本研究提出并验证了一套名为 DL-TMPFC 的深度学习框架，用于从冠状动脉造影图像中自动量化 TIMI 心肌灌注帧计数（TMPFC），从而快速评估冠状动脉微血管功能障碍（CMVD）。论文于2026年5月20日提交至 arXiv，编号 2605.24012，属于计算机视觉与模式识别（cs.CV）分类，共15页、8幅图，由 Si Li 等10位作者完成。
研究背景方面，CMVD 在表现为缺血但冠状动脉无明显梗阻的患者中约占40%至60%，然而其诊断长期面临困难。现有手段要么依赖有创的功能学检查，要么依赖主观性较强的 TIMI 血流分级，难以形成标准化判断。TMPFC 作为一种基于造影的客观定量指标，本可弥补上述不足，但其临床推广受到两方面制约：一是人工计算过程繁琐、耗时，二是此前缺乏充分的大规模验证。
为此，研究团队设计了 DL-TMPFC 框架，由两个核心组件构成。第一个是狭窄检测网络，其作用是在分析前先行排除存在阻塞性冠状动脉疾病（CAD）的病例，从而保证后续灌注评估的对象符合条件。第二个是解剖区域感知的分割网络，用于识别心肌灌注区域；在此基础上，TMPFC 计算模块会自动从造影序列中判定起始帧与终止帧，完成帧计数的自动化。
验证工作覆盖了来自三家独立医疗机构的655例患者队列，其中包括445例阻塞性 CAD、100例确诊 CMVD 以及110例对照组。这一构成使模型得以在完整的冠状动脉病理谱系上接受检验，而不仅限于单一类型的病例。
结果显示，DL-TMPFC 与专家人工测量之间具有高度一致性：偏差为 -0.93 帧，95% 一致性界限为 -5.33 至 +3.47，相关系数 r 达到 0.98。这意味着自动计算结果与人工判读在数值上非常接近。更重要的是，该框架将整个 TMPFC 流程完全自动化，消除了观察者依赖性，显著提升了临床可行性。
在临床价值上，DL-TMPFC 能够在多种冠脉病理条件下准确识别 CMVD，并且不止于二分类判断，还可以捕捉 CMVD 的连续严重程度，从而支持定量化的风险分层。这一点对于需要判断病情轻重、制定随访与治疗策略的临床场景尤为关键。
论文结论指出，DL-TMPFC 能够直接基于常规造影图像，对 CMVD 实现自动、标准化且准确的量化。通过提供客观的自动测量结果，该工具有望在临床实践中即时给出诊断信息，帮助医生更及时地识别和管理冠状动脉微血管功能障碍。需要说明的是，上述性能结论来自三中心共655例患者的回顾性验证队列，其在前瞻性临床流程中的实际效益仍有待进一步研究确认。