Skip to content

Föllmer, Bernhard; Williams, Michelle C.; Dey, Damini et al. · 2023 · Nat. Rev. Cardiol.

Metadata

Authors: Föllmer, Bernhard; Williams, Michelle C.; Dey, Damini; Arbab-Zadeh, Armin; Maurovich-Horvat, Pál; Volleberg, Rick H. J. A.; Rueckert, Daniel; Schnabel, Julia A.; Newby, David E.; Dweck, Marc R.; Guagliumi, Giulio; Falk, Volkmar; Vázquez Mézquita, Aldo J.; Biavati, Federico; Išgum, Ivana; Dewey, Marc

DOI: 10.1038/s41569-023-00900-3

Tags: #atherosclerosis #AI-imaging

📄 Quick Note

摘要概述

本文是由 14 位心血管影像与 AI 专家通过两轮 Delphi 共识法（第二轮共 15 题）撰写的 Roadmap，系统梳理了 AI 用于冠状动脉易损斑块（vulnerable plaque）成像的现状与未来要求。覆盖 CCTA、IVUS、OCT 等主要模态，指出 AI 在分割、斑块特征提取、风险分层上已接近人类表现，但仍受限于数据偏倚、可重复性、可解释性与泛化性。强调当前商用方案均未经大规模 RCT 验证，临床落地前必须建立 trustworthy AI（安全、透明、公平、可解释）框架。

关键图表

  • Fig. 1 | AI / 机器学习 / 深度学习层级关系示意图。一句话：明确了医学 AI 的概念边界——deep learning 是 ML 的子集，ML 是 AI 的子集，本文聚焦 DL 在心血管影像的应用。
  • Fig. 2 | CCTA、IVUS、OCT 三模态下的易损斑块特征对照（lipid core、necrotic core、thin fibrous cap、napkin-ring sign、spotty calcification、positive remodelling）。一句话：把同一病理概念在三种分辨率/模态下的成像表现并排呈现，是 AI 训练标签设计的核心参考。
  • Fig. 4 | AI 临床落地路线图（临床证据 → AI 革命 → 技术挑战 → 研究期工具 → 证据驱动的 trustworthy AI）。一句话：标出当前处于"研究工具多、经 RCT 验证的商用方案为零"的阶段，后续需补 bias/explainability/generalizability。

与我的关联

本课题关注血管 G&R 与斑块力学，该 Roadmap 提供了 AI 用于斑块形态学自动定量的最新共识与缺口清单——可作为"影像数据驱动建模"方向的需求侧参考，特别是 AI 分割输出（plaque burden、TCFA 几何）能否作为力学模型的输入边界条件，以及 trustworthy AI 框架对生物力学参数可解释性的要求。