王蔚然，王蓉，王更新，单冬凯

(1中国人民解放军总医院第一医学中心心血管内科，北京 100853；2中国人民解放军总医院京西医疗区为公桥门诊部，北京 100089；3中国人民解放军总医院第六医学中心心血管病医学部，北京 100048)

急性冠状动脉综合征(acute coronary syndrome，ACS)是冠状动脉粥样硬化性心脏病(coronary artery disease，CAD)中的首要临床症状和严重致死原因，检测发现具备高危特征的冠状动脉斑块对于预防冠状动脉粥样硬化所导致的不良结局至关重要。大量临床研究已经证实和确认冠状动脉CT血管造影(coronary computed tomographic angiography，CCTA)作为诊断疑似CAD的一线检查地位[1,2]。CCTA不但可提供冠状动脉循环和管腔狭窄的可靠信息，同时也可系统性评估冠状动脉斑块的组成、形态和易损性。由于CCTA检查无创成像的特点，其在检出“易损”斑块(vulnerable plaque，VP)方面具有一定的优势。此外，随着近年机器学习(machine learning，ML)算法和人工智能(artificial intelligence，AI)的兴起，这些更为先进的计算机技术使得从CCTA中提取感兴趣的复杂高维度特征成为可能[3]。本文旨在简要介绍目前关于CCTA在检测量化VP和冠状动脉相关炎症指标的临床证据，并总结基于AI架构ML算法的影像组学分析技术在综合评估冠状动脉斑块风险方面的最新进展。

1 传统斑块易损特征

1.1 CCTA斑块易损特征

VP被定义为具有大的坏死脂质核心、薄纤维帽及强烈炎症浸润的斑块，目前在血管腔内成像技术中以发现薄壁纤维粥样瘤(thin-cap fibroatheroma，TCFA)作为诊断依据。按照性质，冠状动脉斑块可分为钙化斑块(calcified plaque，CP)、部分钙化斑块(partially calcified plaque，PCP)和非钙化斑块(non-calcified plaque，NCP)。虽然既往已证实，主要心……