2026年5月，美国心脏病学会（ACC）发布《Quantitative Coronary Plaque Analysis in Clinical Practice: 2025 ACC Scientific Statement》（《临床实践中的定量冠状动脉斑块分析：2025 ACC科学声明》），该声明围绕定量冠状动脉斑块分析（Quantitative Coronary Plaque Analysis，QCPA）的临床适用场景、结果解读、报告规范、技术验证、标准化及未来研究方向提出共识。

声明的5个关键信息

• QCPA目前主要用于CCTA视觉阅片已确认存在斑块的患者。
• 医生必须复核软件输出、原始图像质量、伪影和被排除的血管节段。
• 医生报告至少应包含TPV、NCPV、CPV，整体斑块量的定性描述、分析血管长度/排除节段，以及与既往检查的比较。
• 软件应有准确性、可重复性和侵入性影像或组织学对照验证，并说明质量控制和适用阈值。
• 不建议常规开展序列QCPA；选择性复查一般需间隔至少2-5年，并尽量保持扫描及重建参数一致。

从产业发展角度看，这份声明的意义并不在于立即改变支付或临床路径，而在于将QCPA的讨论从“能否量化”，进一步推进到“谁适合使用、如何验证、怎样报告和如何质控”。随着临床框架逐渐明确，行业竞争重点也将从单一算法能力，转向临床证据、跨平台可重复性、结构化报告和工作流落地能力。  冠脉CTA，正在回答一个更重要的问题
在冠心病诊疗中，冠脉CTA已经成为重要的无创影像检查手段。
传统冠脉CTA主要帮助医生观察：

• 血管是否存在狭窄
• 狭窄发生的位置
• 病变的大致程度
• 识别斑块及部分高危影像学特征

但随着临床认识不断深入，医生关注的问题正在发生变化：

• 冠状动脉内是否存在斑块？
• 斑块负荷如何？
• 哪些斑块可能具有更高风险？
• 如何进行客观、体积化和相对可重复的定量

因为冠心病风险并不完全取决于“血管堵了多少”，冠状动脉粥样硬化斑块本身的负荷、组成及分布，同样具有重要临床意义。  从“看见斑块”到“量化斑块”

图1 冠脉斑块可通过视觉识别、定量分析及高危特征评估等多个维度进行综合分析

过去，医生主要依靠影像观察判断冠脉斑块。

但斑块本身具有复杂性：

• 同样程度的狭窄，斑块组成可能不同
• 不同患者，斑块负荷可能存在差异
• 某些未造成明显狭窄的斑块，也可能具有进一步评估价值

其中，部分具有特定影像学特征的斑块，可能与更高的心血管事件风险相关，这也是高危斑块评估受到关注的重要原因。

ACC科学声明围绕定量冠状动脉斑块分析的临床适用场景、结果解读、报告规范、技术验证及标准化提出专家共识建议。近年来，AI辅助自动分割技术显著提高了QCPA的分析效率。

这意味着，冠脉CTA提供的信息不再局限于：“哪里狭窄？”而进一步延伸到：“斑块负荷如何？斑块组成如何？是否具有进一步关注价值？”

AI赋能，让斑块分析走向量化评估

早期冠脉斑块分析更多依赖人工或半自动方法，流程较为复杂。

随着人工智能辅助自动图像分割技术的发展，冠脉斑块定量分析效率得到提升，可以在较短时间内完成更大范围冠脉树的斑块量化分析。

AI的价值不仅在于提升分析效率，更在于帮助医生从复杂影像中提取更加结构化的信息：

• 斑块位于哪里
• 斑块负荷如何
• 斑块组成有哪些特征
• 哪些区域值得进一步关注

让冠脉影像从单纯的“发现异常”，进一步走向“理解疾病特征”。

ACC科学声明指出，QCPA具有更加客观、可重复的优势，有望提升风险评估能力，对于冠脉CTA视觉确认存在斑块的患者，QCPA可作为补充工具，帮助增强风险评估，并为预防性治疗的启动或强化提供参考。

需要强调的是，现阶段QCPA主要适用于冠脉CTA视觉阅片已经确认存在斑块的患者，其分析结果应由具备相应能力的医生结合原始图像进行复核和解释。对于视觉阅片未见斑块者，QCPA识别出的微小斑块的真实性及临床意义尚不明确；不同扫描设备、重建参数和软件算法也可能影响定量结果。目前亦缺乏直接证据证明QCPA指导的临床管理能够改善患者结局。

DVPlaque：辅助冠脉斑块定量评估

科亚医疗DEEPVESSEL Plaque（DVPlaque，深脉斑块）是一款基于CCTA DICOM数据进行冠状动脉斑块和狭窄分析的软件。产品结合深度学习分割、合格分析员复核及结构化报告输出，提供斑块负荷、斑块组成、狭窄分级和可视化信息，支持合格临床医生进行冠脉评估。相关结果应与原始CT图像及其他临床信息结合使用，不应独立用于诊断或临床决策。

通过结构化、量化和可视化呈现，DVPlaque帮助医生更直观地了解斑块分布、负荷和组成，为冠状动脉综合评估提供支持。

图2 DVPlaque斑块分析报告示意图：已获得美国FDA 等同性认定

从狭窄评估到斑块评估，冠脉影像正在升级
随着人工智能与医学影像不断融合，冠脉CTA正在经历：看狭窄 → 看斑块 → 看风险特征的转变。
ACC科学声明指出，QCPA仍处于证据持续积累阶段。未来需要进一步解决跨设备、扫描参数和软件平台的标准化问题，并通过前瞻性研究验证其对临床管理及患者结局的增量价值。QCPA与FFR-CT、心肌风险范围、生物标志物等信息的整合，也有待更多研究探索。未来，基于更加全面的影像及临床信息，医生有望更精准地进行冠心病风险分层，并制定更加个体化的管理策略。
从发现疾病，到理解疾病特征，AI正在推动冠脉影像向更加量化、精细化的方向发展。

参考文献1.Chandrashekhar Y, Blankstein R, Shaw LJ, et al. JACC Cardiovasc Imaging. 2026;19(5):637-652. doi:10.1016/j.jcmg.2025.11.008.