摘要目的 评估基于最小代价路径的CT血流储备分数(MCP-FFR)和深度学习驱动的CT血流储备分数(DeepCL-FFR)的诊断效能,并重点探索DeepCL算法在提升"灰区"诊断准确性方面的潜在价值.方法 收集2020年1月至2021年6月在中国人民解放军总医院第六医学中心住院治疗的109例冠心病患者的151支血管进行回顾性分析.采用Pearson相关性分析和Bland-Altman图评估两种冠状动脉CT血流储备分数(CT-FFR)与FFR的相关性和一致性.将CT-FFR位于0.70～0.80定义为诊断"灰区".计算并分析诊断血流动力学异常的准确度、敏感度、特异度、阳性预测值和阴性预测值;使用Delong检验比较两种CT-FFR计算方法间受试者工作特征(ROC)的曲线下面积(AUC).结果 两种CT-FFR与FFR之间均成正相关(MCP-FFR:r=0.75,P＜0.001;DeepCL-FFR:r=0.86,P＜0.001),且均具有良好的一致性(MCP-FFR:平均值0.010,P=0.351;DeepCL-FFR:平均值-0.003,P=0.772).DeepCL-FFR(AUC 0.97,95％CI 0.94～0.99)与MCP-FFR(AUC 0.92,95％CI 0.88～0.97)对血流动力学异常均具有较佳的诊断效能(P=0.122).在"灰区"血流动力学异常的诊断中,MCP-FFR的诊断准确性为68.8％,而DeepCL-FFR则提升至89.7％.DeepCL-FFR在"灰区"血流动力学异常诊断中表现出较佳的诊断效能(AUC 0.89,95％CI 0.73～0.99),显著高于MCP-FFR(AUC 0.71,95％CI 0.54～0.87)(P＜0.001).结论 深度学习驱动的冠状动脉中心线提取算法DeepCL,在CT-FFR诊断血流动力学异常方面具有较佳的诊断效能,特别是在"灰区"诊断中显著提高了诊断准确性.