在心血管疾病已成为全球健康头号杀手的当下，精准诊断与个体化治疗始终是临床诊疗的核心诉求。传统侵入性检查的风险、影像解读的主观性、功能评估的滞后性，长期困扰着医患双方。作为全球心血管AI领域的领军者，科亚医疗科技股份有限公司始终以科研创新为引擎，2025年连发多篇高质量学术论文，其核心产品深脉分数（DVFFR）等AI解决方案在冠心病诊断、预后评估、风险分层等多个场景中展现出卓越性能，为心血管诊疗带来革命性突破。这些研究成果不仅验证了AI技术在临床应用中的可靠性，更彰显了科亚医疗以科技创新守护人类心血管健康的坚定初心。

深度学习驱动重构CT-FFR技术的诊断价值，实现解剖与功能的一站式评估

冠状动脉血流储备分数（FFR）是评估冠脉狭窄功能意义的“金标准”，但传统侵入性测量方式存在操作复杂、成本高、有创风险等局限。科亚医疗基于深度学习算法研发的CT-FFR（深脉分数，DVFFR）技术，实现了从无创影像到功能评估的跨越式突破，相关成果已在多项研究中得到充分验证。

SMART 研究¹，实现了DVFFR诊断的 “无创化” 与 “极速化”。 结果显示，DVFFR 在血管水平的灵敏度达 94.7%、特异性 88.6%、准确率 90.8%，AUC 高达 0.95，显著优于传统 CTA 解剖学评估（AUC=0.56，P<0.0001）；患者水平的灵敏度和特异性分别为 93.8% 和 88.0%，阴性预测值高达 95.8%。DVFFR平均计算时间仅 22.5±1.9 秒，且在不同钙化程度亚组中诊断性能稳定一致，彻底摆脱了传统计算流体力学（CFD）方法耗时久、受钙化影响大的缺陷。

2025年，DVFFR持续进军欧美及海外市场，并完成了与HeartFlow FFRCT的头对头对比²。两种 FDA 批准的 CT-FFR 技术与侵入性瞬时无波比（iFR）的一致性达到 κ=0.61-0.69（血管 / 患者水平），其中 DVFFR 的特异性高达 98.1%（血管水平），意味着能有效避免不必要的侵入性检查。我国自主研发的人工智能算法，在客场与传统创始企业相较，丝毫不落下风。

对于冠脉钙化这一传统诊断 “拦路虎”（Agatston 评分 AS≥100），DVFFR同样展现出 “降维打击” 优势。研究显示³，中重度钙化患者中，DVFFR的诊断 AUC 为 0.80，远超传统 CCTA 的 0.62（P<0.001）；若结合 LASSO 回归整合 DVFFR、CCTA 及基线因素，AUC 可进一步提升至 0.85，完美破解钙化伪影导致的解剖误判难题。

冠脉CTA的解剖学识别准确性验证研究⁴，与 3 位拥有 10-20 年经验的放射科专家共识相比，AI 诊断的 kappa 系数达 0.84（95% CI：0.81-0.88），达到 “极佳一致性” 水平。该研究共纳入 1090 例疑似冠心病患者，通过大样本、盲法验证，全面证实了 AI 模型在检测≥50% 冠状动脉狭窄（临床干预关键阈值）中的卓越性能。其在患者层面的诊断准确率达 92.8%，敏感性高达 95.3%（漏诊率仅 4.7%），特异性 91.4%，阴性预测值更是达到 97.3%—— 意味着 AI 能精准识别绝大多数无明显狭窄的患者，且耗时缩短近 70%。

更令人振奋的是，当 DVFFR 与 CCTA 联合应用时，诊断显著冠脉狭窄的 AUC（曲线下面积）提升至 0.91（血管水平），远超单独使用 CCTA（0.85）或 FFR-CT（0.78），为临床决策提供了 “1+1>2” 的强大支持⁵。

手术策略的 “智能导航仪”：DVFFR指导手术优化

在重度主动脉瓣狭窄（AS）患者拟行 TAVI（经导管主动脉瓣置换术）术前，冠状动脉疾病筛查同样至关重要。DVFFR 在此领域展现出惊人效能⁶：在 41 例 TAVI 候选者中，其患者水平灵敏度 89%、特异性 94%、准确率 93%，血管水平 AUC 达 0.90。这意味着，若 DVFFR 结果为阴性，80% 的患者可直接避免侵入性冠脉造影，大幅降低术前风险，加速手术流程。

对于接受不停跳冠状动脉旁路移植术（OPCABG）的患者，如何避免 “竞争血流” 导致的移植血管功能障碍，是心脏外科的关键挑战。该研究⁷揭示了左前降支（LAD）远端 DVFFR 与术中左乳内动脉 - 左前降支（LIMA-LAD）旁路平均流量（Qm）的 “倒 U 形” 关系 —— 当 DVFFR>0.64 时，Qm 随 DVFFR 升高而显著下降（β=-178.6432，P=0.004），提示过高的 DVFFR可能增加竞争血流风险；而 DVFFR过低则提示弥漫性病变，需警惕流量不足。

穿越时空的 “预言家”：DVFFR的长期预后价值

优秀的诊断技术不仅能 “看清现在”，更能 “预见未来”。随着DVFFR在临床的长期积累，长期随访结果崭露头角。对 2566 例冠心病患者进行了中位 2197 天（≥5 年）的随访结果显示⁸：DVFFR≤0.80 是主要不良心血管事件（MACE）的独立强预测因子（调整后 HR=5.05，P<0.001）。在预测模型中，加入 DVFFR 后，C-index 从 0.79（临床 + CCTA 解剖指标）提升至 0.83，净重分类改善（NRI）达 0.085（P=0.001）。这意味着，DVFFR 能帮助医生更精准地识别高危患者，实现 “早干预、早获益” 的个体化管理。

脂肪里的 “健康密码”：血管周围脂肪衰减指数开启炎症评估新维度

除了血流动力学，血管周围的 “微环境” 同样暗藏玄机。血管周围脂肪衰减指数（PCATa）作为反映冠脉炎症状态的新型影像标志物，在糖尿病患者中展现出独特价值⁹。对 1029 例 2 型糖尿病患者随访中位 56.5 个月发现，右冠脉PCATa 是主要不良心脑血管事件的独立预测因子（调整后 HR=1.86，P=0.003）。将 PCATa 加入传统预测模型后，AUC 从 0.73 提升至 0.75（P=0.009），为糖尿病这一心血管疾病 “高危人群” 提供了更精准的风险分层工具。

FAI不仅可用于冠脉，还可拓展至颈动脉，为症状性斑块识别提供了全新的生物标志物¹⁰。颈动脉症状性斑块组的最大狭窄部位 FAI（-60.34±5.74 HU）显著高于无症状组（-62.88±7.29 HU，p=0.038），同侧整个颈动脉的 FAI 差异更显著（-65.73±4.32 HU vs -67.95±4.46 HU，p=0.002），且狭窄程度越重，FAI 值越高（轻度 - 73.23 HU vs 中度 - 67.20 HU vs 重度 - 60.70 HU，p=0.001）。实现颈动脉的 “炎症可视化”。 为脑卒中风险防控带来了新的突破。

像素里的 “生存预言”：深度学习赋能胃癌免疫治疗预后

科亚的AI技术同样为肿瘤诊疗领域带来了智能化变革。对于接受免疫治疗的不可切除胃癌患者，如何精准预测生存预后、避免无效治疗，是临床亟待解决的难题。科亚与医院共同开发的多模态集成深度学习模型，为这一困境带来了曙光。该模型基于治疗前 CT 门静脉期图像，融合 VGG 与 4 种 ResNet 网络，在 79 例训练集和 97 例外部验证集中，预测 1 年生存率的 AUC 分别达 0.76 和 0.68，准确率为 0.75 和 0.68¹¹。

更重要的是，当影像模型与临床指标（PD-L1 表达、肺免疫预后指数 LIPI）结合构建列线图后，其预测效能进一步提升：训练集 C-index=0.85，验证集 C-index=0.78，决策曲线显示临床净获益显著优于单一指标。这意味着，通过治疗前的普通 CT 影像，AI 即可 “读懂” 肿瘤的生物学行为，为患者量身定制免疫治疗方案，让 “精准医疗” 从口号变为现实。

结语：创新无止境，生命更精彩

从冠脉血流的精准计算，到肿瘤微环境的 AI 洞察；从手术台上的实时导航，到跨越五年的预后预警 —— 这些科研成果不仅是医学科研的发展，更是人类对抗疾病的智慧结晶。它们如同一束束光，照亮了诊疗的未知之路，也为医患双方带来了可能的信心与希望。在未来，随着人工智能、影像技术与生物医学的持续突破，我们有理由相信，更多 “不可能” 将变为 “可能”，更多疾病将被攻克，让每一个生命都能绽放更精彩的光芒。

参考文献

1. Zhang W, Yin YB, Wang ZQ, et al. Performance assessment of computed tomographic angiography fractional flow reserve using deep learning: SMART trial summary. J Geriatr Cardiol JGC. 2025;22(9):793-801.

2. Prabhakar A, Sagheer U, Umer M, et al. A Head-to-head Comparison Of Two Deep Learning Techniques For Fractional Flow Reserve (FFR) Assessment From Coronary Computed Tomography Angiography (CCTA). J Cardiovasc Comput Tomogr. 2025;19(4):S45.

3. Liu L, Pan Y, Ma Z, et al. Improved evaluation of coronary artery diseases from patients with coronary calcification utilizing FFRCT: a comparative study against CCTA. Hellenic J Cardiol. Published online March 2025:S1109966625000521.

4. Chen Y, Yu H, Fan B, et al. Diagnostic performance of deep learning-based coronary computed tomography angiography in detecting coronary artery stenosis. Int J Cardiovasc Imaging. 2025;41(5):979-989.

5. Bastarrika G, Álvarez-Acedo A, Ezponda A, et al. Rendimiento diagnóstico de la reserva fraccional de flujo derivada de la tomografía computarizada en pacientes con estenosis coronaria significativa. Radiología. Published online April 7, 2025.

6. Leung KDD, Ng PP, Chow BCK, et al. Machine Learning-Based Computed Tomography-Derived Fractional Flow Reserve Predicts Need for Coronary Revascularisation Prior to Transcatheter Aortic Valve Implantation. Cardiovasc Imaging Asia. 2025;9(1):2.

7. 李奕霖, 薛源, 王世攀, 杨智然, 李海洋. 基于主动脉CTA的冠状动脉远端血流储备分数与OPCABG术中旁路移植血管流量关系的探讨. 中华胸心血管外科杂志. 2025;41(9):550-555.

8. Wang Z, Li Z, Xu T, Wang M, Xu L, Zeng Y. Long-term prognostic value of the CT-derived fractional flow reserve combined with atherosclerotic burden in patients with non-obstructive coronary artery disease. Eur Radiol. 2025;35(12):8068-8079.

9. Ding Y, Shan D, Han T, et al. Incremental Prognostic Value of Perivascular Fat Attenuation Index in Patients with Diabetes with Coronary Artery Disease. Radiol Cardiothorac Imaging. 2025;7(2):e240242.

10. Tian Z, Li D, Zuo L, et al. Perivascular fat attenuation index at internal carotid artery stenosis: a biomarker of perivascular adipose tissue (PVAT) inflammation. Jpn J Radiol. Published online October 8, 2025.

11. Gou M, Zhang H, Qian N, et al. Deep learning radiomics analysis for prediction of survival in patients with unresectable gastric cancer receiving immunotherapy. Eur J Radiol Open. 2025;14:100626.