CORA：使用以病理学为中心的表示学习从冠状动脉 CT 血管造影中进行广义冠状动脉疾病评估和风险分层

冠状动脉疾病是全世界心血管死亡的主要原因，可以通过冠状动脉计算机断层扫描血管造影（CCTA）进行非侵入性评估。尽管深度学习具有先进的自动化 CCTA 分析功能，但临床翻译仍然受到专家注释数据的稀缺和冠状动脉病理学空间稀疏性的限制，而冠状动脉病理学仅占每次扫描的一小部分。广泛使用的无标签预训练策略，例如掩模图像建模和对比学习，优化了全局解剖重建，并且往往不足以代表这些微小的局部病理特征。在这里，我们提出 CORA，一种用于综合冠状动脉疾病评估的注释高效模型。 CORA 不是重建背景解剖结构，而是通过合成驱动的自我监督策略从体积 CCTA 中学习：解剖引导引擎将不同的合成钙化和非钙化病变插入到未标记的扫描中，将预训练重新定义为异常检测任务，使表示学习偏向于临床相关疾病特征。我们在 10,138 个未标记的 CCTA 卷上对 CORA 进行了预训练，并在来自 9 家独立医院的数据集上对其进行了评估。在斑块表征、狭窄检测和冠状动脉分割方面，CORA 始终优于强大的自我监督预训练基线，在外部多中心数据上获得最大收益，表明分布偏移下具有强大的泛化能力。将成像编码器与结构化临床变量相结合，进一步实现了近期主要不良心脏事件 (MACE) 风险分层。我们的结果表明，以病理为中心、合成驱动的预训练是 CCTA 注释高效冠状动脉疾病评估的有效且可扩展的策略。