冠状动脉计算机断层扫描衍生的血流储备分数的一致性与诊断性能研究：基于不同深度学习算法

doi:10.12114/j.issn.1007-9572.2024.0476

中国全科医学 ›› 2026, Vol. 29 ›› Issue (24): 3466-3475.DOI: 10.12114/j.issn.1007-9572.2024.0476

冠状动脉计算机断层扫描衍生的血流储备分数的一致性与诊断性能研究：基于不同深度学习算法

周以纯¹, 韩业明², 张鹏飞¹, 宋雯雯¹, 万晓钰¹, 李奇谋¹, 刘权德¹, 杨威¹, 潘继琛¹, 李昕昊¹, 李笃民², 于德新², 董梅¹, 梁永锋², 胡珊珊¹, 吕立娟¹^,^*(), 张梅¹^,^*()

1．250012　山东省济南市，山东大学齐鲁医院心内科　络病理论创新转化全国重点实验室　教育部、国家卫健委、中国医学科学院和山东省心血管重构与功能研究重点实验室
2．250012　山东省济南市，山东大学齐鲁医院放射科

收稿日期:2024-10-18 修回日期:2025-10-09 出版日期:2026-08-20 发布日期:2026-07-03
通讯作者: 吕立娟, 张梅
作者贡献：
周以纯提出主要研究目标，负责研究的构思与设计及实施，撰写论文；周以纯、韩业明、张鹏飞、宋雯雯、万晓钰、李奇谋、刘权德、杨威进行数据的收集与整理，统计学处理，图、表的绘制与展示；潘继琛、李昕昊、李笃民、于德新、董梅、梁永锋、胡珊珊、吕立娟、张梅进行论文的修订；吕立娟、张梅负责文章的质量控制与审查，对文章整体负责，监督管理。
基金资助:
国家重点研发项目(2022YFC3602403)

Consistency and Diagnostic Performance of Coronary Computed Tomography-derived Fractional Flow Reserve: Based on Different Deep Learning Algorithms

ZHOU Yichun¹, HAN Yeming², ZHANG Pengfei¹, SONG Wenwen¹, WAN Xiaoyu¹, LI Qimou¹, LIU Quande¹, YANG Wei¹, PAN Jichen¹, LI Xinhao¹, LI Dumin², YU Dexin², DONG Mei¹, LIANG Yongfeng², HU Shanshan¹, LYU Lijuan¹^,^*(), ZHANG Mei¹^,^*()

1. Department of Cardiology, Qilu Hospital of Shandong University/National Key Laboratory of Theory and Innovation of Network Diseases/Key Laboratory of Cardiovascular Remodeling and Function Research of MOE, NHC, CAMS and Shandong Province, Jinan 250012, China
2. Department of Radiology, Qilu Hospital of Shandong University, Jinan 250012, China

Received:2024-10-18 Revised:2025-10-09 Published:2026-08-20 Online:2026-07-03
Contact: LYU Lijuan, ZHANG Mei

摘要/Abstract

摘要： 背景计算机断层扫描衍生的血流储备分数（CT-FFR）已被证明对冠状动脉狭窄具有良好的诊断性能，但不同深度学习算法计算的CT-FFR之间的一致性未被评估。目的本研究旨在评估基于两种深度学习算法的CT-FFR诊断冠状动脉狭窄的一致性，并使用介入性冠状动脉造影（ICA）或有创性血流储备分数（FFR）作为参考，验证其诊断性能。方法 2017年1月—2021年6月，于山东大学齐鲁医院选取389例怀疑或已确诊冠状动脉疾病（CAD）的患者为研究对象，涵盖了接受冠状动脉计算机断层扫描（CCTA）、ICA或FFR测量的患者队列。55例患者在90 d内先后接受了CCTA与ICA检查，其中23例患者接受了CCTA后进行FFR测量。使用Bland-Altman分析评估基于软件1和软件2的CT-FFR的一致性，并以ICA或有创性FFR为参考，绘制两种CT-FFR诊断冠状动脉狭窄的ROC曲线并计算曲线下面积（AUC），比较CT-FFR与CCTA的诊断性能。结果本研究共纳入389例患者，其中男181例（46.5%）、女208例（53.5%），平均年龄为（55.1±10.9）岁；共分析1 161条冠状动脉。基于软件1的CT-FFR识别出172条（14.8%）功能学显著狭窄血管，而基于软件2的CT-FFR识别出114条（9.8%）。Bland-Altman分析显示，软件1的CT-FFR整体上有轻微高估，平均差异为0.05，其中左前降支、左回旋支和右冠状动脉的平均差异分别为0.05、0.04和0.05。与有创FFR的比较中，基于软件1和软件2的CT-FFR均表现出中等相关性（r=0.44、0.53），且一致性良好（平均差异分别为-0.03和-0.06）。在诊断性能方面，CCTA的灵敏度（97.8%）和阴性预测值（98.5%）最高，但其特异度（66.7%）和阳性预测值（57.7%）明显低于CT-FFR。基于软件1的CT-FFR灵敏度为89.1%，特异度为80.8%，阳性预测值为68.3%，阴性预测值为94.1%，准确性为83.4%；基于软件2的CT-FFR灵敏度为80.4%，特异度为93.9%，阳性预测值为86.0%，阴性预测值为91.2%，准确性为89.7%。ROC曲线分析显示，两种CT-FFR的诊断价值（AUC=0.91、0.89）均优于CCTA（AUC=0.82，P<0.05）。结论基于软件1和软件2的CT-FFR值之间存在良好的一致性，尽管基于软件1的CT-FFR略有高估。总体而言，CT-FFR在检测冠状动脉狭窄的功能性显著性方面表现出良好的诊断性能。

关键词: 计算机断层扫描, 血流储备分数, 计算机断层扫描衍生的血流储备分数, 深度学习, 冠状动脉疾病

Abstract:

Background

Computed tomography-derived fractional flow reserve (CT-FFR) has been shown to have good diagnostic performance for coronary artery stenosis, but the consistency of CT-FFR calculated by different deep learning algorithms has not been evaluated.

Objective

This study aims to assess the consistency of CT-FFR in diagnosing coronary artery stenosis based on two deep learning algorithms and validate its diagnostic performance using invasive coronary angiography (ICA) or invasive fractional flow reserve (FFR) as references.

Methods

From January 2017 to June 2021, a total of 389 patients with suspected or confirmed coronary artery disease (CAD) were enrolled at Qilu Hospital of Shandong University. The cohort included patients who underwent coronary computed tomography angiography (CCTA), ICA, or FFR measurement. Among them, 55 patients underwent ICA within 90 days after CCTA, and 23 patients underwent FFR measurement after CCTA. Bland-Altman analysis was used to evaluate the consistency of CT-FFR based on Software 1 and Software 2, and the diagnostic performance of CT-FFR was compared with that of CCTA, using ICA or invasive FFR as the reference. ROC curves for both CT-FFR methods were plotted in diagnosing coronary artery stenosis, and calculated the area under the curve (AUC), and compared the diagnostic performance of CT-FFR with that of CCTA.

Results

A total of 389 patients were included, comprising 181 men (46.5%) and 208 women (53.5%), with a mean age of 55.1±10.9 years; in total, 1 161 coronary arteries were analyzed. Based on Software 1, 172 vessels (14.8%) were identified as having functionally significant stenosis, while Software 2 identified 114 vessels (9.8%). Bland-Altman plots showed that CT-FFR derived from Software 1 slightly overestimated values, with a mean difference of 0.05 overall (0.05 in LAD, 0.04 in LCX, and 0.05 in RCA). Correlation analysis demonstrated moderate associations between CT-FFR and invasive FFR (r=0.44 for Software 1; r=0.53 for Software 2). Bland-Altman analysis showed good agreement with invasive FFR, with mean differences of -0.03 (Software 1) and -0.06 (Software 2). In diagnostic performance, CCTA had the highest sensitivity (97.8%) and negative predictive value (98.5%), but lower specificity (66.7%) and positive predictive value (57.7%). In contrast, Software 1-based CT-FFR achieved 89.1% sensitivity, 80.8% specificity, 68.3% PPV, 94.1% NPV, and 83.4% accuracy, while Software 2-based CT-FFR showed 80.4% sensitivity, 93.9% specificity, 86.0% PPV, 91.2% NPV, and 89.7% accuracy. ROC curve analysis confirmed that both CT-FFR outperformed CCTA, with AUC values of 0.91 (Software 1), 0.89 (Software 2), compared to 0.82 for CCTA (P<0.05).

Conclusion

Good consistency was observed between the CT-FFR values based on Software 1 and Software 2, although a slight overestimation was found for CT-FFR based on software 1. Overall, CT-FFR demonstrated good diagnostic performance in detecting the functional significance of coronary stenosis.

Key words: Computed tomography, Fractional flow reserve, Computed tomography-derived fractional flow reserve, Deep learning, Coronary artery disease

中图分类号:

R 541.4

周以纯,韩业明,张鹏飞,等. 冠状动脉计算机断层扫描衍生的血流储备分数的一致性与诊断性能研究：基于不同深度学习算法[J]. 中国全科医学, 2026, 29(24): 3466-3475. DOI: 10.12114/j.issn.1007-9572.2024.0476.
ZHOU Yichun,HAN Yeming,ZHANG Pengfei, et al. Consistency and Diagnostic Performance of Coronary Computed Tomography-derived Fractional Flow Reserve: Based on Different Deep Learning Algorithms[J]. Chinese General Practice, 2026, 29(24): 3466-3475. DOI: 10.12114/j.issn.1007-9572.2024.0476.

图/表 7

参考文献 34

[1]	汪若晨, 戴宇翔, 葛均波. 经桡动脉入路冠状动脉造影及介入治疗的发展历程与展望[J]. 中国临床医学, 2024, 31(1): 3-11.
[2]	Doenst T, Haverich A, Serruys P, et al. PCI and CABG for treating stable coronary artery disease: JACC review topic of the week[J]. J Am Coll Cardiol, 2019, 73(8): 964-976. DOI: 10.1016/j.jacc.2018.11.053.
[3]	胡新央, 吴献鹏. 冠状动脉造影和血管内影像来源血流储备分数的基本原理和研究进展[J]. 临床心血管病杂志, 2023, 39(10): 745-748. DOI: 10.13201/j.issn.1001-1439.2023.10.002.
[4]	李佳玮, 程兆云, 李正玉, 等. 定量血流分数的相关研究及临床应用进展[J]. 临床心血管病杂志, 2024, 40(4): 271-275. DOI: 10.13201/j.issn.1001-1439.2024.04.004.
[5]	Hakeem A, Uretsky B F. Role of postintervention fractional flow reserve to improve procedural and clinical outcomes[J]. Circulation, 2019, 139(5): 694-706. DOI: 10.1161/CIRCULATIONAHA.118.035837.
[6]	杜天剑, 顾翔, 朱业. 基于冠状动脉CT血流储备分数预测冠心病价值的研究[J]. 中华老年心脑血管病杂志, 2024, 26(9): 988-992.
[7]	曾骅, 陈明, 宋帮浩. 冠状动脉计算机断层扫描血管成像对冠状动脉狭窄程度的诊断价值[J]. 血管与腔内血管外科杂志, 2022, 8(4): 464-467, 478. DOI: 10.19418/j.cnki.issn2096-0646.2022.04.17.
[8]	Joshi P H, De Lemos J A. Diagnosis and management of stable angina: a review[J]. JAMA, 2021, 325(17): 1765-1778. DOI: 10.1001/jama.2021.1527.
[9]	Knuuti J, Wijns W, Saraste A, et al. 2019 ESC Guidelines for the diagnosis and management of chronic coronary syndromes[J]. Eur Heart J, 2020, 41(3): 407-477. DOI: 10.1093/eurheartj/ehz425.
[10]	Virani S S, Newby L K, Arnold S V, et al. 2023 AHA/ACC/ACCP/ASPC/NLA/PCNA guideline for the management of patients with chronic coronary disease: a report of the American Heart Association/American College of Cardiology joint committee on clinical practice guidelines[J]. Circulation, 2023, 148(9): e9-e119. DOI: 10.1161/CIR.0000000000001168.
[11]	Abdelrahman K M, Chen M Y, Dey A K, et al. Coronary computed tomography angiography from clinical uses to emerging technologies: JACC state-of-the-art review[J]. J Am Coll Cardiol, 2020, 76(10): 1226-1243. DOI: 10.1016/j.jacc.2020.06.076.
[12]	高永广, 夏平, 师毅冰, 等. CT血流储备分数对冠状动脉狭窄危险分层及功能评价的临床初探[J]. 介入放射学杂志, 2024, 33(9): 956-960.
[13]	Nakazato R, Park H B, Berman D S, et al. Noninvasive fractional flow reserve derived from computed tomography angiography for coronary lesions of intermediate stenosis severity: results from the DeFACTO study[J]. Circ Cardiovasc Imaging, 2013, 6(6): 881-889. DOI: 10.1161/CIRCIMAGING.113.000297.
[14]	Koo B K, Erglis A, Doh J H, et al. Diagnosis of ischemia-causing coronary stenoses by noninvasive fractional flow reserve computed from coronary computed tomographic angiograms. Results from the prospective multicenter DISCOVER-FLOW (Diagnosis of Ischemia-Causing Stenoses Obtained Via Noninvasive Fractional Flow Reserve)study[J]. J Am Coll Cardiol, 2011, 58(19): 1989-1997. DOI: 10.1016/j.jacc.2011.06.066.
[15]	Nørgaard B L, Leipsic J, Gaur S, et al. Diagnostic performance of noninvasive fractional flow reserve derived from coronary computed tomography angiography in suspected coronary artery disease: the NXT trial (Analysis of Coronary Blood Flow Using CT Angiography: Next Steps)[J]. J Am Coll Cardiol, 2014, 63(12): 1145-1155. DOI: 10.1016/j.jacc.2013.11.043.
[16]	Pontone G, Baggiano A, Andreini D, et al. Stress computed tomography perfusion versus fractional flow reserve CT derived in suspected coronary artery disease: the PERFECTION study[J]. JACC Cardiovasc Imaging, 2019, 12(8 Pt 1): 1487-1497. DOI: 10.1016/j.jcmg.2018.08.023.
[17]	Sulaiman N, Soon J, Leipsic J. Coronary CT angiography-derived fractional flow reserve[J]. Curr Radiol Rep, 2016, 4(8): 46. DOI: 10.1007/s40134-016-0170-z.
[18]	Tang C X, Liu C Y, Lu M J, et al. CT FFR for ischemia-specific CAD with a new computational fluid dynamics algorithm: a Chinese multicenter study[J]. JACC Cardiovasc Imaging, 2020, 13(4): 980-990. DOI: 10.1016/j.jcmg.2019.06.018.
[19]	Ko B S, Cameron J D, Munnur R K, et al. Noninvasive CT-derived FFR based on structural and fluid analysis: a comparison with invasive FFR for detection of functionally significant stenosis[J]. JACC Cardiovasc Imaging, 2017, 10(6): 663-673. DOI: 10.1016/j.jcmg.2016.07.005.
[20]	Coenen A, Lubbers M M, Kurata A, et al. Fractional flow reserve computed from noninvasive CT angiography data: diagnostic performance of an on-site clinician-operated computational fluid dynamics algorithm[J]. Radiology, 2015, 274(3): 674-683. DOI: 10.1148/radiol.14140992.
[21]	Yang J J, Shan D K, Wang X, et al. On-site computed tomography-derived fractional flow reserve to guide management of patients with stable coronary artery disease: the TARGET randomized trial[J]. Circulation, 2023, 147(18): 1369-1381. DOI: 10.1161/CIRCULATIONAHA.123.063996.
[22]	Peper J, Becker L M, Van Den Berg H, et al. Diagnostic performance of CCTA and CT-FFR for the detection of CAD in TAVR work-up[J]. JACC Cardiovasc Interv, 2022, 15(11): 1140-1149. DOI: 10.1016/j.jcin.2022.03.025.
[23]	Patel M R, Nørgaard B L, Fairbairn T A, et al. 1-year impact on medical practice and clinical outcomes of FFRCT: the ADVANCE registry[J]. JACC Cardiovasc Imaging, 2020, 13(1 Pt 1): 97-105. DOI: 10.1016/j.jcmg.2019.03.003.
[24]	Chinnaiyan K M, Safian R D, Gallagher M L, et al. Clinical use of CT-derived fractional flow reserve in the emergency department[J]. JACC Cardiovasc Imaging, 2020, 13(2 Pt 1): 452-461. DOI: 10.1016/j.jcmg.2019.05.025.
[25]	Lan Z T, Ding X Y, Yu Y R, et al. CT-derived fractional flow reserve for prediction of major adverse cardiovascular events in diabetic patients[J]. Cardiovasc Diabetol, 2023, 22(1): 65. DOI: 10.1186/s12933-023-01801-y.
[26]	Tesche C, De Cecco C N, Baumann S, et al. Coronary CT angiography-derived fractional flow reserve: machine learning algorithm versus computational fluid dynamics modeling[J]. Radiology, 2018, 288(1): 64-72. DOI: 10.1148/radiol.2018171291.
[27]	Coenen A, Kim Y H, Kruk M, et al. Diagnostic accuracy of a machine-learning approach to coronary computed tomographic angiography-based fractional flow reserve: result from the MACHINE consortium[J]. Circ Cardiovasc Imaging, 2018, 11(6): e007217. DOI: 10.1161/CIRCIMAGING.117.007217.
[28]	Driessen R S, Danad I, Stuijfzand W J, et al. Comparison of coronary computed tomography angiography, fractional flow reserve, and perfusion imaging for ischemia diagnosis[J]. J Am Coll Cardiol, 2019, 73(2): 161-173. DOI: 10.1016/j.jacc.2018.10.056.
[29]	中国营养学会肥胖防控分会, 中国营养学会临床营养分会, 中华预防医学会行为健康分会. 中国居民肥胖防治专家共识[J]. 中国预防医学杂志, 2022, 23(5): 321-39.DOI: 10.16506/j.1009-6639.2022.05.001.
[30]	Mcevoy J W, Mccarthy C P, Bruno R M, et al. 2024 ESC Guidelines for the management of elevated blood pressure and hypertension[J]. Eur Heart J, 2024, 45(38): 3912-4018. DOI: 10.1093/eurheartj/ehae178.
[31]	American Diabetes Association Professional Practice Committee. 2. diagnosis and classification of diabetes: standards of care in diabetes-2025[J]. Diabetes Care, 2025, 48(1 Suppl 1): S27-S49. DOI: 10.2337/dc25-S002.
[32]	Li J J, Zhao S P, Zhao D, et al. 2023 Chinese guideline for lipid management[J]. Front Pharmacol, 2023, 14: 1190934. DOI: 10.3389/fphar.2023.1190934.
[33]	中华医学会放射学分会心胸学组, 中国医师协会放射医师分会心血管学组, 北京医学会放射学分会心血管学组, 等. CT血流储备分数操作规范及临床应用中国专家共识[J]. 中华放射学杂志, 2023, 57(7): 711-722. DOI: 10.3760/cma.j.cn112149-20221215-01005.
[34]	Kruk M, Wardziak Ł, Demkow M, et al. Workstation-based calculation of CTA-based FFR for intermediate stenosis[J]. JACC Cardiovasc Imag, 2016, 9(6): 690-699. DOI: 10.1016/j.jcmg.2015.09.019.

参数	数值
年龄（±s，岁）	55.1±10.9
性别[例（%）]
男	181（46.5）
女	208（53.5）
BMI≥28 kg/m²[例（%）]	84（21.6）
心血管风险因素[例（%）]
吸烟史	111（28.5）
高血压	201（51.7）
糖尿病	70（18.0）
高脂血症	259（66.6）
CAD家族史	58（14.9）
Agaston评分[M（P₂₅，P₇₅），分]	0（0，73.9）
CCTA有效辐射剂量[M（P₂₅，P₇₅），mSv]	7.0（5.7，8.7）
CCTA电压[M（P₂₅，P₇₅），kV]	100（100，100）
冠状动脉主导类型[例（%）]
右主导类型	364（93.6）
平衡型	20（5.1）
左主导类型	5（1.3）
基于软件1的CT-FFR[例（%）]
CT-FFR LAD≤0.80	81（20.8）
CT-FFR LCX≤0.80	36（9.4）
CT-FFR RCA≤0.80	55（14.2）
基于软件2的CT-FFR[例（%）]
CT-FFR LAD≤0.80	68（17.5）
CT-FFR LCX≤0.80	17（4.4）
CT-FFR RCA≤0.80	29（7.5）

参数	数值
年龄（±s，岁）	55.1±10.9
性别[例（%）]
男	181（46.5）
女	208（53.5）
BMI≥28 kg/m²[例（%）]	84（21.6）
心血管风险因素[例（%）]
吸烟史	111（28.5）
高血压	201（51.7）
糖尿病	70（18.0）
高脂血症	259（66.6）
CAD家族史	58（14.9）
Agaston评分[M（P₂₅，P₇₅），分]	0（0，73.9）
CCTA有效辐射剂量[M（P₂₅，P₇₅），mSv]	7.0（5.7，8.7）
CCTA电压[M（P₂₅，P₇₅），kV]	100（100，100）
冠状动脉主导类型[例（%）]
右主导类型	364（93.6）
平衡型	20（5.1）
左主导类型	5（1.3）
基于软件1的CT-FFR[例（%）]
CT-FFR LAD≤0.80	81（20.8）
CT-FFR LCX≤0.80	36（9.4）
CT-FFR RCA≤0.80	55（14.2）
基于软件2的CT-FFR[例（%）]
CT-FFR LAD≤0.80	68（17.5）
CT-FFR LCX≤0.80	17（4.4）
CT-FFR RCA≤0.80	29（7.5）

参数	CCTA狭窄程度≥50.0%	基于软件1的CT-FFR≤0.80	基于软件2的CT-FFR≤0.80
灵敏度	97.8（88.5，100.0）	89.1（76.4，96.4）	80.4（66.1，90.6）
特异度	66.7（56.5，75.8）	80.8（71.7，88.0）	93.9（87.3，97.7）
阳性预测值	57.7（50.7，64.4）	68.3（58.7，76.6）	86.0（73.7，93.1）
阴性预测值	98.5（90.4，99.8）	94.1（87.4，97.4）	91.2（85.2，94.9）
准确性	76.6（68.8，83.2）	83.4（76.4，89.1）	89.7（83.5，94.1）

参数	CCTA狭窄程度≥50.0%	基于软件1的CT-FFR≤0.80	基于软件2的CT-FFR≤0.80
灵敏度	97.8（88.5，100.0）	89.1（76.4，96.4）	80.4（66.1，90.6）
特异度	66.7（56.5，75.8）	80.8（71.7，88.0）	93.9（87.3，97.7）
阳性预测值	57.7（50.7，64.4）	68.3（58.7，76.6）	86.0（73.7，93.1）
阴性预测值	98.5（90.4，99.8）	94.1（87.4，97.4）	91.2（85.2，94.9）
准确性	76.6（68.8，83.2）	83.4（76.4，89.1）	89.7（83.5，94.1）

血管分类	血管数	0.5~<0.6	0.6~<0.7	0.7~<0.8	0.8~<0.9	0.9~1.0
所有冠状动脉
基于软件1的CT-FFR	1 161	38（3.3）	38（3.3）	87（7.5）	166（14.3）	832（71.7）
基于软件2的CT-FFR	1 161	1（0.1）	14（1.2）	79（6.8）	785（67.7）	282（24.3）
χ²值		—	—	64.050	18.123	40.515
P值		0.033	0.074	<0.001	<0.001	<0.001
LAD
基于软件1的CT-FFR	389	15（3.9）	19（4.9）	43（11.1）	71（18.3）	241（62.0）
基于软件2的CT-FFR	389	0	7（1.8）	47（12.1）	299（76.9）	36（9.3）
χ²值			—	14.993	4.002	5.824
P值			0.298	<0.001	0.045	0.016
LCX
基于软件1的CT-FFR	385	4（1.0）	10（2.6）	19（4.9）	48（12.5）	304（79.0）
基于软件2的CT-FFR	385	0	0	12（3.1）	182（47.3）	191（49.6）
χ²值				—	10.148	18.470
P值				<0.001	0.001	<0.001
RCA
基于软件1的CT-FFR	387	19（4.9）	9（2.3）	25（6.5）	47（12.1）	287（74.2）
基于软件2的CT-FFR	387	1（0.3）	7（1.8）	20（5.2）	304（78.6）	55（14.2）
χ²值		—	—	15.450	3.710	4.268
P值		0.049	0.153	<0.001	0.054	0.039

冠状动脉计算机断层扫描衍生的血流储备分数的一致性与诊断性能研究：基于不同深度学习算法

Consistency and Diagnostic Performance of Coronary Computed Tomography-derived Fractional Flow Reserve: Based on Different Deep Learning Algorithms

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 7

参考文献 34

相关文章 15

编辑推荐

Metrics

留言

[1]	欧阳微娜, 王露, 张璇, 唐薇, 范咏梅. 基于动态多尺度特征融合与注意力机制的心房颤动筛查研究[J]. 中国全科医学, 2026, 29(23): 3281-3286.
[2]	许庆洪, 王静, 黄元, 祝辞, 操文兵, 李盈. 基于深度学习的结直肠息肉实时测量系统测量结直肠息肉尺寸的验证研究[J]. 中国全科医学, 2026, 29(14): 1873-1877.
[3]	中国医药教育协会心血管内科专业委员会, 中国医疗保健国际交流促进会心血管健康医学分会. 青年冠状动脉疾病的早期筛查和预防专家共识[J]. 中国全科医学, 2026, 29(02): 137-147.
[4]	宋欣芫, 常文秀, 张文玉, 杨婷婷, 王恺. 基于慢性肾脏病数据集的卷积神经网络对慢性肾脏病进展的预测价值研究[J]. 中国全科医学, 2025, 28(35): 4457-4463.
[5]	熊鑫, 李洋, 石峰, 杨连, 段维, 陈蓓, 李勇, 赵林伟, 付泉水, 范小萍, 杨国庆. 基于人工智能的胸腰椎骨密度测定系统及其校准研究[J]. 中国全科医学, 2025, 28(19): 2398-2406.
[6]	罗云昭, 蒋宏传, 徐峰. 基于深度学习模型辅助穿刺病理图像预测乳腺癌新辅助治疗疗效的研究[J]. 中国全科医学, 2025, 28(19): 2407-2413.
[7]	王瑞, 欧阳丽娜, 吴倩, 牛媛媛, 李贵兰, 朱力. CT衍生的血流储备分数对梗阻性冠状动脉疾病患者主要不良心血管事件的预测价值研究[J]. 中国全科医学, 2025, 28(06): 713-719.
[8]	王珍妮, 须月萍, 夏开建, 徐晓丹, 顾丽华. 基于YOLO神经网络构建压力性损伤自动检测和分期的人工智能模型[J]. 中国全科医学, 2024, 27(36): 4582-4590.
[9]	和军辉, 万大国, 董静, 张娟. 泛免疫炎症值、全身免疫炎症指数与急性冠脉综合征患者易损斑块的相关性研究[J]. 中国全科医学, 2024, 27(24): 2976-2981.
[10]	薛亚男, 欧敏行, 张秀杰, 孟庆雪, 刘莹. 《2023 AHA/ACC/ACCP/ASPC/NLA/PCNA慢性冠状动脉疾病患者管理指南》要点解读[J]. 中国全科医学, 2024, 27(18): 2173-2178.
[11]	赵慧, 李文豪, 程功, 陈亮, 梁宸源, 王依阳, 蒋红英, 姜瑞嘉. 腺苷负荷与ATP负荷评估冠状动脉微血管疾病中的不良反应分析[J]. 中国全科医学, 2024, 27(17): 2109-2112.
[12]	李迎晨, 赵明芳, 吴瑛. 《肺癌筛查：美国预防临床服务指南工作组推荐声明》现状与最新指南解读[J]. 中国全科医学, 2024, 27(11): 1283-1287.
[13]	王澳龙, 朱明军. 中医药治疗冠状动脉微血管疾病随机对照试验结局指标的应用研究[J]. 中国全科医学, 2024, 27(02): 217-225.
[14]	袁铭培, 林耀望, 贝伟杰, 刘华东, 董少红, 孙鑫. 经远端桡动脉入径逆向开通闭塞桡动脉的可行性：单中心前瞻性研究[J]. 中国全科医学, 2023, 26(27): 3373-3377.
[15]	蔡高军, 师干伟, 李峰, 李文华, 严永敏, 薛社亮, 肖建强, 顾君, 宋艳斌, 张刘燕, 卢伟, 龚春. 如何提高经远端桡动脉入径穿刺成功率、"曲径通幽"？基于两千余病例的经验总结[J]. 中国全科医学, 2023, 26(27): 3361-3365.