人工智能全血管分割在冠状动脉内光学相干断层扫描中的真实世界外部验证
核心概要
这项回顾性单中心外部验证研究纳入100例连续接受临床指征OCT检查的患者，用既往开发的OCT-AID算法对2560个可分析帧进行全血管像素级自动标注，并与专家人工判读的参考标准逐帧比较，结果显示钙化斑块识别（κ=0.88）与定量（组内相关系数0.79–0.93）表现优异、接近观察者间变异，脂质斑块识别与定量表现合理（κ=0.68；脂质弧组内相关系数0.79；最小纤维帽厚度组内相关系数0.59）且总体优于观察者间变异，而低患病率特征（如斑块破裂）表现有限，提示在真实世界连续患者数据中全自动OCT评估可行且与观察者间变异相当。
深度剖析
在未经筛选的连续真实世界队列中完成了对既往开发的全血管分割算法的外部验证，而非仅在精心整理的数据集上评估。 既往算法多在良好 curated 数据集上开发与验证，本研究将其置于100例连续临床指征OCT患者的真实世界数据中检验，直接回应了“可能不代表真实世界数据”的缺口。 回顾性、单中心、外部验证设计，纳入100例连续患者、2560个可分析帧，以专家人工判读为参考标准逐帧比较。
钙化斑块的自动识别与定量达到优异水平，接近观察者间变异。 在真实世界数据中给出了钙化斑块识别（κ=0.88 [95% CI, 0.84-0.92]）与定量（组内相关系数0.79–0.93）的具体一致性指标，并明确其表现接近观察者间变异。 基于2560个可分析帧的逐帧一致性分析，报告了κ值与组内相关系数及其95%置信区间。
脂质斑块的自动识别与定量表现合理，且总体优于观察者间变异。 报告了脂质斑块识别（κ=0.68 [95% CI, 0.64-0.72]）、脂质弧（组内相关系数0.79 [95% CI, 0.76-0.81]）与最小纤维帽厚度（组内相关系数0.59 [95% CI, 0.55-0.63]）的一致性，并指出其总体优于观察者间变异。 同样基于逐帧比较，给出κ值与组内相关系数及置信区间，并与观察者间变异作对照。
算法对低患病率特征（如斑块破裂）的表现有限。 明确指出了在真实世界数据中低患病率特征自动识别的局限，为后续工作划定了当前能力边界。 原文以“algorithm performance for low-prevalence features (e.g., plaque rupture) was limited”直接陈述，未给出该特征的具体数值。
启示与展望
本研究为单中心、回顾性、外部验证设计，纳入100例连续接受临床指征OCT检查的患者，适用于评估既往开发的OCT-AID全血管分割算法在真实世界连续患者数据中的表现；其结论支持该方法学的可推广性，并为后续在多中心、前瞻性及不同采集条件下验证自动OCT评估奠定基础。
原文未给出低患病率特征（如斑块破裂）的具体一致性数值，也未报告各特征在2560帧中的分布；此外，单中心回顾性设计下跨中心、跨设备与前瞻性场景的表现仍是需要观察的开放问题。由于当前为摘要级阅读范围，未包含图表与补充材料，上述细节无法从现有文本中进一步确认。