孙 安 萧 毅 樊荣荣 孙 瑶

心血管疾病是全世界居民最常见的死亡原因，而冠状动脉（冠脉）钙化积分已被证明是心血管事件（包括卒中）的一个强有力的独立预测因子，被指南推荐用于临床决策［1］，早期准确进行冠脉钙化评估是避免相关风险进一步增加的关键。近年来，在心血管影像领域，得益于扫描技术的迅速发展及由此产生的大量影像数据，人工智能（artificial intelligence，AI）的研究飞速发展。而机器学习是人工智能的分支，它在冠脉钙化的一系列研究应用，如图像自动分割识别、自动模型构建及预后判断等方面已表现出巨大的潜能。本综述将从常用的机器学习技术、冠脉钙化常用的计算机体层成像（computed tomography，CT）扫描方案、不同机器学习技术在自动化冠脉钙化积分模型构建中的应用和目前存在的挑战等方面进行阐述。

在冠脉钙化图像分割与识别中常用的机器学习技术

机器学习（machine learning，ML）的主要任务有分类、聚类、关联分析和偏差分析等，而机器学习在冠脉钙化图像分割与识别中最重要的任务是分类［2］，在这种情况下，ML算法通常也称为分类器。分类器大致可以分为2种，即基于特征输入的ML和基于图像输入的ML。

常见的基于特征输入的ML有支持向量机、朴素贝叶斯、决策树和K-近邻等。这类ML通过使用诸如阈值、边缘系统和轮廓模型等技术来提取输入对象的多维特征（如对比度、形状等），并将对象进行特定类别（如病变/非病变、良性/恶性）的分类［3］。其中，支持向量机是最常用的分类器，可以与多种复杂的大数据（如生物信息）兼容，并且比其他分类器的准确度更高，可以在不增加辐射剂量或扫描时间的情况下，多维度地自动化预测心血管风险，但是它对核心函数的要求较高；……