心血管疾病（CVD）影响了近一半的美国成年人，并造成超过30％的死亡人数。CVD风险的预测是管理患者健康临床实践的基础。最近的研究显示，被诊断出患有癌症的患者的CVD死亡风险是普通人群的十倍。

既往研究显示，用于肺癌筛查的低剂量计算机断层扫描（LDCT）已被证实在临床试验中有效。在国家肺部筛查试验（NLST）中，共有356名接受LDCT的参与者在6年随访期内死于肺癌。然而，更多的患者（其他486人）则死于CVD。

因此，在接受LDCT筛查的高危受试者中筛查CVD等重大合并症对于降低患者总体的死亡率至关重要。然而，当癌症风险人群在接受癌症筛查时，其潜在的CVD风险可能会被忽略。

深度学习流程示意图

在该研究中，深度学习CVD风险预测模型接受了来自美国国家肺癌筛查试验的30286例LDCT数据的训练，通过模型分析2,085名受试者的单独测试集，获得了0.871的曲线下面积（AUC），并确定了具有较高CVD死亡率风险的患者（AUC为0.768）。

NLST数据集的实验结果

研究人员通过分析包括来自335名受试者的独立数据集，针对基于ECG门控的心脏CT标记物，包括冠状动脉钙化（CAC）评分、CAD-RADS评分以及MESA 10年风险评分，进一步的验证了上述深度学习模型。

综上，该研究结果表明，在高风险患者中，深度学习模型可将用于肺癌筛查的LDCT数据转换为用于CVD风险评估的双重筛查定量工具。

原始出处：

Chao, H., Shan, H., Homayounieh, F. et al. Deep learning predicts cardiovascular disease risks from lung cancer screening low dose computed tomography. Nat Commun 12, 2963 (20 May 2021).