牛津大学人工智能利用常规CT扫描，在72,000名患者中以86%的准确率检测出早期心力衰竭风险。
简单来说
牛津大学的研究人员开发了一种人工智能系统，可以从常规 CT 扫描中检测出心脏脂肪的细微、肉眼不可见的变化，并能预测长达五年的心力衰竭风险，对 72,000 名患者的预测准确率达到 86%。
研究人员在 牛津大学 我们开发了一种人工智能系统，可以提前五年预测患者发生心力衰竭的风险，在超过72,000名患者的验证中，准确率达到86%。该方法无需额外的检查、专家干预或新的医疗设备，因为它依赖于临床实践中已常规进行的心脏CT扫描。
这项由查拉兰博斯·安东尼阿德斯教授领导、发表于《美国心脏病学会杂志》的研究，旨在解决心脏病学领域长期存在的一个难题：心力衰竭通常只有在发生严重的结构性损伤后才能确诊，此时预防手段往往十分有限。该研究提出的系统将关注点转移到症状出现前数年的早期生物学变化上。
该模型的核心是一个非常规的数据来源：包围心脏的脂肪，即心包脂肪组织。虽然在常规扫描分析中通常被忽略，但这种组织似乎能够反映心肌本身发生的潜在炎症和代谢变化。
研究人员表示，这些脂肪沉积物会随着心血管系统承受压力而逐渐改变质地，形成一些无法通过常规人眼解读影像结果的模式。人工智能系统旨在识别这些细微的变化，并将其转化为未来发生心力衰竭的量化风险评估。
解读人眼无法看到的信号
心脏CT成像在英国国家医疗服务体系（NHS）中被广泛用于调查胸痛和评估冠状动脉疾病，每年进行数十万次扫描。在典型的临床工作流程中，放射科医生主要关注动脉阻塞和可见的异常，而对周围脂肪组织的分析关注有限。
牛津大学的模型通过分析心包脂肪内的纹理特征，重新利用了这一被忽视的数据层。该系统利用机器学习技术，基于来自超过59,000名英国国家医疗服务体系（NHS）患者的匿名CT数据进行训练，从而学会将特定的影像模式与长期随访期间心力衰竭的发生联系起来。
在包含13,424名额外患者的验证测试中，该模型预测五年心力衰竭风险的准确率达到86%。研究发现，最高风险组的个体患心力衰竭的可能性是最低风险组的约20倍，五年内发病概率估计为四分之一。
重要的是，该系统能够自动生成风险评分，无需临床医生手动输入。这使其成为一种潜在的决策支持工具，而非现有诊断流程的替代品。
从心脏扫描到任何胸部CT——以及通往英国国家医疗服务体系 (NHS) 的途径
这项研究的更广泛目标是将这项技术的应用范围扩展到心脏成像之外。目前，研究团队正在致力于改进模型，使其能够分析标准的胸部CT扫描，包括用于肺癌筛查和呼吸系统诊断的扫描。鉴于胸部CT成像的数量远高于心脏CT扫描，这种改进有望大幅提升该系统的应用范围。
从临床角度来看，其意义在于更早地进行干预。通过在症状出现前数年识别高危患者，医疗服务提供者可以调整监测策略，更早地启动预防性治疗，并更有效地分配资源。目前，英国已有超过一百万人患有心力衰竭，因此，对长期医疗保健需求的潜在影响相当巨大。
目前正计划寻求监管部门批准，将该系统整合到英国国家医疗服务体系（NHS）的常规放射科工作流程中。如果获得批准，该系统将在标准影像检查流程的后台运行，自动生成风险评估报告，无需额外成本或更改扫描方案。
这项研究得到了英国心脏基金会和牛津国家健康与护理研究所生物医学研究中心的支持。它反映了医学影像领域更广泛的转变，即人工智能不仅越来越多地用于检测现有疾病，而且还越来越多地用于从常规扫描中嵌入的、此前未被充分利用的细微生物信号中推断未来风险。
免责声明
在与行 信托项目指南，请注意，本页提供的信息无意且不应被解释为法律、税务、投资、财务或任何其他形式的建议。 重要的是，仅投资您可以承受损失的金额，并在有任何疑问时寻求独立的财务建议。 如需了解更多信息，我们建议您参阅条款和条件以及发行人或广告商提供的帮助和支持页面。 MetaversePost 致力于提供准确、公正的报告，但市场状况如有变更，恕不另行通知。
关于作者
Alisa，一名热心记者 MPost专注于加密货币、人工智能、投资以及广阔的领域 Web3。她对新兴趋势和技术有着敏锐的洞察力，提供全面的报道，让读者了解和吸引读者了解不断发展的数字金融领域。
更多文章
Alisa，一名热心记者 MPost专注于加密货币、人工智能、投资以及广阔的领域 Web3。她对新兴趋势和技术有着敏锐的洞察力，提供全面的报道，让读者了解和吸引读者了解不断发展的数字金融领域。
