上海交通大学涂圣贤教授团队携手牛津大学等国际团队，验证AI冠脉OCT斑块分析的组织学准确性 | Cardiology Plus

光学相干断层成像（OCT）以约 10 微米的分辨率，被称为冠状动脉斑块的“组织显微镜”，但 OCT 读图依赖人工，既耗时又主观：同一帧影像在不同医生眼中可能判若两图。因此人工智能（AI）自动斑块识别应运而生。然而多数模型以专家标注训练、又以专家共识验证，难免陷入“自己出题、自己判卷”的循环， 而判断其真实水平的裁判，终究只有一个——病理组织学。

上海交通大学生物医学工程学院涂圣贤教授团队联合英国牛津大学、荷兰伊拉斯姆斯医学中心研究人员，在 Cardiology Plus 2026 年第二期发表了相关研究。本研究旨在以组织学为参考标准，评估和比较 AI 支持的 OCT 斑块表征模型与临床医生判读结果的差异。

一、研究背景

冠状动脉粥样硬化斑块是冠心病（CAD）的病理基础，其仍然是世界范围内致死和致残的主要原因。斑块成分与患者危险分层及介入治疗决策息息相关。OCT 分辨率高，已成为评估斑块的主要影像手段，但人工判读耗时长，且不同判读者给出的结果差异明显。

已有的 OCT 影像 AI 模型多数以专家标注数据训练，并以专家共识作为验证参照。然而，人工解释本身就是主观的，缺少以组织病理学为参照的外部验证，可能会限制模型的性能。因此，以真正的 “金标准”—— 组织学结果对人工智能模型开展验证至关重要。

二、 研究方法

图 1. 研究流程图

研究对象：6 只携带 LDLR R84C 纯合突变的家族性高胆固醇血症小型猪，植入药物洗脱支架，并于支架植入前后进行 OCT，且在 28 天时追加一次随访检测。

病理处理与组织学标注：取冠脉制成 3 mm 连续横块，明胶包埋后冰冻切片（厚度为 10 μm），将组织切片分别用苏木精-伊红（H&E）、间苯二酚-品红（RF）、油红 O（ORO）染色并编号；由病理分析者在病理学家监督下标注纤维、脂质、钙化成分占比，标注者对 OCT 结果设盲。

OCT影像与病理切片的配准：以支架边缘的纵向距离确定索引帧，再依据边支、动脉及斑块形态等解剖标志，采用由粗到细的策略进行配对；初筛 31 个病理切片，排除 6 个，最终纳入 11 条冠脉的 25 组配对（见图 1）；图 2 显示了匹配上的病理切片和 OCT 图像的共同配准和斑块表征的两个典型例子。

AI模型分析与人工批注分析：对 25 组配对样本分别开展组织学定量、AI 模型预测以及人工标注分析。OCT 图像送至独立核心实验室，由资深分析师使用专用软件处理，依靠软件内置 AI 模型完成斑块组分自动分割。同时纳入 3 名阅片医师开展人工 OCT 标注，医师对病理结果及 AI 输出结果双盲；按照 OCT 阅片经验将医师划分为初级（经验＜1 年）、中级（约 2 年）、高级（＞10 年）三个层级，以此对比 AI 模型与不同年资医师的斑块判读效能。

图 2. 脂质斑块和纤维斑块的匹配组织学与 OCT 代表性示例

三、研究结果

组织学定量分析：受累动脉呈现多种斑块类型，从纯纤维斑块到富脂斑块不等。25 个切片中有 2 个（8%）是纯纤维的，21 例（84%）切片同时检出纤维与脂质成分，15 例（60%）切片同时存在纤维与钙化成分。纤维成分中位数 65.0%，脂质成分 34.3%，钙化成分 0.2%（见图 3）。

图 3. OCT 与组织学测得斑块占比的比较

AI 与病理的一致性：AI 结果与病理结果高度一致。纤维成分的相关系数 ρ = 0.907、脂质 ρ = 0.900（均 P < 0.001），表明两者具有极强的正相关关系。从群体平均水平来看，AI-OCT 的测量结果相对病理结果的平均偏差仅 4.62% ± 9.49%（纤维）与 −3.23% ± 9.58%（脂质），即平均误差小（见图 4）。

图 4. 在量化斑块成分方面，AI 预测与组织学之间的一致性。

人工判读对比：与组织学的一致性随着判读者专业水平的提高而提高。与所有判读者相比，AI 模型显示出与组织学结果更好的一致性；AI 和高级判读者之间斑块百分比与组织学的平均差异相似，并且小于初级和中级读者的观察到的差异。AI 判读一次仅需数秒，人工完成全部标注需数小时。

四、研究意义和局限性

本研究首次以 OCT 影像配准的组织病理学结果为参照，将 AI 判读结果与不同年资的临床医生进行头对头比较，为影像 AI 提供了以病理为参照的验证结果。

本研究也有几点需要承认的局限性：

动物模型：猪模型钙化以微钙化为主（约占斑块 0.23%）且多位于脂质组织深部，钙化检出能力未获充分检验；

未验证表型：AI 对胆固醇结晶、巨噬细胞的识别表现一般，且未与病理进行比较；

形态学参数：离体制片的组织变形使斑块负荷等形态学参数难以比较，仅聚焦成分占比。

五、结论

用于 OCT 斑块自动表征的 AI 模型在外部组织学验证中与组织学显示出良好的一致性。AI 模型或具有超越人类判读技能的潜力，从而减轻了图像判读的主观性，并有助于临床实习生的培训。

引用本文：Chu M, Razzi F, De Maria GL, et al. Histological validation of artificial intelligence–driven automatic plaque characterization in coronary OCT: a head-to-head comparison with clinicians. Cardiology Plus. 2026;11(2):102-110. doi:10.1097/CP9.0000000000000158

欢迎扫码获取期刊更多信息