Journal of the American College of Cardiology
基于常规头颅CT的深度学习模型用于心血管风险评估
小赛推荐：
该研究展示了如何利用急诊科常规获取的头颅CT图像，通过深度学习模型实现心血管风险的无创评估，为 心血管疾病 的早期筛查提供了新的临床路径设计思路。
文献概述
本文《Opportunistic Cardiovascular Risk Assessment Using Routine Head CT in the Emergency Department》，发表于《Journal of the American College of Cardiology》杂志，系统探讨了如何利用急诊科广泛开展的头颅CT（CTH）扫描，通过深度学习技术提取影像特征，以预测未来心血管事件和冠状动脉钙化（CAC）负荷。研究团队整合了来自斯坦福医疗中心的急诊患者队列，结合电子健康记录与影像数据，构建并验证了多个预测模型。结果表明，CTH影像特征可显著提升传统临床风险模型（如AHA PREVENT模型）的风险分层能力，尤其在识别具有亚临床血管病变但传统风险因素较低的年轻患者中表现突出。背景知识
心血管疾病（CVD）是全球主要死亡原因，常在无症状多年后突发心肌梗死或卒中，因此早期识别高风险个体至关重要。目前基于传统风险因素（如年龄、HDL、高血压、糖尿病等）的临床评分（如PREVENT模型）虽广泛应用，但对短期内发生事件的预测能力有限，尤其在年轻或风险因素不典型的患者中易漏诊。冠状动脉钙化（CAC）评分是评估动脉粥样硬化负荷的金标准，但需额外进行心脏CT扫描，受限于成本和辐射暴露。头颅CT是急诊最常见影像检查之一，年扫描量达数千万次，常用于排除急性出血或卒中。研究发现，颅内血管钙化、脑白质病变等影像标志物与全身性动脉粥样硬化相关，提示CTH可能蕴含系统性心血管风险信息。然而，如何高效、自动化地从常规CTH中提取此类信息，尚未有成熟方法。本研究的切入点在于：利用自监督与对比学习框架（如DINOv2、CLIP）预训练视觉Transformer模型，从大量非心脏CT中学习通用表征，进而微调用于CVD事件与CAC评分预测，实现“机会性筛查”（opportunistic screening），无需额外检查即可提升风险评估精度。
研究方法与核心实验
研究采用回顾性队列设计，数据来自斯坦福医疗中心急诊科2020年8月至2024年8月接受头颅CT的患者。构建了两个队列：CVD预测队列（n=27,990，无基线CVD）和CAC评分队列（n=2,313，同时接受CTH与冠状动脉CTA）。深度学习模型基于Vision Transformer架构，首先在98,175例来自三家外部医疗机构的CTH图像上进行自监督预训练（DINOv2），再通过CLIP框架对齐图像与放射科报告进行进一步训练。下游任务中，使用线性模型对CTH嵌入特征进行训练：CVD预测采用Cox比例风险模型，CAC评分采用多分类交叉熵损失。模型性能以一致性指数（C-index）和AUC评估，并与PREVENT临床模型对比。通过注意力图可视化，验证模型关注区域是否与血管钙化一致。关键结论与观点
研究意义与展望
该研究为心血管风险评估开辟了“机会性筛查”的新范式，利用已有影像数据提升预防效率，尤其适用于未接受常规预防评估的急诊患者群体。其临床转化潜力巨大：在急诊流程中嵌入自动化AI模型，可实时生成心血管风险评分，触发早期预防干预（如启动他汀、生活方式指导），改善长期预后。此外，该方法可降低对专用心脏CT的依赖，减少医疗成本与辐射暴露。
从科研角度看，该工作展示了多模态医学AI在真实世界数据中的应用价值，推动了从“诊断性成像”向“预测性成像”的转变。未来研究应开展前瞻性试验，验证AI引导的干预是否真正改善硬终点（如心梗、卒中），并探索模型在不同人群中的泛化能力。
结语
本研究确立了常规头颅CT在心血管风险评估中的新角色，通过深度学习模型挖掘其隐藏的系统性血管信息，显著提升了对心血管事件和冠状动脉钙化的预测能力。这一“机会性”策略无需额外检查、成本或辐射，特别适用于急诊科等高流量临床场景，能够识别传统风险模型漏诊的高危个体，尤其是年轻患者。从实验室到临床，该技术有望整合至电子健康系统，实现自动化风险预警，推动心血管疾病从被动治疗向主动预防转型。对于心血管疾病照护体系而言，这代表了一种高效、可扩展的早期干预入口，有望降低总体疾病负担，提升人群健康水平。
