胸部CT上的冠脉钙化可被机会性检出：汇总分析显示52%的受检者存在钙化，AI模型可自动评分并预测心血管死亡风险
核心概要
这篇综述汇总了在因其他临床指征（常规胸部CT、肺癌筛查CT、PET/SPECT衰减校正CT）而进行的胸部CT上机会性识别和量化冠脉钙化（CAC）的证据，指出CAC在胸部CT上的汇总患病率为52%，与全因死亡（汇总相对风险2.13）和主要不良心血管事件（汇总相对风险2.61）独立相关，并综述了AI/机器学习自动评分、影像组学、光子计数CT以及CAC作为多系统生物标志物等新应用，同时指出目前尚无评估该策略临床影响的随机试验结果。
Coronary artery calcium (CAC) identified on contrast-enhanced and non-contrast CT in 3 patients. (A) Mild CAC in the mid left anterior descending artery (LAD) in a patient undergoing follow-up CT for metastatic breast cancer. (B) Moderate CAC in a patient undergoing non-contrast CT for the assessment of cough. (C, D) Severe CAC in the left anterior descending coronary artery, left circumflex, and right coronary artery in a patient with bilateral pleural effusions secondary to cardiac failure.
PubMed深度剖析
在非心电门控胸部CT上机会性识别CAC具有较高的诊断一致性，并可在无症状人群中检出此前未知的冠状动脉疾病。 既往CAC评分主要依赖专用的心电门控非增强心脏CT，本文系统整理了在常规胸部CT、肺癌筛查低剂量CT及PET/SPECT衰减校正CT上识别CAC的证据，将适用范围从专用心脏CT扩展到几乎所有覆盖心脏的CT检查。 一项纳入15项研究的荟萃分析显示，非门控CT评估的CAC与心电门控CT的汇总相关系数为0.96（95% CI 0.92–0.98，P<.001）；纳入94项研究、89006例患者的荟萃分析显示CAC汇总患病率为52%（95% CI 46%–58%），研究间存在中度异质性。
胸部CT上偶然发现的CAC是心血管不良结局的独立预测因子，且报告CAC可改变临床管理行为。 本文把CAC从单纯的影像学发现提升为可触发预防性治疗决策的机会性生物标志物，并汇总了报告CAC与后续他汀处方、生活方式改变之间关联的随机与观察性证据。 纳入51582例患者、随访51.6±27.4个月的荟萃分析显示，存在CAC者全因死亡汇总相对风险2.13（95% CI 1.57–2.90，P=.004）、MACE汇总相对风险2.61（95% CI 2.17–3.74，P<.001）；肺癌筛查人群中5项研究的荟萃分析显示MACE与全因死亡汇总相对风险3.27（95% CI 1.88–5.68，P=.004）；NOTIFY-1随机研究显示告知组6个月时接受他汀治疗的比例为51.2%对6.9%（P<.001）。
AI/机器学习模型可在多种胸部CT协议上自动识别和量化CAC，并具有预后判别能力，同时可揭示预防性治疗的缺口。 既往CAC量化依赖专用软件和人工判读，本文汇总了在门控与非门控CT上训练的深度学习模型，并指出部分模型已进入FDA“AI赋能医疗器械清单”，同时提出从识别到临床行动的端到端管线设想。 Zeleznik等在Framingham心脏研究、NLST、PROMISE和ROMICAT-II数据上训练的深度学习模型显示，钙化评分>300 Agatston单位者6.7年随访中心血管死亡风险约为无CAC者的4倍（HR 3.87，95% CI 2.45–6.11，P<.001）；Hagopian等基于美国退伍军人事务系统数据的模型显示，CAC>400 Agatston单位者10年全因死亡HR 3.49（P<.0005），在8052例肺癌筛查患者中检出79%存在CAC，其中30.6%的高评分患者未服用降脂药物。
光子计数CT、虚拟非增强重建、影像组学以及CAC作为多系统生物标志物，为CAC检测与风险分层提供了新的技术方向。 本文将这些尚处早期阶段的技术与CAC的临床证据放在同一框架下讨论，指出它们可能改善钙化量化精度并拓展CAC在心血管以外疾病中的信息价值。 早期研究显示，在3 mm层厚下光子计数CT得到的CAC评分低于标准能量积分探测器CT，虚拟非增强图像的CAC评分略低于真实非增强图像；MESA研究中全心脏影像组学特征预测严重冠状动脉狭窄优于单纯心血管危险因素；MESA与ARIC队列显示CAC与癌症、慢性肾脏病、慢性阻塞性肺疾病、骨质疏松、痴呆等存在关联，但作者明确指出这些关联不证明因果关系。
启示与展望
本文面向关注心血管预防、胸部影像和机会性筛查的临床医生、影像科医师与研究人员。其结论适用于在因非心脏指征（肺部疾病评估、肿瘤分期、肺癌筛查、PET/SPECT衰减校正）而进行胸部CT的无症状或肿瘤患者中，利用视觉序数评分或AI/机器学习工具识别和报告CAC，并据此评估可改变的心血管危险因素。作者指出，常规报告CAC在当前即可通过简单快速的视觉序数评分实现，而AI/机器学习量化、影像组学分析和光子计数CT则属于未来可能进一步优化风险分层的方向。
作者明确指出，目前尚无评估机会性CAC筛查对硬心血管结局影响的随机试验结果，NOTIFY-2（PICTURE，NCT05588895）和ROBINSCA的心血管终点结果仍在等待中。非门控胸部CT在扫描仪型号、厂商、重建算法、层厚和采集参数上的差异可能导致CAC被低估或高估，碘对比剂可能掩盖钙化，因此胸部CT上未见CAC并不等同于无冠状动脉疾病。CAC与癌症、慢性肾脏病、痴呆等疾病的关联可能源于共同危险因素或合并症，而非因果关系，其在临床中如何使用尚不明确。AI/机器学习在临床应用中还面临偏倚、泛化性、临床验证、互操作性、数据隐私、成本效益、上市后监测和监管等问题；影像组学与光子计数CT的虚拟非增强重建目前均未推荐用于临床。此外，CAC在胸部CT上的报告率在不同中心间差异很大（18%–93%），英国放射科医师调查中仅11%常规报告钙化，提示标准化实践仍需推进。