解剖学基准，能够预测特定血管的血流动力学显著狭窄情况。

通过在内部和外部队列（包括临床正常的心电图及各类人口统计学亚组）中的评估，该AI-ECG模型展现出了强大的鉴别能力。预测概率与CCTA定义的狭窄严重程度精确对应，从而能够将患者划分为低、中、高风险等级。此外，将该模型与传统的基于指南的术前概率相结合，进一步增强了风险重新分类能力、提升了排除诊断的性能并缩小了诊断灰色地带。纵向随访结果也进一步证实了该模型的预测有效性，显示出不同风险组在主要不良心血管事件（MACE）上的明显差异。

摘要与出版详情 (Metadata & Publication Details)

  • arXiv ID: arXiv:2512.05136 [cs.CV]
  • 主要学科: 计算机视觉与模式识别 (cs.CV)
  • 次要学科: 人工智能 (cs.AI)
  • DOI: 10.48550/arXiv.2512.05136
  • 提交历史:
  • v1 — 2025年11月29日
  • v2 — 2026年2月8日
  • v3 — 2026年5月18日
  • v4 — 2026年8月21日 (当前版本)

作者 (Authors)

  • Yujie Xiao
  • Qinghao Zhao
  • Gongzheng Tang
  • Hao Zhang
  • Zhuoran Kan
  • Deyun Zhang
  • Jun Li
  • Guangkun Nie
  • Xiaocheng Fang
  • Haoyu Wang
  • Shun Huang
  • Tong Liu
  • Jian Liu
  • Kangyin Chen
  • Shenda Hong

摘要 (Abstract)

冠状动脉疾病（CAD）仍然是全球主要的公共卫生负担，然而可扩展的影像前风险分层工具却十分有限。在这项多中心研究中，我们开发并验证了一种人工智能赋能的心电图（AI-ECG）模型，该模型以冠状动脉计算机断层扫描血管造影（CCTA）作为解剖学参考，用于预测特定血管的血流动力学显著狭窄（右冠状动脉 [RCA]、前降支 [LAD]、回旋支 [LCX] \(\ge 70\%\)；左主干 [LM] \(\ge 50\%\)）。该模型在内部和外部队列、临床正常心电图以及预先指定的人口统计学和临床亚组中进行了评估。结果显示其在内部验证中具备血管层面的鉴别能力，并在外部及正常心电图上表现出一致的性能。预测概率随CCTA定义的狭窄严重程度而增加，并被转化为特定血管的低、中、高风险分层。校准曲线和决策曲线分析支持了其临床效用。将其与基于指南的术前概率相结合，改善了风险重新分类，增强了排除诊断性能，并降低了灰色地带比例。在纵向随访中，模型定义的风险组在主要不良心血管事件方面显示出明显的区分度。基于波形和归因的分析识别出了与高风险预测相关的结构化心电图差异和具有生理意义的信号区域。这些结果支持AI-ECG作为一种用于影像前风险分层和临床分诊的可行工具，值得在更广泛的临床环境中进行前瞻性验证。

Coronary artery disease (CAD) remains a major global public health burden, yet scalable pre-imaging risk stratification tools are limited. In this multicenter study, we developed and validated an artificial intelligence-enabled electrocardiography (AI-ECG) model using coronary computed tomographic angiography (CCTA) as the anatomical reference to predict vessel-specific hemodynamically significant stenosis (\(\ge 70\%\) for RCA, LAD, LCX; \(\ge 50\%\) for LM). The model was evaluated in internal and external cohorts, clinically normal ECGs, and prespecified demographic and clinical subgroups. It showed discrimination across vessels in internal validation and consistent external and normal ECG performance. Predicted probabilities increased with CCTA-defined stenosis severity and were converted into vessel-specific low-, intermediate-, and high-risk strata. Calibration and decision curve analyses supported its clinical utility. Integration with guideline-based pre-test probability improved risk reclassification, enhanced rule-out performance, and reduced the gray-zone proportion. In longitudinal follow-up, model-defined risk groups showed clear separation in major adverse cardiovascular events. Waveform- and attribution-based analyses identified structured ECG differences and physiologically meaningful signal regions linked to high-risk predictions. These results support AI-ECG as a feasible tool for pre-imaging risk stratification and clinical triage, warranting prospective validation in broader clinical settings.

外部资源与访问 (External Resources & Access)