当基于深度学习的CT-FFR系统给出一个功能学相关提示时，它究竟利用了哪些影像信息？它与医生阅片时的关注点有什么不同？对于很多刚接触这类技术的临床医生来说，这往往是最想弄清楚的问题。
我们习惯于从冠脉CTA上识别解剖学狭窄，但从“看见狭窄”到“评估该病变是否可能导致缺血”，中间还隔着一层复杂的功能学推理。也正是在这一步，以深度学习为核心的CT-FFR类技术开始发挥越来越重要的辅助作用。
图1 CT-FFR结果可视化示意图：沿冠脉树显示功能学数值分布，可辅助识别可能具有血流动力学意义的病变。
引言：为什么医生会对这类AI结果产生疑问？
“DeepVessel FFR（深脉分数）提示异常，但我在影像上并没有看到特别严重的狭窄。”
这类疑问很常见，也很正常。因为医生的直觉主要建立在形态学阅片经验上，而深度学习CT-FFR给出的是与血流动力学意义相关的量化提示。两者关注的重点不同，自然可能出现“肉眼看起来不重，但系统提示该病变可能具有功能学意义”的情况。这里的“异常”通常是指对应病变的FFR或CT-FFR数值低于常用判断阈值0.80。
理解AI为什么会这样判断，首先要接受一个临床事实：冠脉CTA上的解剖学狭窄，与某一冠脉病变是否真正造成缺血，并不总是一一对应。
第一部分：医生在看什么，这类模型又在分析什么？
医生阅片时，通常会依次观察血管走形、管腔最窄处、狭窄程度、斑块性质以及病变分布。这个过程高度依赖人眼对形态学异常的识别能力，也是临床训练的核心内容之一。
但CTA本质上首先提供的是解剖结构信息。医生能够较好地识别狭窄、斑块和钙化，却无法仅凭形态学图像直接观测真实的血流动力学状态。因此，从形态学异常推断功能学意义，往往还需要进一步整合与判断。
深度学习模型的工作方式并不是“像医生一样再看一遍”，而是基于大量训练数据，学习整体影像模式与功能学结果之间的统计关联。它往往不会只盯着某一个最窄点，而是综合利用病变形态、管腔变化、血管整体走行及其邻近结构所呈现的信息。
因此，更准确的理解并不是“AI看见了血流”，而是“AI学会了哪些整体影像模式更可能对应功能学异常”。
第二部分：深度学习模型到底在“学”什么？
可以把深度学习模型理解为一位看过大量“CTA影像+有创FFR结果”配对病例的阅片助手。它在长期对照中逐渐学习到：有些解剖学上并不十分严重的病变，仍可能与功能学异常相关；而另一些看上去较重的狭窄，未必一定对应明确缺血。
它学习到的，不是单一的“怎么看狭窄”，而是“哪些影像特征组合与功能学异常存在更稳定的关联”。很多信息并非人眼完全无法发现，而是人眼很难同时、持续、定量地完成整合。
第三部分：深度学习模型是如何训练出来的？
首先，模型需要大量带标签的数据。对于这类CT-FFR模型而言，CTA图像通常需要对应功能学参照结果，最常见的是有创FFR测量值。只有在足够多的配对病例基础上，模型才有可能学习到影像与功能之间较稳定的关系。
其次，模型训练并不是“直接把原始图像喂进去”那么简单。实际开发过程中，常常还涉及冠脉提取或中心线处理、图像质量控制、标签定义、数据清洗和多轮验证；不同产品或研究采用的具体流程并不完全相同。模型是在这些规范化流程基础上不断调整内部参数，使其输出逐渐逼近参照结果。
最后，模型是否真正可用，关键取决于它在未见过的新病例上的泛化表现。这里通常需要用AUC、敏感性、特异性、阴性预测值以及与有创FFR的一致性或相关性等指标综合评价，而不宜简单概括为“准确率很高”。
图2 深度学习CT-FFR模型训练流程示意图：CTA输入经有创FFR等功能学参照标注、模型训练和独立数据验证后形成辅助判断能力。
第四部分：为什么AI能够提供人眼不易直接得到的提示？
其一，模型可以同时处理大量影像信息，并在更大范围内分析多种特征之间的关系；其二，它更容易把局部病变、整条血管形态以及分支结构放在同一个框架下整合；其三，经过充分训练和验证的模型，有机会在特定任务上提供更标准化的辅助信息，减少单纯依赖个体阅片经验所带来的波动。
但需要强调的是，这些优势并不意味着AI可以脱离临床单独工作。它提供的本质上仍然是辅助判断，而不是脱离病史、症状与其他检查结果的最终结论。
第五部分：AI到底是不是“黑盒”？
很多医生最担心的问题之一，就是“我不知道它怎么算出来的，为什么要相信它？”这个担心非常合理。
更稳妥的理解是：AI的内部参数更新过程未必能够像传统规则模型那样被逐步直观展开，但现在不少系统会提供结果可视化和一定程度的可解释性辅助，用来帮助医生理解哪些病变位置、哪些血管段的结果更值得重点关注。以CT-FFR系统为例，常见的是沿冠脉树显示数值分布、颜色编码或病变远端数值变化等信息，用于提升结果的可读性与可追溯性。
不过，这并不等于模型已经被“完全解释”。真正合理的使用方式，始终是把这些可视化结果视为辅助证据，并结合CTA原始影像、患者症状、临床前测概率以及其他检查结果综合判断。
图3 DeepVessel FFR技术流程示意图：展示从冠脉结构提取到功能学结果输出的一个产品实现路径，不代表所有CT-FFR产品采用完全相同流程。
结语：AI学到的，是“从形态到功能”的关联
当AI给出一个与直觉不完全一致的结果时，它并不是在“替医生下结论”，而是在基于大量相似病例经验，提供一份关于该病变是否可能具有功能学意义的辅助判断。它学习到的，不是直接“看见缺血”，而是哪些影像形态特征更可能对应功能学异常。
对临床而言，深度学习真正的价值，不是替代医生，而是帮助医生把CTA中的形态学信息，更有效地转化为对病变功能学意义的补充线索。最终的医疗决策，仍然需要由医生在完整临床信息基础上完成。
