牛津大學人工智慧利用常規CT掃描，在72,000名患者中以86%的準確率檢測出早期心臟衰竭風險。

研究人員在牛津大學我們開發了一個人工智慧系統，可以提前五年預測患者發生心臟衰竭的風險，在超過72,000名患者的驗證中，準確率達到86%。該方法無需額外的檢查、專家幹預或新的醫療設備，因為它依賴於臨床實踐中已常規進行的心臟CT掃描。

這項由查拉蘭博斯·安東尼阿德斯教授領導、發表於《美國心臟病學會雜誌》的研究，旨在解決心臟病學領域長期存在的一個難題：心臟衰竭通常只有在發生嚴重的結構性損傷後才能確診，此時預防手段往往十分有限。研究提出的系統將焦點轉移到症狀出現前數年的早期生物學變化。

這個模型的核心是一個非常規的資料來源：包圍心臟的脂肪，即心包脂肪組織。雖然在常規掃描分析中通常被忽略，但這種組織似乎能夠反映心肌本身發生的潛在發炎和代謝變化。

研究人員表示，這些脂肪沉積物會隨著心血管系統承受壓力而逐漸改變質地，形成一些透過常規人眼對影像結果解讀無法辨識的模式。人工智慧系統旨在識別這些細微的變化，並將其轉化為未來心臟衰竭的量化風險評估。

解讀人眼無法看到的訊號

心臟CT影像在英國國家醫療服務系統（NHS）中被廣泛用於調查胸痛和評估冠狀動脈疾病，每年進行數十萬次掃描。在典型的臨床工作流程中，放射科醫師主要關注動脈阻塞和可見的異常，而對周圍脂肪組織的分析關注有限。

牛津大學的模型透過分析心包脂肪內的紋理特徵，重新利用了這個被忽視的資料層。該系統利用機器學習技術，基於來自超過59,000名英國國家醫療服務體系（NHS）患者的匿名CT資料進行訓練，從而學會將特定的影像模式與長期追蹤期間心臟衰竭的發生聯繫起來。

在包含13,424名額外患者的驗證測試中，模型預測五年心臟衰竭風險的準確率達到86%。研究發現，最高風險組的個體心臟衰竭的可能性是最低風險組的約20倍，五年內發病機率估計為四分之一。

重要的是，該系統能夠自動產生風險評分，無需臨床醫生手動輸入。這使其成為一種潛在的決策支援工具，而非現有診斷流程的替代品。

這項研究的更廣泛目標是將這項技術的應用範圍擴展到心臟影像之外。目前，研究團隊正在致力於改進模型，使其能夠分析標準的胸部CT掃描，包括用於肺癌篩檢和呼吸系統診斷的掃描。鑑於胸部CT影像的數量遠高於心臟CT掃描，這種改進有望大幅提升該系統的應用範圍。

從臨床角度來看，其意義在於更早介入。透過在症狀出現前數年識別高風險患者，醫療服務提供者可以調整監測策略，更早啟動預防性治療，並更有效地分配資源。目前，英國已有超過一百萬人患有心臟衰竭，因此，對長期醫療保健需求的潛在影響相當巨大。

目前正計劃尋求監管部門批准，將該系統整合到英國國家醫療服務體系（NHS）的常規放射科工作流程中。如果獲得批准，該系統將在標準影像檢查流程的背景運行，自動產生風險評估報告，無需額外成本或更改掃描方案。

這項研究得到了英國心臟基金會和牛津國家健康與護理研究所生物醫學研究中心的支持。它反映了醫學影像領域更廣泛的轉變，即人工智慧不僅越來越多地用於檢測現有疾病，而且還越來越多地用於從常規掃描中嵌入的、先前未被充分利用的細微生物訊號中推斷未來風險。