微调 ECG 基础模型以预测冠状动脉 CT 血管造影结果
计算机视觉与模式识别
2026-05-19 v3 人工智能
摘要
冠状动脉疾病（CAD）仍为全球公共卫生的主要负担，而可扩展的筛查工具有限。虽然冠状动脉 CT 血管造影（CCTA）是一线非侵入性诊断方法，但其使用受限于资源要求和辐射暴露。AI-ECG 可能提供一种用于 CAD 风险分层的补充方法。本多中心研究中，我们使用 CCTA 作为解剖参考标准开发和验证了 AI-ECG 模型，用于预测血管特异性冠状动脉狭窄。在内部验证中，该模型在各血管上的 AUC 值为 0.683-0.744，并表现出一致的外部性能。在临床正常 ECG 中保持辨别力，并在亚组间保持稳定。模型预测的概率随 CCTA 定义的狭窄程度呈单调递增。将模型预测概率转换为血管特异的低、中、高风险分层，使用预定义的灵敏度和特异度阈值。校准分析显示预测风险与观察风险一致，而 DCA 显示相对于全治疗和不治疗策略实现净临床效益。将 AI 派生的风险分层与指南基于的 PTP 类别整合后，规则排除性能提升，灰区比例降低，NRI 为正。 在随访队列中，Kaplan-Meier 分析显示模型定义的风险组之间发生重大不良心血管事件风险之间存在明显分离。波形和归因化分析进一步识别了与高风险预测相关的结构化 ECG 形态差异和生理学有意义的信号区域。这些发现支持 AI-ECG 作为补充 CAD 筛查、解剖风险估计和临床分流的可行工具，但仍需未来的研究来确认其临床影响。
引用
@article{arxiv.2512.05136,
title = {Fine-tuning an ECG Foundation Model to Predict Coronary CT Angiography Outcomes},
author = {Yujie Xiao and Qinghao Zhao and Gongzheng Tang and Hao Zhang and Zhuoran Kan and Deyun Zhang and Jun Li and Guangkun Nie and Xiaocheng Fang and Haoyu Wang and Shun Huang and Tong Liu and Jian Liu and Kangyin Chen and Shenda Hong},
journal= {arXiv preprint arXiv:2512.05136},
year = {2026}
}