AI-CCTA预测CAD心血管事件

数据集获取

源站：https://clinicaltrials.gov/study/NCT07832175

标准获取流程：

1. 访问源站链接，注册/登录账号；
2. 进入数据集详情页，按页面指引申请权限或直接下载；
3. 部分平台提供 SDK，例如：
   • OpenDataLab: pip install openxlab 后 openxlab.dataset.get(...)
   • ModelScope: pip install modelscope 后 modelscope download
   • 天池: 登录后页面提供直链下载
     以源站「数据下载/使用文档」页面为准。

数据说明

疾病：冠状动脉疾病、动脉粥样硬化性心血管疾病。背景 冠状动脉疾病（CAD）仍是全球死亡的首要原因。尽管冠状动脉计算机断层扫描血管造影（CCTA）是评估稳定性胸痛的I类推荐无创检查手段，但其判读常受观察者间变异性和医师经验的影响。虽然人工智能（AI）有助于自动化狭窄量化和斑块分析，但当前证据缺乏以有创冠状动脉造影（ICA）为金标准的不同AI平台之间的大规模真实世界比较。此外，CCTA衍生的解剖/功能参数、全身性炎症与药物调整（如他汀类药物、抗血小板药物）在预测长期预后方面的相互作用仍不明确。

目的 本研究旨在：(1) 以ICA为参考标准，对不同商业AI软件诊断梗阻性CAD进行头对头比较；(2) 探讨AI衍生的CCTA参数（斑块特征、CT-FFR、冠状动脉周围脂肪炎症）与主要不良心血管事件（MACE）之间的相关性；(3) 评估降脂强度、LDL-C达标情况、抗血小板方案及炎症标志物对CCTA预后价值的修饰效应。方法 这是一项多中心、回顾性队列研究，纳入来自五个中心（南京市第一医院、吉林大学第二医院等）的3,000例患者。将筛选2013年6月至2025年6月期间年龄≥18岁、在90天内接受CCTA和ICA检查的患者。CCTA图像将使用市售AI平台（数坤、联影）进行分析，以提取包括狭窄分级、斑块体积、CT-FFR及冠状动脉周围脂肪衰减指数（FAI）在内的参数。将回顾性收集临床数据、实验室结果（血脂、hs-CRP、NT-proBNP）及用药史。主要终点为MACE（心脏死亡、心肌梗

数据加载示例（图像类）

from PIL import Image
import glob, os

files = (glob.glob(os.path.join(path, "**", "*.png"), recursive=True)
       + glob.glob(os.path.join(path, "**", "*.jpg"), recursive=True)
       + glob.glob(os.path.join(path, "**", "*.tif"), recursive=True))
print("图像文件数:", len(files))
img = Image.open(files[0]); print("尺寸/模式:", img.size, img.mode)

# torchvision Dataset 方式:
# from torchvision import datasets
# ds = datasets.ImageFolder(path)  # 要求 子目录=类别

目录组织与标注格式以源站说明和下载后实际文件为准。