从研究散点图数据能清晰看出，PlaqueSegNet测出的斑块体积，和有创IVUS金标准、资深影像专家人工判读结果高度契合，所有组内相关系数ICC均突破0.90。Bland-Altman一致性分析也印证，虽然个体测量存在小幅正常波动，但整体平均测量偏差极小。从临床角度解读，这意味着这款AI模型的斑块量化精度，已经追平有创检查水准和高年资专家诊断水平，完全具备替代传统人工勾画的临床潜力（图3）。
图3.深度学习模型与血管内超声（IVUS）或专家读者之间斑块体积（PV）测量结果的相关性与一致性分析
研究给出的可视化案例极具临床参考价值，将原始冠脉CTA断层影像与AI自动分割结果并列呈现。模型能够完整勾勒出整支冠状动脉走行路径，还通过不同色彩标注，精准区分钙化斑块、混合斑块、非钙化斑块三大类型。这种可视化呈现，打破了AI “黑箱”局限，临床医生能直观看到AI识别斑块的边界、范围和类型，可快速核验结果可靠性，极大提升临床接纳度（图4）。
图4.PlaqueSegNet分割与分析的代表性结果
从临床落地角度看，工具的稳定性和前瞻性至关重要。一方面，在3个月短期复查的序列冠脉CTA扫描中，模型重复测量一致性高达ICC=0.98，复测结果几乎无差异，稳定性拉满；另一方面，面对新一代前沿光子计数CT（PCCT），模型依旧保持稳定高性能，没有出现适配卡顿、精度下滑等问题。这也充分说明，PlaqueSegNet不仅当下测量结果稳定可靠，还能适配未来医院CT设备更新迭代，具备长期临床复用价值（图5）。
图5.在重复性测试和最新CT扫描仪测试中斑块体积测量的相关性与一致性分析
很多AI模型只停留在 “影像测量” 层面，而这项研究真正做到了从影像量化到临床预后的延伸。通过短期、长期、序列随访三大临床队列生存分析证实，AI自动测算的斑块总体积、斑块进展幅度，都能独立预判患者远期发生心脏不良事件的风险，为医生制定长期干预方案、做个体化风险分层提供了客观量化依据（图6）。
图6.PlaqueSegNet测量的总斑块体积（PV）在短期和长期随访队列以及系列CCTA队列中的预后价值
