1月14日，上海交通大学自动化与感知学院张文豪助理教授作为第一作者，联合美国西达赛奈医疗中心（Cedars-Sinai Medical Center） Piotr Slomka教授团队，在冠心病“未病态”早期诊断领域取得重要突破。相关研究成果以“Multicenter Evaluation of Interpretable AI for Coronary Artery Disease Diagnosis from PET Biomarkers”为题，发表于Nature Portfolio旗下人工智能与数字医学领域权威期刊npj Digital Medicine（影响因子 15.1）。

研究背景

冠心病是我国最主要的慢性病之一。传统的疾病评估多聚焦于血管是否发生狭窄，但疾病发展的关键往往出现在更早期、仍具有干预空间的“未病态”阶段。正电子发射断层显像–计算机断层扫描（PET-CT）能够同时反映心脏结构、功能和代谢状态，为捕捉这些早期异常提供了新的观察窗口。然而，仍缺乏能够统一描述冠心病结构改变、功能代偿与代谢异常之间内在关联的病理表征框架，导致多模态信息难以被系统性整合并用于早期诊断。

创新成果

研究提出了一种全新的冠心病未病态诊断范式：由人工智能同步整合心脏结构、血流功能与代谢状态三类PET-CT关键生物标志物，以功能与代谢异常作为早期风险锚点，从而显著提升冠心病超早期风险的识别能力与临床可解释性，突破传统单指标、单模态方法难以捕捉“未病态”微弱信号的瓶颈，实现冠心病风险的高敏感、可量化评估。

本研究构建了一套基于PET-CT的“结构–功能–代谢”三域融合的冠心病病理表征框架：

结构域：率先设计基于ConvLSTM的双流架构，用于对冠状动脉钙化特征及心脏解剖状态进行自动识别与定量表征；

功能域：综合左心室射血分数、缺血相关应激指标及心脏负荷参数，用于刻画心脏对潜在缺血状态的整体代偿能力；

代谢域：从PET图像中自动提取心肌血流、血流储备与灌注缺损等关键代谢指标，用于表征早期微循环功能及血流调控异常特征。

“结构–功能–代谢”三域融合的早期诊断框架

在此基础上，本研究通过对结构、功能与代谢三类生理特征进行标准化处理，并构建统一的判别模型进行联合建模，使多模态信息在同一决策空间内协同参与诊断，从而避免不同模态特征割裂或相互干扰。同时，引入基于Shapley理论的可解释机制，使模型不仅能给出诊断评估，还能够在群体和个体层面揭示不同生理指标对诊断判断的相对贡献，从而增强模型结果的可解释性。

多医学中心验证模型泛化能力

本研究在覆盖美国东西海岸的四家大型医学中心的真实世界PET-CT数据中完成独立外部验证。结果显示，模型在不同设备、示踪剂和扫描协议条件下均保持稳定性能，有效抵御多中心数据分布偏移带来的影响，其诊断准确性、稳定性和可解释性均显著优于现行单指标诊断策略，为冠心病未病态的临床筛查与早期干预提供了可推广的技术路径。

文章信息

张文豪，上海交大自动化与感知学院助理教授，入选上海白玉兰人才计划（上海市海外高层次青年人才），主要研究方向为因果推理算法、医学影像智能分析、医疗大数据分析等。在Lancet Digital Health、npj Digital Medicine等国际权威期刊发表论文27篇，获美国心脏核医学学会以奠基人Barry L. Zaret博士命名的青年研究者奖，以通讯作者获The 4th International Conference on Computing and Data Science国际会议最佳论文奖、 IEEE BHI-BSN2022国际会议最佳论文奖提名。

该研究联合美国西达赛奈医疗中心（ Cedars-Sinai Medical Center）Piotr Slomka教授团队、哈佛大学附属医院布莱根妇女医院（Brigham and Women's Hospital）Marcelo Fernando DiCarli教授团队、梅奥诊所（Mayo Clinic）Panithaya Chareonthaitawee教授团队等医学中心合作，获美国国立卫生研究院资助（项目编号：R01EB034586）。

论文链接：https://doi.org/10.1038/s41746-026-02338-6