基于CT钙化积分扫描中机会性冠状动脉钙化和心外膜脂肪评估的机器学习预测阻塞性冠状动脉疾病

arXiv cs.LG 论文
machine-learning medical-imaging coronary-artery-disease calcium-scoring catboost shap healthcare-ai

摘要

本文提出了一种使用CatBoost和SHAP的机器学习框架，通过结合钙组学和心外膜脂肪特征，从CT钙化积分扫描中预测阻塞性冠状动脉疾病，实现了高准确性。

arXiv:2605.21762v1 Announce Type: new 摘要：非对比剂计算机断层扫描钙化积分（CTCS）是一种经济高效的影像学检查方法，广泛用于检测冠状动脉钙化。本研究旨在开发一种先进的机器学习框架，利用CTCS图像中冠状动脉钙化和心外膜脂肪的定量分析来预测阻塞性冠状动脉疾病（CAD）。研究人群包括来自SCOT-HEART临床试验的1,324名患者，他们同时接受了CTCS和冠状动脉CT血管成像。我们从CTCS图像中提取并分析了大量特征，包括24个临床变量、189个钙组学特征和211个心外膜脂肪组学特征。特征选择通过CatBoost算法结合Shapley加法解释（SHAP）值进行。预测建模采用CatBoost梯度提升方法，重点关注最具信息量的特征。从初始的424个候选特征中，通过CatBoost-SHAP方法确定了14个最具预测性的特征。前两个预测性特征来自脂肪组学，其余12个特征来自钙组学。优化后的模型显示出强大的预测能力，敏感性为83.1±4.6%，特异性为93.8±1.7%，准确率为85.3±2.0%，F1分数为73.9±3.3%。纳入钙组学和脂肪组学数据显著提高了预测性能。值得注意的是，该模型在具有不同冠状动脉钙化评分的患者中（包括零钙化评分但仍患有阻塞性CAD的病例）也显示出可靠的预测准确性。这种创新方法有望改善临床决策，并可能减少对增强对比或侵入性诊断程序的依赖，尤其是在低至中等风险患者群体中。
查看原文
查看缓存全文

缓存时间: 2026/05/22 08:51 

# 利用CT钙化积分扫描中的机会性冠状动脉钙化和心外膜脂肪评估进行机器学习预测阻塞性冠状动脉疾病

来源：https://arxiv.org/abs/2605.21762  
查看PDF (https://arxiv.org/pdf/2605.21762)

> 摘要：非对比计算机断层扫描钙化积分（CTCS）是一种经济高效的成像方式，广泛应用于检测冠状动脉钙化。本研究旨在开发一种先进的机器学习框架，利用CTCS图像中冠状动脉钙化和心外膜脂肪的定量分析来预测阻塞性冠状动脉疾病（CAD）。研究人群来自SCOT-HEART临床试验中的1,324名患者，这些患者均接受了CTCS和冠状动脉CT血管成像检查。我们从CTCS图像中提取并分析了广泛的特征，包括24项临床变量、189项钙化组学特征和211项心外膜脂肪组学特征。采用CatBoost算法结合SHapley Additive exPlanations（SHAP）值进行特征选择。预测建模采用CatBoost梯度提升方法，重点关注信息量最大的特征。从初始的424个候选特征中，通过CatBoost-SHAP方法确定了14个最具预测性的特征。预测能力最强的两个特征来自脂肪组学，其余12个特征来自钙化组学。优化后的模型展现出稳健的预测能力，灵敏度为83.1±4.6%，特异性为93.8±1.7%，准确率为85.3±2.0%，F1评分为73.9±3.3%。纳入钙化组学和脂肪组学数据显著提升了预测性能。值得注意的是，该模型在具有不同冠状动脉钙化评分的患者中，包括钙化评分为零但仍患有阻塞性CAD的病例，均显示出可靠的预测准确性。这种创新方法有望改善临床决策，并可能减少对对比剂增强或侵入性诊断程序的依赖，尤其适用于低至中等风险患者群体。

## 提交历史

来自：Juhwan Lee [查看邮件](https://arxiv.org/show-email/cfe5b101/2605.21762)  
**[v1]** 2026年5月20日星期三 21:47:36 UTC（2,484 KB）

相似文章

从结构化临床数据预测心血管风险的大语言模型

arXiv cs.CL

本文提出了一种混合框架，将结构化临床数据与LLM生成的叙述相结合，用于冠状动脉疾病预测，在变量提取方面实现了高保真度，并比较了机器学习模型与基于LLM的零样本和少样本分类。

AI能否帮助预测哪些心力衰竭患者会在一年内病情恶化？

MIT News — Artificial Intelligence

MIT研究人员开发了 PULSE-HF，这是一种深度学习模型，可通过心电图预测心力衰竭患者在一年内是否会出现左心室射血分数恶化。该模型已发表于 Lancet eClinical Medicine，有望帮助临床医生对高危患者进行优先级管理，并在资源丰富和资源匮乏的临床场景中减少不必要的住院就诊。