全自动冠状动脉纤维帽厚度评估新方法
摘要
研究团队开发了名为CapSeg的全自动计算流程，用于分析偏振敏感光学相干断层扫描（IV-PS-OCT）图像中的冠状动脉纤维帽。在200张横截面图像上验证显示，CapSeg测得的最小纤维帽厚度均值为131±80 µm，与两位专家人工测量结果（137±84 µm和144±83 µm）高度一致。该流程进一步应用于38例急性冠脉综合征患者的三维病变数据，证明其可实现快速、可重复的全容积评估。
信息来源： PubMed Ophthalmology 发布于 2026年1月1日
要点速览
- CapSeg是一种全自动计算流程，用于分析冠状动脉IV-PS-OCT图像中的纤维帽厚度。
- 在200张横截面图像上验证，CapSeg测得最小纤维帽厚度均值为131±80 µm。
- 该流程已应用于38例急性冠脉综合征患者的三维病变数据，实现全容积评估。
本站解读
这项研究本质上是给冠状动脉‘拍高清三维照’并让AI自动量出最薄那层‘保护膜’（纤维帽）有多厚——131微米这个数字不是诊断阈值，而是算法输出的平均厚度，说明它能稳定复现专家判断水平。样本量200张切片、38个完整病变，在技术验证类研究中属中等偏上，但未设前瞻性临床终点随访，因此还不能直接指导支架植入或药物调整决策。
从论文到手术室仍有明显距离：CapSeg依赖IV-PS-OCT设备，而该技术本身尚未在主流导管室普及；全自动分析需嵌入现有影像系统，涉及软硬件集成与监管认证。短期内不会改变心内科医生日常操作，更像为未来大规模风险分层研究铺路。国内情况有待确认。
普通人无需因此改变生活方式或就医节奏——这是一项面向介入心脏病学的技术工具升级，不涉及筛查建议、用药调整或患者自我管理动作。如有疑虑可咨询眼科医生
常见问题
这个AI测血管‘薄厚’的技术，现在医院能用上吗？
目前还不能在常规临床中使用。CapSeg需要配合IV-PS-OCT设备运行，而这类设备尚未成为心导管室标配，且该算法尚未完成医疗器械注册审批流程。它现阶段主要用于研究场景，距离实际手术室应用还需通过临床验证和监管批准。
测出纤维帽薄，是不是就代表马上要心梗？
不是。CapSeg提供的是形态学测量数据，131微米只是算法在样本中得出的平均厚度值，并非临床风险判定标准。纤维帽破裂风险需结合斑块成分、血流动力学及患者整体状况综合判断，单靠厚度数值无法预测急性事件。
延伸阅读
DenseViT-OCT模型实现ERM严重度自动分级
研究团队开发了名为DenseViT-OCT的混合深度学习模型，融合密集卷积神经网络（CNN）与视觉Transformer（ViT），引入多尺度密集特征聚合等三个新模块，用于光学相干断层扫描（OCT）B扫图像的特发性黄斑前膜（ERM）严重度四分类。模型在2195张B扫图像（来自397名患者）上训练验证，内部测试集准确率达94.76%，显著优于19种主流模型；外部验证准确率90.76%，AUC达97.61%。
大语言模型用于糖尿病视网膜病变患者教育的评估
研究对比了ChatGPT、Gemini、DeepSeek、Doubao、Copilot和Perplexity六款大语言模型在回答50个标准化糖尿病视网膜病变患者问题时的表现。由五名评审员依据安全、准确、共情、信息质量（DISCERN、JAMA等）、透明度和可读性等维度评分。结果显示，各模型安全响应率在86.0%至94.0%之间，准确性普遍较高，但共情能力差异明显；Perplexity在信息质量指标上得分最高，Gemini可读性最佳，但所有模型的Flesch阅读易度分均低于推荐阈值。
AI眼病诊断研究临床转化率低
这项系统综述分析了2020年至2025年8月间发表的43篇基于眼底照和OCT图像的深度学习眼病诊断研究，发现虽有超95%的模型宣称高准确率，但仅14.3%完成真正临床验证，23.1%未公开代码或实现细节。研究提出‘转化准备度框架’，整合技术透明度、验证严谨性与性能报告，为眼科AI落地提供评估标准。