姓名: 张健

医院（或学校）: 四川大学华西医院

论文类别: 医学发明创新与推广

科室: 生物医学大数据中心/中国人民生命安全研究院

论文摘要: 背景及目的 冠状动脉粥样硬化性心脏病（CAD）是全球主要致死原因，其临床事件往往与冠状动脉斑块类型和负荷密切相关。血管内超声（Intravascular Ultrasound, IVUS）能够提供血管全层结构的实时成像，对斑块负荷、成分及血管重塑的定量评估具有重要意义。与传统冠状动脉造影相比，IVUS 可直接观察血管壁和斑块结构，为风险评估和临床干预提供信息。然而，现有二维 IVUS 图像分析依赖人工判读，耗时且易受主观因素影响，限制了大规模临床应用。因此，基于深度学习的自动分割与生成式人工智能（Generative AI）分析系统具有重要的研究和应用价值。 方法 本研究多中心收集不同类型冠状动脉斑块的 IVUS 图像数据，涵盖纤维斑块、脂质斑块和钙化斑块。数据预处理包括噪声滤波、灰度归一化和对比度增强，以优化模型输入。血管腔与斑块分割采用改进 U-Net 网络，融合多尺度卷积特征和注意力门控机制，增强对小斑块及钙化区域的识别能力。网络训练结合 Dice 损失与加权交叉熵，使用旋转、翻转、随机噪声等方式进行数据增强，提升泛化性能。分割完成后，基于 Transformer 架构的生成式 AI 模型将定量指标（斑块类型、面积、体积占比、血管重塑指数）转化为结构化报告。生成式模型通过大规模历史 IVUS 影像标注数据训练，结合自然语言生成技术，自动描述斑块特征及潜在高危区域，并可为医生提供决策支持建议。模型评估指标包括 Dice 系数、IoU、体积相关性、生成时间及专家人工一致性。 结果 自动分割模型血管腔 Dice 系数为 0.90，斑块 Dice 系数 0.87，IoU 0.82–0.88，斑块体积与人工标注高度相关（r > 0.92）。生成式 AI 报告准确描述斑块类型与负荷，突出高风险区域，平均生成时间 < 5 秒/例，显著缩短人工判读时间。多中心验证显示系统在不同设备和病变类型下均具有高稳定性，报告与专家意见一致率达 89%，可实现批量数据快速处理和大规模临床研究支持。生成式 AI 能根据病变特征提供个性化分析和潜在干预建议，提升 IVUS 在临床决策中的应用价值。 结论 IVUS 是冠状动脉斑块精准评估不可替代的手段。结合深度学习自动分割和生成式 AI 报告，可实现快速、标准化、量化分析，提高临床评估效率，为个体化冠心病管理提供创新技术工具，同时具备推广至多中心、跨设备应用的潜力。