HR 2.09：常规颈动脉B超+AI，把"有没有斑块"变成"斑块危不危险"
9月7日，npj Digital Medicine发表温州医科大学附属人民医院团队的颈动脉斑块AI研究：级联多任务框架在4家中心6618名心血管高危参与者、38090张B超图像上，实现斑块检测（AUC 0.95/0.96）与易损性分类（AUC 0.90/0.88），表现优于6名独立读片医生。2174人中位37个月随访发生277例缺血性脑血管事件，校正临床危险因素后AI定义的高风险仍独立相关（HR 2.09，95%CI 1.69-2.58），加入AI评分使C-index从0.769提升至0.795。常规B超+AI把'有没有斑块'推进到'斑块危不危险'，且不增加任何新检查。
6,618名参与者。38,090张超声图像。HR 2.09。
这三个数字出自9月7日发表于npj Digital Medicine的一项多中心队列研究（温州医科大学附属人民医院姜文兵、颜志罕团队，Qi Xu与Huanhuan Ding为共同第一作者）。它们合起来回答了一个神经内科与血管外科问了多年的问题：颈动脉超声上看到的斑块，能不能被AI可靠地分级成"危险"和"不危险"——以及这种分级，是否真能预测未来的卒中。
| 关键指标 | 数值 |
|---|---|
| 多中心队列 | 4家中心、6,618名心血管高危参与者 |
| 图像规模 | 38,090张B-mode超声图像 |
| 斑块检测AUC（内/外部验证） | 0.95 / 0.96 |
| 易损性分类AUC（内/外部验证） | 0.90 / 0.88 |
| 随访队列 | 2,174人、中位37个月、277例缺血性脑血管事件 |
| AI高风险状态独立风险 | HR 2.09（95%CI 1.69-2.58） |
| C-index提升 | 0.769 → 0.795 |
临床痛点：斑块人人会看，易损性没人敢拍板
颈动脉超声是中国体检和血管门诊最普及的检查之一，但它的临床使用长期停在一个尴尬的层面：报告会写"斑块形成"，却很难回答下一个必然被问的问题——这个斑块会不会掉下来堵住血管？
现有指南已经明确，斑块的"危险"不在大小而在易损性：低回声斑块、溃疡样改变、斑块内出血这些特征，才是卒中风险的真正来源。问题在于，这些特征藏在B-mode灰阶图像的细微差别里，判读高度依赖医生经验——不同医生对同一张图给出不同评价是常态，而标准化的易损性评估工具，常规超声工作流里并不存在。多数患者因此拿着一张"有斑块"的报告回家，既没有进入强化干预，也没有获得安心。
级联框架拆解：三步各管什么
研究团队开发的级联多任务AI框架，把这个问题拆成三步，每一步对应一个明确的任务：
| 级联步骤 | 任务 | 性能（内部/外部） |
|---|---|---|
| 第一步 | 斑块检测——在图像里找到斑块 | AUC 0.95 / 0.96 |
| 第二步 | 五项B-mode特征刻画——量化斑块形态学细节 | AUC 0.85-0.94 / 0.81-0.92 |
| 第三步 | 易损性评估——综合判定斑块危险等级 | AUC 0.90 / 0.88 |
级联设计的价值在于责任清晰：检测层解决"找不找得到"，特征层解决"看得细不细"，评估层解决"判得准不准"。外部验证AUC的逐级回落（0.96→0.92→0.88）也符合预期——任务越抽象、越接近"临床判断"，跨中心泛化越难。0.88的外部易损性分类性能，意味着这套框架在不同医院的设备与人群上保持了可用的一致性。
人机对比：胜过6名读片医生，但要读对这句话
研究将模型与6名独立B超读片医生的判读做了对照：模型在易损性评估上优于医生平均表现，决策曲线分析显示更大的净获益。
这句话需要读得准确：**对照的是6名医生的独立判读，而非"天花板级的专家共识"。**它说明AI把中位水平的判读拉到了超出平均线的稳定程度——这恰恰是筛查和分层场景最需要的属性，因为真实世界的日常判读正是由"平均水平"完成的。这个定位与产前超声AI的RCT结论异曲同工：AI的价值不在替代顶尖专家，而在拉平中位数。
预后验证：HR 2.09与C-index的0.026
分层工具的成色，最终要看它能不能预测结局。研究对2,174名参与者进行了中位37个月的随访，其间发生277例缺血性脑血管事件。
两个核心结果值得分开看：
HR 2.09（95%CI 1.69-2.58）——在校正了临床危险因素之后，被AI定义为"高风险"的参与者，发生缺血性脑血管事件的风险仍是其余人的2.09倍。置信区间远离1，说明这一关联足够稳健。通俗地说：AI认为危险的斑块，后来真的更常出事。
C-index从0.769到0.795——在已有的临床危险因素模型之上，加入AI评分后，风险预测的区分度进一步提升。0.026的增量看起来不大，但要放在语境里读：传统危险因素模型已经包含了年龄、血压、血脂等强预测变量，在其之上再挤出0.026，意味着AI从影像里读出了这些经典变量之外的新信息——正是斑块的形态学与易损性细节。
冷静看：回顾性队列与前瞻RCT之间还差几步
这项研究的证据等级需要明确标注：**多中心回顾性队列，不是前瞻性RCT。**回顾设计存在固有的选择偏倚空间，随访队列（2,174人）也小于筛查队列（6,618人）；"AI高风险→干预→结局改善"的完整因果链，还需要前瞻验证来闭合。
换言之，这项研究证明了"常规B超+AI可以做出有预后意义的标准化易损性评估"，但距离"凭AI分层结果改变治疗决策"，中间还隔着前瞻性验证与工作流整合两步。值得注意的是它最务实的一点：整套方案跑在现有常规B超上，不需要任何新检查——这与"平扫CT+AI顺手筛癌"是同一条技术哲学：不改变检查，只改变检查信息的利用率。设备门槛为零，意味着一旦前瞻证据到位，它的复制速度会远快于任何需要新硬件的方案。
从"有没有斑块"到"斑块危不危险"，这项研究补上了常规超声工作流里缺失的那一格。下一步，该轮到前瞻研究来验证：看懂了危险，能不能真的拦住卒中。
千方医数集编辑部 出品
