使用非对比CT钙化评分进行冠状动脉钙化定量分析以预测心肌缺血

arXiv cs.LG 论文
coronary-calcification machine-learning ct-calcium-scoring myocardial-ischemia prediction-model medical-imaging

摘要

本文提出一种基于非对比CT钙化评分和钙组学特征的机器学习框架用于预测心肌缺血，取得了98.9%的精准率和87.7%的F1分数。

arXiv:2605.21745v1 公告类型：新 摘要：非对比计算机断层扫描钙化评分（CTCS）被广泛认为是心血管风险分层的有效工具。本研究旨在开发一种新颖的机器学习框架，利用定量冠状动脉钙化评估从常规非对比CTCS扫描中预测心肌缺血。本研究分析了在克利夫兰大学医院医疗中心一年内同时接受非对比CTCS和瑞加德松负荷心脏正电子发射断层扫描心肌灌注成像的1,375名患者。共评估了74个变量，包括临床变量、Agatston评分和钙组学特征。使用XGBoost结合Shapley Additive exPlanations（SHAP）识别相关特征。采用5折交叉验证训练和评估预测模型。在987名患者中，89名（9%）心肌缺血阳性。最终模型包含了Agatston评分、八个钙组学特征和年龄。所提出的模型达到了98.9%±3.0%的精准率、79.2%±8.4的敏感性和87.7%±5.3%的F1分数。与仅使用临床变量或临床变量加Agatston评分的模型相比，添加钙组学特征显著提高了预测性能（p<0.05）。有趣的是，尽管钙化动脉数量在SHAP分析中排名最低，但在逻辑回归分析中与心肌缺血的相关性最强（比值比：3.63，95%置信区间：2.80-4.77，p<0.00001）。我们开发了一种使用常规获取的非对比CTCS扫描预测心肌缺血的机器学习方法。钙组学特征在传统风险因素和Agatston评分之外提供了增量预测价值，可能有助于更广泛的心血管风险分层。
查看原文
查看缓存全文

缓存时间: 2026/05/22 08:51 

# 基于非增强CT钙化积分的量化冠状动脉钙化分析用于预测心肌缺血
来源：https://arxiv.org/abs/2605.21745
查看PDF (https://arxiv.org/pdf/2605.21745)

> 摘要：非增强计算机断层扫描钙化积分（CTCS）被广泛认为是心血管风险分层的有效工具。本研究旨在开发一种新型机器学习框架，通过量化冠状动脉钙化评估，从常规非增强CTCS扫描中预测心肌缺血。本研究分析了1375名在克利夫兰医学中心大学医院一年内同时接受非增强CTCS和瑞加德松负荷心脏正电子发射断层扫描心肌灌注成像的患者。共评估了74个变量，包括临床变量、Agatston评分和钙组学特征。使用XGBoost结合Shapley Additive Explanations（SHAP）筛选相关特征。采用5折交叉验证训练和评估预测模型。在987名患者中，89名（9%）呈心肌缺血阳性。最终模型纳入了Agatston评分、八个钙组学特征和年龄。所提出的模型达到了98.9±3.0%的精确度、79.2±8.4的灵敏度以及87.7±5.3%的F1分数。与仅使用临床变量或临床变量加Agatston评分的模型相比，钙组学特征的加入显著提高了预测性能（p<0.05）。有趣的是，钙化动脉数量虽然在SHAP分析中排名最低，但在逻辑回归分析中与心肌缺血关联最强（比值比：3.63，95%置信区间：2.80-4.77，p<0.00001）。我们开发了一种基于常规获取的非增强CTCS扫描预测心肌缺血的机器学习方法。钙组学特征在传统风险因素和Agatston评分之外提供了增量预测价值，并可能支持更易获取的心血管风险分层。

## 提交历史

来自：Juhwan Lee [查看邮件](https://arxiv.org/show-email/6ff99c21/2605.21745) **[v1]** 星期三，2026年5月20日 21:16:52 UTC (892 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。