想象用两种不同的显微镜观察同一组织——一个捕捉细节，一个把握全局。科学家们将这种思路引入人工智能，创造出名为LegoNet的混合模型，它能更精准地从CT扫描中识别心血管周围的危险脂肪组织，为早期心脏病风险评估提供新工具。
在心血管疾病研究中，医生们特别关注血管周围脂肪组织（PVAT）的变化。这些包裹在主动脉和乳内动脉周围的脂肪，就像“气象站”一样能反映血管炎症状态。但要从CT血管造影（CTA）图像中准确分割这些区域并不容易——不同医院的扫描设备差异大，脂肪与周围组织的边界模糊，传统方法需要大量人工校正。
大多数深度学习模型像用同款砖块盖房子，无论卷积神经网络（CNN）还是视觉变换器（ViT），都重复使用相同结构的处理单元。LegoNet团队提出了突破性思路：像搭乐高积木那样，交替使用CNN模块（擅长捕捉局部特征）和SwinViT模块（擅长建立长程关联）。这种混合架构在三个关键方面优化了特征提取：
微观与宏观结合：CNN像放大镜观察细胞纹理，ViT像地图定位器官位置
自适应学习：不同深度的网络层自动分配两种模块的最佳比例
跨设备兼容：通过多中心数据训练，适应各医院CT机的成像差异
研究团队用严格的方法验证模型可靠性：
精度测试：在大型数据集上，LegoNet对主动脉、乳内动脉和PVAT的分割准确率（DSC系数）超过0.9，优于U-Net等传统模型
跨院验证：在英国、国际公开数据集上，经专家修正后的结果仍保持高一致性
人机对比：模型与不同医师的标注差异小于医师之间的判断差异，证明其临床可用性
这项技术的临床价值不仅在于自动化测量。通过精确量化PVAT特征：
风险预警：异常脂肪分布可能比传统指标更早提示动脉粥样硬化风险
手术规划：心脏手术前可更准确评估血管周围环境
疗效监测：跟踪脂肪组织变化评估药物干预效果
团队特别指出，该方法已通过多家医院真实数据检验，避免了“实验室精度高，临床用不了”的常见困境。
为什么血管周围脂肪值得关注？正常PVAT具有保护性，但当发生“脂肪变性”时，它会分泌促炎物质，形成恶性循环。传统CT只能粗略评估脂肪体积，而LegoNet提供的精细分割允许分析：
脂肪密度（反映炎症程度）
分布模式（局部聚集可能更危险）
血管接触面特征（帮助判断浸润情况）
这种“从量到质”的飞跃，使得AI辅助分析有望纳入心血管风险评估指南。