摘要：动脉粥样硬化斑块的形成与破裂是心血管事件（例如心肌梗死、脑卒中）的核心机制，而精准评估斑块稳定性一直是临床诊疗的难点。近年来，人工智能（AI）技术的迅猛发展，正在重塑心血管疾病的预防、诊断和治疗模式。从医学影像智能分析（例如冠状动脉CTA、OCT、IVUS的自

动脉粥样硬化斑块的形成与破裂是心血管事件（例如心肌梗死、脑卒中）的核心机制，而精准评估斑块稳定性一直是临床诊疗的难点。近年来，人工智能（AI）技术的迅猛发展，正在重塑心血管疾病的预防、诊断和治疗模式。从医学影像智能分析（例如冠状动脉CTA、OCT、IVUS的自动斑块识别）到多组学数据整合（基因组、蛋白组与临床数据的AI建模），人工智能不仅提升了斑块易损性的预测精度，还助力于个体化治疗策略的制定。深度学习算法可识别人眼难以捕捉的斑块特征，而自然语言处理（NLP）技术则能挖掘海量电子病历中的隐匿风险因素。EAS 2025聚焦人工智能在动脉粥样硬化与心血管疾病中的前沿应用，探讨其如何为斑块精准干预开启新篇章。

人工智能在冠状动脉造影中识别冠状动脉病变中的作用

在冠状动脉造影（CA）中准确识别冠状动脉病变是治疗冠状动脉疾病（CAD）的关键。人工智能提供了提高诊断准确性的潜力，但其临床适用性需经过严格验证。本研究利用2000例患者的CA数据，评估基于人工智能的模型在检测冠状动脉病变方面的诊断性能。

研究回顾性分析了2000例疑似CAD患者（平均年龄：62.5±9.3岁，73%为男性）的CA资料。开发并训练了基于人工智能的深度学习模型，以使用标记的CA图像识别重要的冠状动脉病变（狭窄>50 %）。通过计算敏感性、特异性、F评分和受试者工作特征曲线下面积（AUC ROC）评估诊断效果。采用卡方检验与介入性心脏病专家的评估进行统计学比较，P

人工智能模型的AUC ROC为0.94（95% CI: 0.92~0.96），灵敏度为91.2%，特异性为88.5%。F值为0.90，表明准确率和召回率平衡。在亚组分析中，该模型在不同病变位置（近端与远端，P= 0.21）均保持了稳健的表现。与心脏科医生的评估比较，结果基本一致（Cohen’s κ= 0.87）。误诊率极低，主要与低质量成像有关。

基于人工智能的模型在识别CA的冠状动脉病变方面表现出很高的准确性和可靠性，其性能指标可与心脏病专家相媲美。这些发现支持将人工智能工具集成到临床工作流程中，以提高CAD管理的诊断精度和效率。进一步的前瞻性研究有必要评估现实世界的适用性和对患者预后的影响。

参考文献
Bakhromkhon Alyavi , Jamol Uzokov , Akbar Abdullaev , Sherzod Iskhakov.THE ROLE OF ARTIFICIAL INTELLIGENCE IN IDENTIFYING CORONARY ARTERY LESIONS IN CORONARY ANGIOGRAPHY.Topic: AS04 CLINICAL VASCULAR DISEASE / AS04.15 Artificial intelligence and big data

多模式数据集整合重新定义人类动脉粥样硬化斑块稳定性

手术治疗颈动脉狭窄的指征主要根据狭窄程度和临床症状的发生情况。这种方法忽略了斑块稳定性的其他关键方面，包括即将发生的破裂风险。因此，这项研究的目标是通过整合组织学模式、基因组和蛋白质组学数据以及影像学见解来建立新的稳定性定义标记，以重新定义斑块稳定性的临床评估。

研究使用组织学图像分析（主要是Elastica-van-Gieson和Hematoxilin-Eosin染色）检测来自自监督学习模型的聚类特征。这种聚类突出了感兴趣的区域，进一步检查将结构特征与生物过程联系起来。这些组织学发现与转录组学数据相结合，包括单细胞RNA测序、大量RNA测序和靶向空间转录组学。通过整合结构和分子信息，研究者正在识别关键转录本，并建立一个“转录模板”来表征斑块的稳定性和易破裂的性质。空间和亚区域特异性蛋白质组学（深度视觉蛋白质组学，纤维帽的分区域分析，坏死核心和媒介）补充了这一分析，使人们能更深入地了解已确定集群内的生物过程。

这项分析揭示了组织特征（例如弹性蛋白/胶原分布和出血模式）与测序数据的分子谱之间的强相关性。这些预定义的集群提供了将结构发现与转录组学和蛋白质组特征相结合的框架，以及与成像数据的联系。目前正在使用CT和MRI成像数据库验证这些发现，以测试新稳定性定义模式是否也可以在临床成像中检测到，从而提高它们对治疗决策的转化价值。

通过将组织学影像学与多组学相结合，研究旨在重新定义人类动脉粥样硬化斑块的稳定性，而不仅仅是狭窄程度和症状的发生。这种方法为生物标志物鉴定提供了一个强大的框架，并提供了将实验室发现与临床应用联系起来的潜力，最终改善了患者的治疗效果。

参考文献
Justus Wettich , Jessica Pauli , Nadja Sachs, etal.MULTIMODAL DATASET INTEGRATION TO REDEFINE PLAQUE STABILITY IN HUMAN ATHEROSCLEROSIS.Topic: AS04 CLINICAL VASCULAR DISEASE / AS04.17 Artificial Intelligence

基于多实例学习的斑块内出血预测

动脉粥样硬化是一种影响动脉壁的慢性炎症过程，是心血管疾病的主要原因。动脉粥样硬化的一个关键方面是斑块内出血（IPH），标志着一个稳定的斑块转变为一个脆弱的斑块。传统的斑块评估组织学方法是劳动密集型和主观性，突出需要可扩展的，客观的方法。机器学习的最新进展，特别是基于注意力的多实例学习（MIL），为自动化、精确的斑块表型和风险分层提供一条有前途的途径。

为了改进和使IPH的检测自动化，研究者从2595例接受颈动脉内膜切除术的患者中收集了大量斑块样本（N=13 345）。对斑块进行几种标志物和组织学染色，并作为整张切片图像（WSI）在供者的亚组中扫描收集RNA-seq（N= 1093）。MIL评分用于定位和量化WSIs中的IPH，手动二进制标签作为基本事实。此外，对大量RNA-seq数据进行了差异表达基因（DEG）分析，将组织学特征与分子特征联系起来。

在所有染色中，H&E在分类IPH事件时的AUC最高，为0.86。通过MIL定量的IPH水平与红细胞存在相关，经糖蛋白C染色证实。DEG分析揭示了与IPH相关的转录特征，包括上调巨噬细胞相关基因（例如CXCL1、SIGLEC1）的表达和平滑肌细胞标志物（例如ACTA2）的下调。Cox回归分析显示IPH对生存率有显著影响（P=0.04）。

这项研究证明了基于注意力的MIL在IPH自动检测和大规模量化斑块易损特征方面的潜力。利用在斑块中量化IPH和整合成像，转录组学和临床数据，以确定生物标志物作为生物学代表。未来的工作将扩展这种方法研究斑块易损性的遗传决定因素，并在大型多队列数据集中进一步验证这些发现。

参考文献
Tim Peters , Francesco Cisternino , Yipei Song, etal. INTRAPLAQUE HAEMORRHAGE PREDICTION USING ATTENTION BASED MULTIPLE INSTANCE LEARNING.Topic: AS04 CLINICAL VASCULAR DISEASE / AS04.17 Artificial Intelligence

来源：国际循环一点号