基于人工智能测量的冠状动脉钙化积分与CT-FFR及斑块特征的相关性

摘要：目的" 采用冠状动脉CT血管成像联合数坤科技智慧平台（AI）分析冠状动脉钙化积分（CACS）与无创血流储备分数（CT-FFR）及斑块特征的相关性。方法" 根据AI测量的CACS数值，将2021年1月～2022年12月于蚌埠医科大学第一附属医院行冠状动脉CT血管成像检查的208例患者分为低度钙化组（n=73，0分lt;CACSlt;100分）、中度钙化组（n=64，100分≤CACS≤400分）和高度钙化组（n=71，CACSgt;400分）。比较各组一般临床资料及AI测量下的犯罪血管及犯罪斑块的特征参数，并分析特征参数与CACS组别的相关性，通过绘制ROC曲线计算曲线下面积（AUC）评估单一指标及联合指标对两个组别（低度钙化组-中度钙化组、中度钙化组-高度钙化组）的诊断效能。结果" AI测量下，CT-FFR、斑块长度、斑块体积、最小管腔面积（MLA）在不同CACS组的差异均有统计学意义（Plt;0.05），斑块类型在低度钙化组-中度钙化组间差异有统计学意义（Plt;0.05），在中度钙化组-高度钙化组的差异无统计学意义（Pgt;0.05）。多因素Logistic回归分析显示，年龄、CT-FFR、斑块体积、MLA是更高CACS组的危险因素，斑块体积与CACS严重程度呈正相关（r=0.437，Plt;0.001），CT-FFR、MLA与其呈负相关（r=-0.640，-0.658，Plt;0.001）。ROC曲线显示，在低钙化积分组-中钙化积分组，CT-FFR、斑块体积、MLA及联合指标的AUC值分别为0.731、0.678、0.748、0.824；在中钙化积分组-高钙化积分组，CT-FFR、斑块体积、MLA及联合指标的AUC值分别0.741、0.670、0.746、0.840。CT-FFR、斑块体积、MLA三个联合指标在两个组别的诊断效能均大于单一指标。结论" AI测量下，CT-FFR、斑块体积、MLA在不同CACS组均有显著差异，是更高CACS组的危险因素，CT-FFR、MLA在不同CACS组均表现出良好的诊断效能，CT-FFR、斑块体积、MLA联合时诊断效能明显提高。

关键词：人工智能；冠状动脉钙化积分；无创血流储备分数；斑块特征

Correlation of coronary artery calcification score with CT fractional flow reserve and plaque characteristics measured by artificial intelligence

YANG Xudong， HUANG Xinyi， SHI Shikui

Department of Radiology， the First Affiliated Hospital of Bengbu Medical University， Bengbu 233004， China

Abstract： Objective To investigate the correlation between coronary artery calcium score （CACS） measured by coronary computed tomography （CCTA） combined with the Sukun Technology Intelligence Platform （AI）， CT fractional flow reserve （CT-FFR）， and plaque characteristics. Methods Based on the CACS values measured by AI， 208 patients who underwent CCTA examination at the First Affiliated Hospital of Bengbu Medical College from January 2021 to December 2022 were divided into three groups： low calcification group （n=73）： 0lt;CACSlt;100; moderate calcification group （n=64）： 100≤CACS≤400， high calcification group （n=71）： CACSgt;400.Comparison of general clinical data and characteristics of culprit vessels and culprit plaques measured by AI in different CACS groups were analyzed. The correlation between characteristic parameters and CACS groups was assessed， and the diagnostic efficiency of single and combined indicators for two groups （low calcification group vs. moderate calcification group， moderate calcification group vs. high calcification group） was evaluated by drawing ROC curves to calculate the AUC. Results Based on AI measurements， there were statistically significant differences （Plt;0.05） in CT-FFR， plaque length， plaque volume， and minimal lumen area （MLA） among different CACS groups. There was a significant difference in plaque type between the low calcification group and the moderate calcification group（Plt;0.05）， but no statistical significance in differences between the moderate calcification group and the high calcification group （Pgt;0.05）. Multifactorial logistic regression analysis indicated that age， CT-FFR， plaque volume， and MLA were risk factors for higher CACS groups. Plaque volume was positively correlated with the severity of CACS （r=0.437， Plt;0.001）， while CT-FFR and MLA were negatively correlated with it （r=-0.640， -0.658， Plt;0.001）. The ROC curve showed that in the low calcification group to the moderate calcification group， the AUC values of CT-FFR， plaque volume， MLA and combined index are 0.731， 0.678， 0.748 and 0.824 respectively; in the moderate calcification group to the high calcification group， the AUC values of CT-FFR， plaque volume， MLA and combined index were 0.741， 0.670， 0.746 and 0.840 respectively. The diagnostic efficiency of the combined index of CT-FFR， plaque volume and MLA was greater than that of a single index in both groups. Conclusion AI measurements show significant differences in CT-FFR， plaque volume， and MLA among different CACS groups， indicating that they are risk factors for higher CACS groups. CT-FFR and MLA demonstrate good diagnostic performance across different CACS groups， while the combination of CT-FFR， plaque volume， and MLA significantly improves diagnostic efficacy.

Keywords： artificial intelligence; coronary artery calcification score; CT fractional flow reserve; plaque characteristics

冠状动脉硬化性心脏病（CAD）是由于冠状动脉内皮发生粥样硬化、斑块形成等多种因素，导致冠脉血管发生狭窄甚至闭塞［1］ 。当冠状动脉内皮改变积累到一定程度时，会导致冠脉血管发生钙化，即冠状动脉钙化（CAC）［2， 3］ 。既往研究表明，CAC是评估CAD血管及斑块特征的一项重要指标［4］ ，冠状动脉钙化积分（CACS）作为一项重要的影像学参数，与主要心血管不良事件（MACE）紧密相关，通常认为更高CACS的人群，发生MACE的概率更高［5， 6］ 。无创血流储备分数（CT-FFR）作为一种无创评估血流动力学的指标［7］ ，已被证实与MACE联系紧密。研究表明，冠脉斑块的形成与心肌缺血关系密切［8］ ，斑块各项参数特征，如斑块类型、斑块长度、斑块体积、最小管腔面积（MLA）与MACE存在一定的联系。现有研究已证实CACS、CT-FFR及斑块与MACE的相关性，因此研究不同层级CACS患者冠脉血管及斑块特征的相关性对MACE人群临床诊断和分级管理有重要价值。但既往研究仅分析了CACS与冠脉斑块的相关性［9］ ，目前用冠脉血管与斑块评估CACS严重程度的研究较少，CT-FFR及斑块特征对CACS严重程度的诊断价值有待验证。本研究运用AI测量的结果，分析CT-FFR及斑块特征与CACS的关系，讨论了不同层级CACS患者的危险因素，探究CT-FFR及斑块特征对CAD患者的CACS严重程度的预测能力，有望为CAD患者评估CACS严重程度提供影像学指标，为患者的临床分级管理提供依据。

1" 资料与方法

1.1" 一般资料

回顾性分析2021年1月～2022年12月在蚌埠医科大学第一附属医院行冠状动脉CT血管成像（CCTA）检查患者的临床资料及影像资料。纳入标准：患者均发生MACE来院检查，行冠脉CTA扫描且经过有创冠脉造影检查；患者CCTA图像上传数坤平台，犯罪血管及犯罪斑块所在位置与金标准（有创冠脉造影）结果基本保持一致；患者临床资料与影像资料齐全。排除标准：患者过往行冠状动脉支架手术、开胸手术等；CCTA图像质量太差，伪影较大；患者有其他严重疾病。本研究通过伦理审核（审批号：2023YJS155）。本研究共纳入患者208例，将CCTA图像上传数坤平台，经数坤平台AI计算患者的冠脉钙化积分。根据《CACS危险分级指南》［10］ 对冠脉钙化积分的严重程度进行分组：低度钙化组（n=73，0分lt;CACSlt;100分），中度钙化组（n=64，100分≤CACS≤400分），高度钙化组（n=71，CACSgt;400分）。

1.2" 仪器与方法

采用GE Revolution 256排CT扫描仪进行扫描。患者取仰卧位，手举至头部，吸气后屏气，充分暴露胸部，采用前瞻心电门控技术进行CCTA扫描，扫描范围为气管隆嵴下1 cm至心脏膈面下方。患者心率lt;65次/min的曝光时间窗设置为70%～85%R-R间期；患者心率≥65次/min曝光时间窗设置为40%～85%R-R间期。扫描参数：管电压120 kV，基准电压100 kV，管电流范围200～300 mA，球管转速0.28 s/周，重建图像层厚2.5 mm；对比剂采用碘海醇，由肘正中静脉注射，注射流率为4～6 mL/s，注射剂量为1.0～1.5 mL/kg，后跟注25 mL生理盐水；使用对比剂跟踪扫描技术，选取气管分叉层面至降主动脉为感兴趣区（ROI），CT值自动促发阈值设置为80 HU，达阈值后延迟6 s启动CCTA扫描，层厚及层间距均为0.625 mm。

1.3" 图像重建与筛选

将原始轴位图像发送至GEAW4.7后处理工作站进行标准算法重建，将图像质量最佳的序列传入数坤平台。经AI计算出各冠脉分支（左前降支、左回旋支、右冠状支）的狭窄程度及各冠脉分支斑块的具体位置。由两位高年资从事心血管影像诊断方面的医生结合金标准（有创冠脉造影）确定犯罪血管的位置及犯罪斑块的位置，最终筛选出208个与金标准的结果（犯罪血管及犯罪斑块的位置）基本保持一致的CCTA图像。

1.4" 数据收集

1.4.1" CT-FFR" "从筛选的208个CCTA图像，经数坤平台AI计算，记录犯罪血管的CT-FFR值。

1.4.2" 提取斑块特征及斑块类型" "从筛选的208个CCTA图像，经数坤平台AI计算，记录犯罪斑块的类型、长度、体积、MLA。

1.4.3" 患者基本数据及临床数据" "经蚌埠医科大学第一附属医院病例系统，获取患者的基本数据（年龄、性别、BMI、高血压、糖尿病）及临床数据（总胆固醇、甘油三酯、高密度脂蛋白、低密度脂蛋白、C反应蛋白、乳酸脱氢酶）。

1.5" 统计学分析

采用SPSS27.0统计软件进行数据分析。计量资料呈正态分布时以均数±标准差表示，组间比较采用t检验，当计量资料呈偏态分布时以中位数和四分位数间距表示，组间比较采用非参数检验。计数资料以n（%）表示，组间比较采用χ2检验。采用ROC曲线分析AI测量的CT-FFR及斑块特征对CACS严重程度的诊断价值。以Plt;0.05为差异有统计学意义。

2" 结果

2.1" 患者基本数据与临床数据的比较

除年龄外，3组患者基本数据和临床数据的差异均无统计学意义（Pgt;0.05，表1）。

2.2" 基于数坤平台AI测量下的CT-FFR及斑块特征的组间比较

2.2.1" 各组犯罪血管及犯罪斑块所在冠脉分支对钙化积分程度的影响" 低钙化积分组（n=73）在左前降支、左回旋支、右冠状支的例数分别为49例、2例、22例；中钙化积分组（n=64）在左前降支、左回旋支、右冠状支的例数分别为37例、7例、20例；高钙化积分组（n=71）在左前降支、左回旋支、右冠状支的例数分别为40例、9例、22例。3组的犯罪血管及犯罪斑块所在冠脉分支（左前降支、左回旋支、右冠状支）的差异均无统计学意义（Pgt;0.05）。

2.2.2" 各组犯罪血管及犯罪斑块的特征参数比较" "在低钙化积分组犯罪斑块类型对比中钙化积分组，斑块类型的差异有统计学意义（Plt;0.001），在中钙化积分组犯罪斑块类型对比高钙化积分组，斑块类型的差异无统计学意义（Pgt;0.05）。

不同CACS组FFR值的差异均有统计学意义（Plt;0.05）。随着钙化积分的增高，FFR值呈变小的趋势。

各组犯罪斑块特征参数（斑块长度、斑块体积、MLA）的差异均有统计学意义（Plt;0.05）。相比于低钙化积分组，中钙化积分组的斑块长度、体积均增长，MLA下降；相比于中钙化积分组，高钙化积分组的斑块长度、体积均增长，MLA下降（表2）。

2.3" 冠脉钙化积分严重程度的回归分析

选取3组间差异有统计学意义的指标（年龄、CT-FFR、斑块长度、斑块体积、MLA）作为变量，分析影响冠脉钙化积分严重程度的危险因素。多因素回归分析显示，年龄、CT-FFR、斑块体积、MLA是冠脉钙化积分严重程度的危险因素（Plt;0.001，表3）。

2.4" 高危参数特征对冠脉钙化积分严重程度的相关性分析

Spearman相关性分析显示，斑块体积与冠脉钙化积分严重程度呈正相关（r=0.437，Plt;0.001），CT-FFR、MLA与冠脉钙化积分严重程度呈负相关（r=-0.640、-0.658，Plt;0.001）。

2.5" ROC曲线分析各组高危参数对冠脉钙化积分严重程度的诊断价值

以更高钙化积分组为结果分别绘制ROC曲线（图1～2）。基于AI测量下的犯罪血管及犯罪斑块的特征参数，在低钙化积分组-中钙化积分组中CT-FFR、斑块体积、MLA及三者的联合指标的AUC值分别为0.731、0.678、0.748、0.824，中钙化积分组-高钙化积分组中CT-FFR、斑块体积、MLA及三者的联合指标的AUC值分别0.741、0.670、0.746、0.840。在低钙化积分组-中钙化积分组与中钙化积分组-高钙化积分组中，联合指标的约登指数均最大，分别为0.507与0.556，联合指标在两个组别的敏感度与特异度均能取到最佳值（表4～5）。

3" 讨论

本研究通过CCTA扫描技术与数坤平台相结合的方式，将AI测量下的CACS进行分组，探究其与CT-FFR及斑块特征的相关性。有研究指出，AI作为一种高效、低成本、低辐射评估CACS的方式，与人工评估有较好的一致性，为广泛筛选人群创造可能，同时给于不同程度CACS患者有效的治疗或预防建议［11］ 。本研究发现，AI测量下的CACS组别的不同，与其对应的犯罪血管及犯罪斑块的特征变化有比较明显的统计学差异，并且与既往研究［12］ 运用AI测量的CT-FFR在不同CACS组的变化趋势保持一致。

冠脉血管因斑块的堆积、破损及脱落引发血流动力学的变化，最终导致MACE发生［13］ 。CT-FFR作为一种无创评估血流动力学的指标［7］ ，已被证实与侵入性FFR保持良好的一致性［14］ ，能广泛运用于临床诊断。既往研究发现FFR≤0.8提示冠脉血流受阻，发生MACE的概率极大提高［15］ 。本研究发现，随着CACS的增高，CT-FFR有下降的趋势，当CACS达到中钙化积分组时，犯罪血管CT-FFR≤0.8的概率提高，这可能与犯罪血管钙化的进程有关。有研究表明，血管钙化的机制包括被动钙化和主动钙化，随着血管钙化的不断进展，钙化机制逐渐趋于主动钙化为主导［16， 17］，当CACS达到中钙化积分组时，血管钙化可能逐渐以主动钙化的形式进行，加快血管的硬化及斑块的堆积，从而引起血流动力学的变化。在中钙化积分组-高钙化积分组中CT-FFR的截断值为0.785，这与既往研究的CT-FFR的变化趋势［18］ 一致。斑块的形成、脱落是MACE发生的导火索，本研究发现，随着CACS的增加，斑块长度与斑块体积呈比较明显的上升趋势，MLA呈下降的趋势。本研究的CACS分组依据来源于《CACS危险分级指南》［10］ ，各组CT-FFR及斑块特征的显著差异又进一步验证了该指南的科学性，为冠心病患者的诊断与预防给出了科学的分组依据。此外，本研究还发现CT-FFR和MLA作为独立危险因素诊断两个组别的效能优异，AUC值在两个组别分别能达到0.731、0.741和0.748、0.746，而斑块长度在不同CACS组的特征变化不够突出，无法准确反映冠脉钙化水平的高低。3项指标（CT-FFR、斑块体积、MLA）联合在不同CACS组所得到AUC值均最大，分别为0.824和0.840。

冠脉斑块分为钙化斑块、非钙化斑块及混合斑块。本研究发现，从低钙化积分组到中钙化积分组，犯罪斑块的类型发生了变化（Plt;0.001），而随着钙化程度的不断增高，从中钙化积分组到高钙化积分组，斑块类型的差异无统计学意义（Pgt;0.05），这可能与动脉粥样硬化斑块钙化的机制有关。动脉粥样硬化斑块的形成是一个慢性的炎症过程，有研究表明动脉粥样硬化的重要起始条件是氧化型低密度脂蛋白诱导的血管内皮细胞损伤和凋亡，氧化型低密度脂蛋白的激活，可促使单核细胞黏附于血管内皮细胞，并侵入内皮下间隙，转化为巨噬细胞，促进血管钙化［19］ 。血管内皮细胞的损伤和凋亡，不断在斑块表面累积大量的细胞残骸，导致其类型发生变化。但随着冠脉钙化程度的不断升高，累积到一定程度时，斑块表面的纤维帽存在大量的微钙化，加固了斑块表面纤维帽的基地周应力［20］ ，此时斑块类型可能趋于稳定。

CCTA检测血管及斑块病变情况时，冠状动脉硬化可诱发脉晕及波束硬化伪影，从而严重影响CCTA图像的质量和准确性［21］ ，本研究为确保AI的准确性，以有创冠脉造影为参照，确定犯罪血管和犯罪斑块的位置。另一方面，AI在临床实践中发展和采用的主要障碍是需要大量高质量的真实数据库以及诊断技术的标准化［22， 23］ 。例如，CCTA图像由于心脏跳动所产生的伪影，会很大程度影响图像的质量［24］ ，进而干扰AI的测量结果，但追踪冻结技术［25］ 的出现可极大降低CCTA图像的伪影。有创冠脉造影被广泛认为是诊断CAD的金标准［26］ ，但由于是侵入性检查，具有一定的局限性［27］ 。FFR作为一项有创检查也无法适用于人群筛查。另一方面，人工评估CAD患者的CACS和斑块特征效率低，耗时长，成本高，难以运用于临床研究。随着AI的发展，CCTA技术的逐渐成熟［28］ ，CCTA技术能无创筛查CAD人群，CCTA图像经过AI分析能够高效、低成本、低辐射地获取CAD患者冠脉血管及斑块的特征参数，为本研究提供高效、可靠的技术支持。

本回顾性研究中因CACS为0的患者例数不足，没有纳入。有研究发现CACS为0的患者CAD的患病概率降低［29］ ；本研究只分析了犯罪血管与犯罪斑块的相关参数，没有具体到其他冠脉血管以及斑块。后续研究将纳入CACS为0的患者，并分析不同程度CACS患者冠脉血管所有分支的具体情况。

综上所述，AI测量下，低度钙化组-中度钙化组的斑块类型有显著差异，中度钙化组-高度钙化组的斑块类型趋于稳定；CT-FFR及斑块的其他特征（斑块长度、斑块体积、MLA）在两组均有显著差异。年龄、CT-FFR、斑块体积、MLA是更高CACS组的危险因素，且年龄、斑块体积与CACS严重程度呈正相关，CT-FFR、MLA与其呈负相关。CT-FFR、MLA在不同CACS组均表现出良好的诊断效能，CT-FFR、斑块体积、MLA三者联合指标诊断效能优于单一指标。

参考文献：

［1］" "Vaduganathan M， Mensah GA， Turco JV， et al. The global burden of cardiovascular diseases and risk： a compass for future health［J］. J Am Coll Cardiol， 2022， 80（25）： 2361-71.

［2］" " 张" 兰， 金永萍， 张" 雷， 等. 胸部低剂量CT体检对冠状动脉钙化筛查的研究［J］. 临床放射学杂志， 2021， 40（7）： 1299-302.

［3］" " 马雅楠， 金晓雪， 刘德敏， 等. CTRP9对冠心病合并2型糖尿病患者冠状动脉钙化的预测价值［J］. 心血管病学进展， 2022， 43（6）： 572-6.

［4］" " Mori H， Torii S， Kutyna M， et al. Coronary artery calcification and its progression： what does it really mean？［J］. JACC Cardiovasc Imaging， 2018， 11（1）： 127-42.

［5］" "Emfietzoglou M， Mavrogiannis MC， Samaras A， et al. The role of cardiac computed tomography in predicting adverse coronary events［J］. Front Cardiovasc Med， 2022， 9： 920119.

［6］" " 乔" 琛， 张" 蕾， 李晓生， 等. 冠状动脉钙化积分与传统危险因素相关性的研究［J］. 中国医学计算机成像杂志， 2015， 21（1）： 34-7.

［7］" " 闫玉洁， 袁俊强. 基于CCTA的血流储备分数对心肌桥心肌缺血的评估价值分析［J］. 实验与检验医学， 2021， 39（3）： 649-51.

［8］" "张晓蕾， 唐春香， 李建华， 等. 冠状动脉CTA： 斑块特征定量参数与血流储备分数的相关性分析［J］. 放射学实践， 2018， 33（12）： 1261-5.

［9］" "Osborne-Grinter M， Kwiecinski J， Doris M， et al. Association of coronary artery calcium score with qualitatively and quantitatively assessed adverse plaque on coronary CT angiography in the SCOT-HEART trial［J］. Eur Heart J Cardiovasc Imaging， 2022， 23（9）： 1210-21.

［10］ van der Bijl P， Kuneman J， Bax JJ. Coronary artery calcium scoring in the general population［J］. Eur Heart J Cardiovasc Imaging， 2022， 24（1）： 36-7.

［11］ Lee H， Martin S， Burt JR， et al. Machine learning and coronary artery calcium scoring［J］. Curr Cardiol Rep， 2020， 22（9）： 90.

［12］ Di‑Jiang M， Zhang XL， Liu H， et al. The effect of coronary calcification on diagnostic performance of machine learning-based CT-FFR： a Chinese multicenter study［J］. Eur Radiol， 2021， 31（3）： 1482-93.

［13］" 李永霞， 马跃虎， 王同兴， 等. 基于CCTA对胸痛病人高危斑块成分及血流动力学特征的研究［J］. 国际医学放射学杂志， 2021， 44（1）： 19-24.

［14］ Fairbairn TA， Nieman K， Akasaka T， et al. Real-‑world clinical utility and impact on clinical decision‑making of coronary computed tomography angiography‑derived fractional flow reserve： lessons from the ADVANCE Registry［J］. Eur Heart J， 2018， 39（41）： 3701-11.

［15］" Metz LD， Beattie M， Hom R， et al. The prognostic value of normal exercise myocardial perfusion imaging and exercise echocardiography： a meta-analysis［J］. J Am Coll Cardiol， 2007， 49（2）： 227-37.

［16］ Panh L， Lairez O， Ruidavets JB， et al. Coronary artery calcification： from crystal to plaque rupture［J］. Arch Cardiovasc Dis， 2017， 110（10）： 550-61.

［17］" 石惠薇， 刘硕霖， 热娜提·肉 孜， 等. 冠状动脉钙化的机制研究进展［J］." 中国心血管病研究， 2020， 18（11）： 1039-43.

［18］ Tao Y， Gao YL， Wu XY， et al. Diagnostic performance of coronary computed tomography （CT） angiography derived fractional flow reserve （CTFFR） in patients with coronary artery calcification： insights from multi‑center experiments in China［J］. Ann Transl Med， 2022， 10（14）： 788.

［19］Shioi A， Ikari Y. Plaque calcification during atherosclerosis progression and regression［J］. J Atheroscler Thromb， 2018， 25（4）： 294-303.

［20］ Scimeca M， Anemona L， Granaglia A， et al. Plaque calcification is driven by different mechanisms of mineralization associated with specific cardiovascular risk factors［J］. Nutr Metab Cardiovasc Dis， 2019， 29（12）： 1330-6.

［21］ Zhang SX， Levin DC， Halpern EJ， et al. Accuracy of MDCT in assessing the degree of stenosis caused by calcified coronary artery plaques［J］. AJR Am J Roentgenol， 2008， 191（6）： 1676-83.

［22］ Choy G， Khalilzadeh O， Michalski M， et al. Current applications and future impact of machine learning in radiology［J］. Radiology， 2018， 288（2）： 318-28.

［23］ Zitzelsberger T， Scholz A， Hetterich H， et al. Magnetic resonance-based assessment of myocardial 2-dimensional strain using feature tracking： association with cardiovascular risk factors in a population-based cohort free of cardiovascular disease［J］. J Thorac Imaging， 2020， 35（1）： 49-55.

［24］ Si‑Mohamed SA， Boccalini S， Lacombe H， et al. Coronary CT angiography with photon-counting CT： first-In-human results［J］." Radiology， 2022， 303（2）： 303-13.

［25］" 高茹茹， 刘建莉， 刘显旺， 等. 256排CT冠状动脉追踪冻结技术在胸痛三联检查中的应用价值［J］. 中国临床医学影像杂志， 2022， 33（4）： 253-7.

［26］ Abdelrahman KM， Chen MY， Dey AK， et al. Coronary computed tomography angiography from clinical uses to emerging technologies： JACC state-of-the-art review［J］. J Am Coll Cardiol， 2020， 76（10）： 1226-43.

［27］ Seo WW， Yoo HS， Kim YD， et al. Choroidal vascularity index of patients with coronary artery disease［J］. Sci Rep， 2022， 12（1）： 3036.

［28］ Song YB， Arbab-Zadeh A， Matheson MB， et al. Contemporary discrepancies of stenosis assessment by computed tomography and invasive coronary angiography［J］. Circ Cardiovasc Imaging， 2019， 12（2）： e007720.

［29］ Budoff MJ， Young R， Lopez VA， et al. Progression of coronary calcium and incident coronary heart disease events： mesa （Multi-Ethnic Study of Atherosclerosis）［J］. J Am Coll Cardiol， 2013， 61（12）： 1231-9.

（编辑：郎" 朗）