人工智能在慢性冠脉综合征中的应用：从细胞通路到精准风险预测的叙述性综述

Cells · 2026-11-05 · 综述

• 一句话结论：结论：这篇叙述性综述提示，人工智能与机器学习可能通过把细胞通路与可测量的临床特征联系起来，支持慢性冠脉综合征更机制化、个体化的风险评估；但多数工具提供的是影像或数据衍生的替代指标，而非对内皮激活、炎症或钙化生物学的直接测量，临床落地仍受限。
• 研究设计与做法：设计：叙述性综述（非系统评价），未设样本量与干预对照，无随访；作者围绕慢性冠脉综合征的细胞与分子机制（内皮激活、脂质潴留、巨噬细胞泡沫化、血管平滑肌细胞表型转换、细胞外基质重塑、微血管稀疏、血管周围脂肪组织炎症、心血管代谢共病与生物学衰老）梳理AI应用场景。
• 主要结果：结果：综述未报告原始研究的效应量、置信区间或p值。作者归纳的AI应用方向包括：斑块表型分析、无创生理与缺血建模、冠脉微血管功能障碍评估、血管周围炎症成像以及多组学与心血管代谢风险谱整合；并指出现有证据提示AI可量化亚视觉高危斑块特征、支持无创血流评估、识别与微血管功能障碍及血管周围炎症相关的影像模式，在研究环境中可将分子特征与长期心血管风险关联。
• 机制或解释：机制：作者的解释是，传统工具往往孤立评估解剖、生理、炎症与系统生物学，而慢性冠脉综合征本质上是动态生物学过程，这一更广的细胞分子模型为AI整合多维度数据提供了理由；同时强调AI输出多为替代指标而非机制的直接读数。
• 局限与边界：局限：纳入研究以回顾性设计为主，外部验证有限，影像协议异质，可解释性不足，监管存在不确定性，并存在跨性别、种族、年龄与资源环境的算法偏倚；作为叙述性综述，未系统检索与定量合并，利益冲突材料未报告。
• 可否落地：落地：对科研而言，提示应优先开展前瞻性试验、透明报告、联邦式验证与可解释输出，并与指南决策路径整合；对临床而言，AI目前更适合作为机制性风险分层的辅助，属于「提示」档位，尚不足以下结论认为可替代现有评估，不宜据此改变实践。

🔗 打开原文

Antoun I, Layton GR, Somani R 等

本文摘自《每日前沿研究简报 · 2026-11-15》「AI 科研智能体」。本内容仅用于研究信息整理与科普交流，不构成医疗建议。