人工智能在冠状动脉CT血管成像中的应用与进展_袁嘉俊.pdf

468 专家论坛 中国医刊 2023 年 第58卷 第5期冠状动脉疾病（coronary artery disease，CAD）长期以来一直是威胁中国居民生命健康的重要因素。冠状动脉 CT 血管成像（computed tomography angiography，CTA）是诊断 CAD 的一种重要影像学检查方法。当前，人工智能（artificial intelligence，AI）在冠状动脉 CTA 领域得到了广泛的运用，可通过降低图像噪声及减少运动伪影提高图像质量、辅助心脏 CT 解剖结构自动分割、测定冠状动脉钙化评分（coronary artery calcium score，CACS）、辅 助 冠状动脉狭窄和斑块的检测、评估心肌缺血与冠状动脉血流储备分数（fractional flow reserve，FFR）、改善风险预测等。AI 结合影像组学在冠状动脉 CTA 中的运用也是影像学研究的热点之一。本文就 AI 在冠状动脉 CTA 成像中的应用与进展进行阐述，讨论当前的不足，并对未来提出展望。中国心血管健康与疾病报告 2021 概要指出，我国心血管病（coronary vascular disease，CVD）患病率处于上升阶段，2019 年农村、城市 CVD 分别占全部死因的 46.74%和 44.26%，每 5 例死亡中就有 2 例死于 CVD 1。CAD 是 CVD 的一种主要类型，据统计我国约有 1139 万人患有 CAD 1。CTA 是一种无创影像学检查方法，可有效识别冠状动脉狭窄，预测心脏不良事件并帮助改善预后2。近年来，AI 技术结合冠状动脉 CTA 越来越受到关注。相较于传统的冠状动脉 CTA，AI 辅助下的 CTA 既能优化当前的影像技术，便于开展图像后处理工作，同时也在很大程度上提高了影像学诊断的效率，为临床提供了更有价值的影像学信息。与此同时，一些新兴的 AI 技术也被纳入冠状动脉 CTA 检查中，且具有良好的效果。1人工智能及相关的基本概念AI 是一种结合了多学科并将人类的思维方式运用到计算机算法的新兴技术科学，包括机器学习（machine learning，ML）、深度学习（deep learning，DL）等多个领域。ML 通过对数据的学习，在不需要人工干预的情况下优化推断和预测数据的模型，在心血管成像方面被广泛应用3。DL 是 ML 的更高级分支，根据是否存在训练数据集的标签，可将 DL大致分为监督学习、无监督学习和半监督学习。常用的 DL 学习方法包括卷积神经网络（convolutional neural networks，CNN）、自编码器、生成式对抗网 络（generative adversarial networks，GAN）等4。DL 可在不需要人工指定的情况下自动学习图像中复杂的影像学特征，提高了对病变的识别能力。影像组学是指通过提取大量具有高通量特征的图像，进行图像分割，分析并从中提取感兴趣的影像学特征和信息，用于指导临床决策及评估预后5-6。近年来，AI 与影像组学的结合愈发紧密，AI 可通过相关学习，更加精准地发现病变的影像学特征，提升冠状动脉 CTA 的诊断性能。2人工智能在冠状动脉CT血管成像中的应用 2.1提高冠状动脉 CTA 图像质量高质量的冠状动脉 CTA 图像有助于提升图像的空间分辨率，提高诊断可信度。改进图像质量的方法通常会产生更高的辐射剂量，从而对被检查者造成更大的伤害。基于 DL 的图像重建算法可在不增加辐射剂量和造影剂的前提下，减少冠状动脉 CTA 的辐射剂量并降低图像噪声，进一步提高图像质量。目前已知有多种 DL 算法被运用到了冠状动脉 CTA 的降噪当中。WOLTERINK 等7发现，使用 GAN 进行训练可提高CNN 生成外观类似于常规剂量下的 CT 图像的能力，从而使 CNN 对低剂量 CT 进行降噪。KANG 等8采用一种循环生成对抗网络（cycleGAN）的无监督学人工智能在冠状动脉 CT 血管成像中的应用与进展袁嘉俊1，袁明远2，张佳胤1*（1.上海交通大学医学院附属第一人民医院 放射科，上海 200080；2.上海健康医学院附属周浦医院 放射科，上海 201318）关键词：人工智能；冠状动脉；深度学习；机器学习；CT血管成像；影像组学中图分类号：R445文献标识码：A文章编号：1008-1070（2023）05-0468-05doi:10.3969/j.issn.1008-1070.2023.05.002基金项目：2020年上海市浦东新区联合攻关项目（PW2020D-14）*通信作者，E-mail：专家论坛 469中国医刊 2023 年 第58卷 第5期习方法，在保留详细纹理和边缘信息的同时，有效降低了低剂量 CT 图像中的噪声。GU 等9开发了一种使用小波辅助噪声解缠的高性能无监督 DL 方法，成功解决了 cycleGAN 无法处理的伪影问题，提高了cycleGAN 的性能，在提高极低剂量 CT 图像质量的同时，也减少了成像的辐射剂量。AI 在图像降噪方面的作用在临床试验中也得到了证实。与滤波反投影和各类迭代重建方法相比，基于 DL 的图像重建显著降低了冠状动脉 CTA 图像的噪声，提高了图像质量10-11。一些临床研究也表明，相较于滤波反投影或迭代重建算法，基于 DL 的图像重建可以使冠状动脉 CTA 辐射剂量显著减少，并能维持甚至提高图像质量12-13。在保证图像质量的前提下降低冠状动脉CTA 的辐射，有利于患者和医护人员的防护。在冠状动脉 CTA 扫描过程中，若扫描方法不当，可导致心脏高速运动，生成运动伪影，从而影响图像质量。LOSSAU 等14提出了一种基于 CNN 的方法，通过监督学习 CT 影像上的冠状动脉运动前向伪影模型生成的真实数据，实现了对运动伪影的识别和量化，证实了使用 DL 对冠状动脉伪影进行精确量化的可行性。ZHANG 等15使用了一种基于深度CNN 的 CACS 运动伪影矫正模型，该模型纠正了低质量图像中的 CACS 变异，并将检测敏感度从 65%提高到 85%，实现了 CACS 运动伪影矫正模型在真实临床场景中的应用。另有研究表明，基于 GAN 的矫正方法可以减少冠状动脉 CTA 中右冠状动脉运动伪影的生成16-17。2.2辅助心脏 CT 解剖结构自动分割基于 AI 的全自动冠状动脉 CTA 图像分割技术可以更加快速地分割量化心脏结构，缩短图像分割的时间，提高后处理和诊断工作的效率，且与常规的手动分割具有良好的一致性。目前基于 DL 的方案已经用于心腔和心肌的自动分割及定量，且与原有方案保持高度一致。JIN 等18使用了一种全卷积神经网络结合条件随机场的方法在冠状动脉 CTA 上全自动分割左心耳，结果显示该方法可应对左心耳复杂的解剖学变化。BASKARAN等19提出了一种基于 U-Net 的端到端深度学习方案，该方案可在像素水平上分割心腔，量化左心室心肌质量。BRUNS 等20通过双能 CT 生成虚拟平扫 CT图像，基于 CNN 算法在 CT 平扫图像中进行全心自动分割，结果显示该方法在 74%的病例中准确分割了心腔和大血管。在冠状动脉图像分割方面，不断有算法的优化方法及新算法提出。DONG 等21提出了基于 Di-Vnet 的端到端冠状动脉自动分割法，该方法成功执行了冠状动脉的自动分割，具有高精度、高效益和高稳定性，也消除了观察者内部的差异。LI 等22开发了一种用于冠状动脉慢性完全闭塞自动分割及重建的 DL 模型，并与常规的人工定量方法进行比较，结果显示该模型明显缩短了冠状动脉慢性完全闭塞量化的影像后处理和测量时间，且表现出了与人工方法出色的相关性（所有相关系数均大于 0.85），使用该模型可使冠状动脉慢性完全闭塞病变的图像重建时间减少 80%。此外，DL 也被运用到心外膜脂肪组织和冠状动脉周围的自动分割中，减少了在冠状动脉 CTA 图像上分割心外膜脂肪组织和冠状动脉周围的时间，提高了对心外膜脂肪组织和冠状动脉周围分割的精 确度23-24。2.3用于测定 CACSCACS 可反映动脉粥样硬化斑块负荷，预测动脉粥样硬化心血管疾病的危险因素，并指导预防性药物的使用决策，降低不良事件的发生风险25。一些 ML 与 DL 模型已在非增强冠状动脉钙化 CT 扫描中得到了运用，与以往的半自动评分方法相比，自动评分方法有效缩短了 CACS 的计算时间，鲁棒性好，准确性高，与半自动方法具有较好的一致性26-28。如 WINKEL 等26提出了一种进行全自动分段 CACS 评分的 DL 算法，结果显示各分支的 CACS 与人工方案保持高度一致，且重复性良好。AI 与光谱 CT 结合测量 CACS 也取得了进展。MU等29针对光谱CT虚拟平扫CT开发了一种DL算法，尝试通过一次 CTA 自动量化冠状动脉钙化，相较于以往的冠状动脉 CTA 直接量化方法，该方法减少了烦琐的人工注释。DL 方法测得的 CACS 与 CT 平扫测得的 CACS 相关性极佳，能够准确、直接地量化CACS，且省略了 CT 平扫的采集流程，从而在缩短图像采集时间、减少患者辐射剂量的同时，测得高质量的 CACS；两方案之间的风险分类一致性也极好（加权 Kappa=0.94），93%的患者被正确分类29。2.4辅助冠状动脉狭窄和斑块的检测冠状动脉CTA 长期以来一直被用于评估冠状动脉的狭窄程度及检测冠状动脉斑块的形成情况，但当图像质量无法保证时不同观察者对冠状动脉狭窄评定的内部差异性相对较高，从而无法获得冠状动脉狭窄程度的准确结果。DL 算法可更加精确地评估冠状动脉的狭窄程度，准确识别斑块。在一项国际多中心研究中，LIN 等30开发并认证了一种卷积长短期记忆神经网470 专家论坛 中国医刊 2023 年 第58卷 第5期络，该模型测量的斑块总体积与直径狭窄的百分比和专家测量的结果相比具有良好的一致性，组内相关系数分别为 0.964 和 0.879，且 DL 斑块分析的平均时间明显缩短；相较于血管内超声，该方案斑块总体积和最小管腔体积的组内相关系数分别为 0.949和 0.904。这表明 DL 联合冠状动脉 CTA 有助于减少斑块诊断中的观察者变异，并降低误诊率，体现出了 DL 在快速系统化评估斑块中的巨大潜力30。在我国的一项多中心回顾性研究中，XU 等31采用一种 DL 算法自动检测冠状动脉狭窄情况，该算法计算速度更快，在诊断精度方面也不亚于专家计算的结果，在各亚组中泛化性良好，便于推广，展现出了良好的临床应用潜力。基于 AI 模型可自动分析冠状动脉 CTA 图像中的斑块组成和特征，并自动对冠状动脉粥样硬化和斑块进行分级，有利于患者的分诊。如在一项嵌套性病例对照研究中，ALAREF 等32使用由梯度增强决策树形成的增强集成算法 XGBoost 开发了一种罪犯病变（culprit lesion，CL）预测模型，并对该模型及 CL 前体直径狭窄、高危斑块特征、病变水平特征的受试者工作特征曲线下面积进行比较，结果显示ML 模型区分 CL 前体的曲线下面积更高，稳定且有效地排除了非急性冠脉综合征患者队列的CL。此外，CHOI 等33提出 AI 也可用于冠状动脉狭窄 CTA 的CAD-RADS 分级，可确定冠状动脉狭窄情况，并能发现广泛的动脉粥样硬化。2.5AI 在冠状动脉功能性评估中的应用与进展AI 算法可用于冠状动脉CTA评估心肌缺血的情况，从而识别出具有血流动力学意义的狭窄。VAN HAMERSVELT等34评估了在静息冠状动脉 CTA 中加入对左室心肌的 DL 分析用于识别冠状动脉狭窄程度的额外获益，发现该方法可识别左室心肌的灌注缺损，提高冠状动脉 CTA 对具有血流动力学意义的冠状动脉狭窄的诊断效能。MUSCOGIURI 等35提出将 DL 算法与静息 CT 心肌灌注成像相结合，用于预测血流动力学改变显著的 CAD，结果显示该诊断效能与人工分析准确性接近且耗时更短。在一项前瞻性研究中，LIPKIN 等36将基于 AI 的定量 CT（AI-quantitative CT，AI-QCT）与 CTA 相联合，并比较了该方法与心肌灌注成像对阻塞性 CAD 的诊断价值，结果显示AI-QCT 联合 CTA 预测 50%以上狭窄和 FFR 0.8的曲线下面积分别为 0.88 和 0.90，均大于心肌灌注成像的曲线下面积（分别为 0.66 和 0.71），展现了出色的诊断能力，同时 AI-QCT 还可节约下游成本，减少不必要的侵入性检查。CT-FFR 是一种先进的成像后处理技术，可在冠状动脉 CTA 上进行解剖学和流体动力学评估，无创地评估 CAD，检测具有血流动力学意义的冠状动脉狭窄37。DL 在 CT-FFR 中可用于减少后处理时间或克服 CT-FFR 自身的局限性。在一项回顾性研究中，KUMAMARU 等38提出了一种全自动的三维 DL 模型，在未进行分割的 CT 数据点中计算 CT-FFR 的最小值，结果显示，该 DL 算法有助于在冠状动脉 CTA上实现 CT-FFR 的全自动计算，准确度较好，且减少了以往全自动三维 DL 计算中过拟合的问题。LEE等39比较了两种 DL 算法和六种 ML 算法针对 CT-FFR“灰色地带”进行模型优化前后的诊断效能，结果显示随机森林算法在优化前表现出了最高的诊断效能，而多层感知器在“灰色地带”的算法中表现出了最高的效能，该项研究可能有助于操作者根据不同的优化过程和目的选择合适的 AI 算法模型。2.6AI 联合冠状动脉 CTA 有助于改善风险预测通 过图像信息预测不良事件或全因死亡率（all-cause mortality，ACM）是冠状动脉 CTA 中重要的一环，与患者的生存质量密切相关。AI 可通过算法将临床参数融合到预测模型中，从而提供更准确的风险评估，指导更为合理的临床决策，进而改善临床预后。在一项国际多中心前瞻性研究中，MOTWANI 等40提出了一种 ML 模型用于 5 年 ACM 的预测，其中 ML 预测 ACM 的曲线下面积为 0.79，明显高于单独使用临床指标或冠状动脉 CTA 指标，表明 ML 是预测 ACM 的 有 效 方 法。VAN ROSENDAEL 等41提出了一种基于冠状动脉 16 个节段的 ML 算法的风险评分，该评分相较于传统冠状动脉 CTA 评分在预测ACM和非致死性心肌梗死复合终点方面的表现更好，提示 ML 可充分利用冠状动脉 CTA 的斑块信息，有助于风险分层。LIN 等30使用 DL 算法对冠状动脉CTA 数据进行心肌梗死风险预测，发现其对心肌梗死具有良好的预测价值。WANG 等42将斑块特征整合成 ML 模型 XGBoost，该模型预测非急性冠脉综合征的曲线下面积为 0.918，表明其对非急性冠脉综合征具有较强的预测能力。2.7AI 结合影像组学在冠状动脉 CTA 上的应用与进展ML 用于冠状动脉 CTA 影像组学特征的分析，可区分不同类型冠状动脉粥样硬化和斑块的影像组学特征，提高冠状动脉 CTA 诊断有疾病风险患者的准确性。KOLOSSVRY 等43提取冠状动脉粥样硬化患者的影像组学特征用于构建 ML 算法，该算法专家论坛 471中国医刊 2023 年 第58卷 第5期在识别晚期动脉粥样硬化方面的表现优于常规的视觉评估方法和直方图分析。LIN 等44使用 ML 算法进行基于冠状动脉 CTA 的影像组学分析，结果显示急性心肌梗死患者的 CL 影像组学特征与其他患者不同，在 ML 中加入影像组学特征后的模型曲线下面积为 0.86，诊断 CL 的效能更高，可实现对不稳定斑块的精准识别44。此外还有研究表明，将冠状动脉周围的影像组学特征应用到 CT-FFR 中有助于识别血流动力学改变显著的冠状动脉狭窄45-46。3目前人工智能技术的不足与展望尽管 AI 技术在当前应用广泛，但由于其自身特点以及在临床实际应用中的复杂性，当前 AI 技术还存在着一定的缺陷。首先，AI 算法需要通过了解其内部架构和原理，使其能够得到合理的解释，从而解决其“黑匣子”问题。其次，在 AI 算法中会存在过拟合的现象，导致验证集模型诊断精确性下降，需要通过交叉验证、迁移学习等方法来解决。第三，一些罕见病的研究需要更大的样本量用于 AI 模型的构建。第四，AI 算法应当具有良好的鲁棒性，在一些特殊和复杂的情况下仍能保持准确与稳定。最后，目前很多 AI 模型在临床中的试验多为单中心研究或在单一设备上开展，影像数据也多来自单中心，这就需要更多的多中心、多设备、跨区域研究，以验证 AI 模型的不同临床中心和不同设备上的一致性与泛化性。未来，AI 在 CT 成像尤其是冠状动脉 CTA 成像中的应用会日益普遍。各临床中心之间可在保证数据安全的前提下进行影像数据的共享，注重深度学习算法的开源，将数据库用于一些罕见病 AI 模型的优化以及当前 AI 模型的完善。此外，AI 技术并非大型医疗中心的专利，未来 AI 技术应该更具普遍性，能够应用于更多的基层临床中心。同时，需要不断开发新的技术和新的优化算法，以适应疾病在不同时期的变化及不同条件下的诊断需求。患者及家属应当对 AI 的相关事宜具有知情权，影像科医生和技师也应提前告知患者 AI 用于影像学检查的相关流程与注意事项。4小结综上所述，AI 通过提升图像质量、缩短图像后处理时间、提高对冠状动脉疾病的诊断精确度、指导风险评估及临床决策，提高了冠状动脉 CTA 的临床应用价值。将冠状动脉 CTA 的影像组学特征应用于 AI 也将是非常有前景的发展方向。在未来，AI 在冠状动脉 CTA 中的应用还会更加契合精准医疗与真实世界研究，取得更为积极的进展。参考文献：1 中国心血管健康与疾病报告编写组.中国心血管健康与疾病报告2021概要J.中国循环杂志,2022,37(6):553-578.2 NEWBY D E,ADAMSON P D,BERRY C,et al.Coronary CT angiography and 5-year risk of myocardial infarctionJ.N Engl J Med,2018,379(10):924-933.3 ALAREF S J,ANCHOUCHE K,SINGH G,et al.Clinical applications of machine learning in cardiovascular disease and its relevance to cardiac imagingJ.Eur Heart J,2019,40(24):1975-1986.4 CHEN X,WANG X,ZHANG K,et al.Recent advances and clinical applications of deep learning in medical image analysisJ.Med Image Anal,2022,79:102444.5 KUMAR V,GU Y,BASU S,et al.Radiomics:the process and the challengesJ.Magn Reson Imaging,2012,30(9):1234-1248.6 LAMBIN P,RIOS-VELAZQUEZ E,LEIJENAAR R,et al.Radiomics:extracting more information from medical images using advanced feature analysisJ.Eur J Cancer,2012,48(4):441-446.7 WOLTERINK J M,LEINER T,VIERGEVER M A,et al.Generative adversarial networks for noise reduction in low-dose CTJ.IEEE Trans Med Imaging,2017,36(12):2536-2545.8 KANG E,KOO H J,YANG D H,et al.Cycle-consistent adversarial denoising network for multiphase coronary CT angiographyJ.Med Phys,2019,46(2):550-562.9 GU J,YANG T S,YE J C,et al.CycleGAN denoising of extreme low-dose cardiac CT using wavelet-assisted noise disentanglementJ.Med Image Anal,2021,74:102209.10 LIU P,WANG M,WANG Y,et al.Impact of deep learning-based optimization algorithm on image quality of low-dose coronary CT angiography with noise reduction:A prospective studyJ.Acad Radiol,2020,27(9):1241-1248.11 TATSUGAMI F,HIGAKI T,NAKAMURA Y,et al.Deep learning-based image restoration algorithm for coronary CT angiographyJ.Eur Radiol,2019,29(10):5322-5329.12 BENZ D C,ERSZL S,MOJON F L A,et al.Radiation dose reduction with deep-learning image reconstruction for coronary computed tomography angiographyJ.Eur Radiol,2022,32(4):2620-2628.13 SUN J,LI H,LI J,et al.Performance evaluation of using shorter contrast injection and 70 kVp with deep learning image reconstruction for reduced contrast medium dose and radiation dose in coronary CT angiography for children:a pilot studyJ.Quant Imaging Med Surg,2021,11(9):4162-4171.14 LOSSAU T,NICKISCH H,WISSEL T,et al.Motion artifact recognition and quantification in coronary CT angiography using convolutional neural networksJ.Med Image Anal,2019,52:68-79.15 ZHANG Y,VAN DER WERF N R,JIANG B,et al.Motion-corrected coronary calcium scores by a convolutional neural network:a robotic simulating studyJ.Eur Radiol,2020,30(2):1285-1294.16 REN P,HE Y,ZHU Y,et al.Motion artefact reduction in coronary CT angiography images with a deep learning methodJ.BMC Med Imaging,2022,22(1):184.17 ZHANG L,JIANG B,CHEN Q,et al.Motion artifact removal in coronary CT angiography based on generative adversarial networksJ.Eur Radiol,2023,33(1):43-53.472 专家论坛 中国医刊 2023 年 第58卷 第5期18 JIN C,FENG J,WANG L,et al.Left atrial appendage segmentation using fully convolutional neural networks and modified three-dimensional conditional random fieldsJ.IEEE J Biomed Health Inform,2018,22(6):1906-1916.19 BASKARAN L,MALIAKAL G,ALAREF S J,et al.Identification and quantification of cardiovascular structures from CCTA:An end-to-end,rapid,pixel-wise,deep-learning methodJ.JACC Cardiovasc Imaging,2020,13(5):1163-1171.20 BRUNS S,WOLTERINK J M,TAKX R A P,et al.Deep learning from dual-energy information for whole-heart segmentation in dual-energy and single-energy non-contrast-enhanced cardiac CTJ.Med Phys,2020,47(10):5048-5060.21 DONG C,XU S,LI Z.A novel end-to-end deep learning solution for coronary artery segmentation from CCTAJ.Med Phys,2022,49(11):6945-6959.22 LI M,LING R,YU L,et al.Deep learning segmentation and reconstruction for CT of chronic total coronary occlusionJ.Radiology,2023,306(3):e221393.23 HE X,GUO B J,LEI Y,et al.Automatic quantification of myocardium and pericardial fat from coronary computed tomography angiography:a multicenter studyJ.Eur Radiol,2021,31(6):3826-3836.24 LI X,SUN Y,XU L,et al.Automatic quantification of epicardial adipose tissue volumeJ.Med Phys,2021,48(8):4279-4290.25 GREENLAND P,BLAHA M J,BUDOFF M J,et al.Coronary calcium score and cardiovascular riskJ.J Am Coll Cardiol,2018,72(4):434-447.26 WINKEL D J,SURYANARAYANA V R,ALI A M,et al.Deep learning for vessel-specific coronary artery calcium scoring:validation on a multi-centre datasetJ.Eur Heart J Cardiovasc Imaging,2022,23(6):846-854.27 SANDSTEDT M,HENRIKSSON L,JANZON M,et al.Evaluation of an AI-based,automatic coronary artery calcium scoring softwareJ.Eur Radiol,2020,30(3):1671-1678.28 VAN VELZEN S G M,LESSMANN N,VELTHUIS B K,et al.Deep learning for automatic calcium scoring in CT:Validation using multiple cardiac CT and chest CT protocolsJ.Radiology,2020,295(1):66-79.29 MU D,BAI J,CHEN W,et al.Calcium scoring at coronary CT angiography using deep learningJ.Radiology,2022,302(2):309-316.30 LIN A,MANRAL N,MCELHINNEY P,et al.Deep learning-enabled coronary CT angiography for plaque and stenosis quantification and cardiac risk prediction:an international multicentre studyJ.Lancet Digit Health,2022,4(4):e256-e265.31 XU L,HE Y,LUO N,et al.Diagnostic accuracy and generalizability of a deep learning-based fully automated algorithm for coronary artery stenosis detection on CCTA:A multi-centre registry studyJ.Front Cardiovasc Med,2021,8:707508.32 ALAREF S J,SINGH G,CHOI J W,et al.A boosted ensemble algorithm for determination of plaque stability in high-risk patients on coronary CTAJ.JACC Cardiovasc Imaging,2020,13(10):2162-2173.33 CHOI A D,MARQUES H,KUMAR V,et al.CT evaluation by artificial intelligence for atherosclerosis,stenosis and vascular morphology(CLARIFY):A multi-center,international studyJ.J Cardiovasc Comput Tomogr,2021,15(6):470-476.34 VAN HAMERSVELT R W,ZREIK M,VOSKUIL M,et al.Deep learning analysis of left ventricular myocardium in CT angiographic intermediate-degree coronary stenosis improves the diagnostic accuracy for identification of functionally significant stenosisJ.Eur Radiol,2019,29(5):2350-2359.35 MUSCOGIURI G,CHIESA M,BAGGIANO A,et al.Diagnostic performance of deep learning algorithm for analysis of computed tomography myocardial perfusionJ.Eur J Nucl Med Mol Imaging,2022,49(9):3119-3128.36 LIPKIN I,TELLURI A,KIM Y,et al.Coronary CTA with AI-QCT interpretation:comparison with myocardial perfusion imaging for detection of obstructive stenosis using invasive angiography as reference standardJ.AJR Am J Roentgenol,2022,219(3):407-419.37 CHEN J,WETZEL L H,POPE K L,et al.FFR:Current statusJ.AJR Am J Roentgenol,2021,216(3):640-648.38 KUMAMARU K K,FUJIMOTO S,OTSUKA Y,et al.Diagnostic accuracy of 3D deep-learning-based fully automated estimation of patient-level minimum fractional flow reserve from coronary computed tomography angiographyJ.Eur Heart J Cardiovasc Imaging,2020,21(4):437-445.39 LEE H J,KIM Y W,KIM J H,et al.Optimization of FFR prediction algorithm for gray zone by hemodynamic features with synthetic model and biometric dataJ.Comput Methods Programs Biomed,2022,220:106827.40 MOTWANI M,DEY D,BERMAN D S,et al.Machine learning for prediction of all-cause mortality in patients with suspected coronary artery disease:a 5-year multicentre prospective registry analysisJ.Eur Heart J,2017,38(7):500-507.41 VAN ROSENDAEL A R,MALIAKAL G,KOLLI K K,et al.Maximization of the usage of coronary CTA derived plaque information using a machine learning based algorithm to improve risk stratification;insights from the CONFIRM registryJ.J Cardiovasc Comput Tomogr,2018,12(3):204-209.42 WANG Y,CHEN H,SUN T,et al.Risk predicting for acute coronary syndrome based on machine learning model with kinetic plaque features from serial coronary computed tomography angiographyJ.Eur Heart J Cardiovasc Imaging,2022,23(