冠状动脉钙化(心脏动脉壁中钙化斑块的积聚)是不良心血管事件(如心脏病发作)的重要预测指标。可以通过计算机断层扫描(CT)扫描来检测冠状动脉钙，但是要量化斑块的数量需要放射学专业知识，时间和专门的设备。在实践中，尽管胸部CT扫描相当普遍，但钙质分数CT却并非如此。布莱根妇女医院的医学人工智能(AIM)计划和马萨诸塞州总医院的心血管影像研究中心(CIRC)的研究人员联手开发和评估了可以帮助改变这一状况的深度学习系统。该系统通过CT扫描自动测量冠状动脉钙，以帮助医生和患者就心血管预防做出更明智的决定。该团队使用来自20,000多个个人的数据验证了该系统，并取得了可喜的结果。他们的发现发表在自然交流。

相应的作者Hugo Aerts博士说：“几乎每位接受胸部CT扫描的患者都可以获得冠状动脉钙信息，但之所以无法量化，是因为每位患者花费太多时间来完成这项工作。”是布里格姆和哈佛医学院医学院医学人工智能(AIM)计划的主任。“我们开发了一种算法，可以自动识别高风险个体。”

AIM的数据科学家MSc的主要作者Roman Zeleznik与同事合作，开发了本文所述的深度学习系统，该系统可通过对冠状动脉钙质进行评分来自动准确地预测心血管事件。虽然该工具目前仅用于研究目的，但Zeleznik及其合作者已将其开源并免费提供给任何人使用。

Zeleznik说：“从理论上讲，深度学习系统可以做很多人类量化钙的工作。” “我们的论文表明，有可能以自动化方式做到这一点。”

该团队首先根据弗雷明汉心脏研究(FHS)的数据对深度学习系统进行了培训，该研究是一项长期的无症状社区队列研究。Framingham的参与者接受了专门的钙评分CT扫描，这些扫描由专业的人类读者手动评分，并用于训练深度学习系统。然后将深度学习系统应用于另外三个研究队列，其中包括患有肺癌筛查CT的重度吸烟者(NLST：国家肺部筛查试验)，患有稳定胸痛的患者进行心脏CT筛查(PROMISE：评估多发性前瞻性多中心成像研究)胸痛)，以及患有心脏CT的急性胸痛患者(ROMICAT-II：使用计算机辅助断层扫描试验排除心肌梗塞)。总而言之，该团队验证了20,000多人的深度学习系统。

CIRC @ MGH的主任Udo Hoffmann，医学博士，他是FHS，PROMISE和ROMICAT中CT成像的主要研究人员，他强调说，这项研究的独特之处之一是包括了三个国家心脏，肺和血液研究所，资助了高质量的图像和结果试验，以增强这些结果在临床上的推广性。

深度学习系统的自动钙评分与人类专家的人工钙评分高度相关。自动评分还独立预测谁会继续发生重大的不良心血管事件，例如心脏病发作。

在目前的指南中，谁应该服用他汀类药物以预防心脏病发作，冠状动脉钙化评分起着重要作用。MGH心血管成像研究中心的人工智能主管，医学博士，医学博士，医学博士Michael Lu说：“这是我们使用AI从这些胸部CT中获得更多价值的机会。“冠状动脉钙化评分可以帮助患者和医生就是否服用他汀类药物做出明智的个性化决定。从临床角度来看，我们的长期目标是在电子健康记录中实施这种深度学习系统，以自动识别患者高风险。”