首页 > 论文范文 > 医药卫生论文 > 影像检验论文 > PET/CT论文 > 人工智能冠状动脉CT血管成像在评估冠状动脉狭窄中的应用价值

人工智能冠状动脉CT血管成像在评估冠状动脉狭窄中的应用价值

2024-03-08 132 上传者：管理员

摘要：目的探讨基于人工智能(AI)冠状动脉CT血管成像(CCTA)对冠状动脉狭窄的评估价值。方法回顾性分析180例拟诊为冠心病(CAD)患者并行CCTA及冠状动脉血管造影(ICA)检查的影像资料。采用上海杏脉公司CCTA-AI软件自动检测冠状动脉病变，以ICA为金标准，采用ROC曲线评估AI和医师对冠状动脉中、重度及以上诊断效能；采用Kappa一致性检验评价AI软件和医师对冠状动脉狭窄CAD-RADS分级及斑块性质的一致性。结果 AI及医师评估冠状动脉中、重度及以上狭窄曲线下面积(AUC)分别为0.808、0.858和0.872、0.907,差异均无统计学意义(P>0.05)。AI与ICA及医师评估冠状动脉CAD-RADS分级的一致性均良好(Kappa值分别为0.643和0.808)。AI及医师评估斑块性质结果一致性良好(Kappa值为0.915,P<0.05)。结论 AI对于冠状动脉病变的评估具有良好的诊断价值，可较好辅助临床诊断CAD。

关键词：
CT血管成像
人工智能
冠状动脉粥样硬化
冠状动脉造影
心血管影像
加入收藏

冠心病(coronarg artery disease, CAD)是全球居民死亡的最主要原因，也是降低生活质量的主要因素[1]。因此早期发现冠状动脉病变至关重要，可显著降低其发病率和死亡率[2]。冠状动脉血管造影(ICA)是目前诊断冠状动脉狭窄程度的金标准，但该检查有创且费用较高[3]。冠状动脉CT血管成像(CCTA)是一种有效的非侵入性的血管检查方法，其对冠状动脉阻塞情况能达到与ICA相似的诊断及预后评估[4]。近年来，随着人工智能(AI)技术的快速发展，特别是深度学习在放射诊断工作中的临床应用越来越广泛[5]。AI算法已被证实可在多种疾病诊断中提高诊断的敏感性和一致性[6,7,8]。目前AI在心血管疾病诊断中的应用也颇受关注，本研究将进一步探讨基于CCTA图像的AI诊断软件在冠状动脉病变诊断中的应用价值。

1、资料与方法

1.1 一般资料

回顾性搜集2019年7月至2022年3月于本院行CCTA及ICA检查且符合纳入标准的180例患者图像资料。其中男116例，女64例；年龄32～87岁，平均(61.4±11.4)岁；平均BMI为(24.8±3.1) kg/m2。纳入标准：(1)临床确诊或疑似为冠心病患者；(2)扫描心率≤90次/min, 高心率无药物禁忌症患者服用降心率药物，将心率控制在90次/min及以下。排除标准：(1)年龄<18岁；(2)肾功能不全；(3)心律失常或心律不齐；(4)CTA检查时呼吸无法配合；(4)冠状动脉支架植入或旁路移植术后血管；(5)伪影较大，图像无法满足诊断要求。

1.2 CCTA检查及分析方法

CCTA检查前询问患者碘过敏史并对患者进行屏气配合训练。采用Siemens双源64排螺旋CT(Siemens Somatom Definition 60320,德国)。扫描方式：患者取仰卧位，双侧上肢上举放于头部两侧，扫描范围为气管隆突下至心脏膈面水平，采用回顾性心电门控方法，头足方向，扫描参数：120 kV,自动毫安控制技术，层厚0.75 mm, 自动螺距技术。采用双筒高压注射器经肘前静脉注射对比剂碘海醇注射液(350 mgI/ml, 上海，通用电气药业有限公司),剂量为1 ml/kg体重，以及生理盐水40 ml, 注射流率5.0～5.5 ml/s, 监测感兴趣区(region of interest, ROI)设在主动脉根部水平，触发阈值设为100 HU,延迟8 s后启动扫描。

后处理及分析方法：本研究采用上海杏脉信息科技有限公司的CTA-AI软件(1.0.59.156),该软件基于冠状动脉CT轴位图像可自动对冠状动脉原始图像进行后处理，可获得包括三维立体绘制(3D VR)、曲面重组(CPR)、血管矫直重组一系列后处理图像，并自动评估血管狭窄程度及斑块性质。采用2014年SCCT提出的18段冠状动脉分段法[9]并排除直径<1.5 mm以下的血管。采用国际心血管CT协会提出的冠状动脉病变影像报告与数据系统(coronary artery disease reporting and data system, CAD-RADS)分级标准[10]将狭窄程度共分为6级，具体分级标准见表1。

表1 CAD-RADS报告分级标准

根据斑块的CT值区分斑块性质，斑块性质分类定义为：钙化斑块：整个斑块CT值>130 HU;混合斑块：有2种斑块成分，其中一个是钙化成分；非钙化斑块：整个斑块无钙化。

所有原始图像均经过两名具有10年以上影像诊断经验医师诊断每个斑块的性质以及相应管腔狭窄程度，并以两位放射科医师共识确认为标准。

1.3 ICA检查及分析方法

所有患者在4周内同时行CCTA检查及ICA检查。采用Siemens数字减影血管造影机和6F MP导管，经皮穿刺股动脉置入血管鞘，标准投照体位，将冠状动脉导管依次插入左、右冠状动脉，通过多个投照角度观察每支血管是否存在狭窄并确定狭窄程度，同样采用标准18分段法，由两位心脏介入医师对图像进行独立评估，最终经协商达成共识后为标准。

1.4 统计学分析

使用SPSS 25.0统计软件(SPSS Inc, Chicago, USA)对数据进行统计分析并采用MedCalc statistical software软件绘制ROC曲线。计量资料以均数±标准差表示，计数资料以百分比表示。(1)以ICA为金标准，评估AI和医师对冠状动脉中度以上(CAD-RADS分级≥3级)及重度以上(CAD-RADS分级≥4级)狭窄的识别性能并计算AI和医师诊断的敏感度、特异度、阳性预测值(PPV)和阴性预测值(NPV)。曲线下面积(AUC) ≤0.50为无诊断价值，0.50<AUC≤0.7为诊断效能低，0.7<AUC≤0.9为中等，0.9<AUC<1.0为良好。(2)采用Kappa检验评价AI与医师评估狭窄程度分级及斑块性质分类的一致性。Kappa值评价标准：Kappa值<0.40,表示一致性差；0.40～0.59表示一致性中等；0.60～0.74表示一致性较好；0.75～1.00表示一致性高。

2、结果

180例患者中，高血压、高血脂、糖尿病病史及有无吸烟史情况见表2。

表2 180例患者临床资料

表3 AI与放射科医师对中重度及以上狭窄血管诊断效能对比

2.1 血管狭窄程度分析结果

以ICA为“金标准”,AI与医师对中重度及以上狭窄患者的诊断ROC曲线图见图1,结果和效能指标见表3。在识别冠状动脉中度狭窄时，AI的敏感度、特异度、PPV和NPV分别为90.8%、74.1%、95.2%和58.8%,AUC为0.808;在识别冠状动脉重度狭窄时，AI的敏感度、特异度、PPV和NPV分别为81.7%、88.3%、93.3%和70.7%,AUC为0.872。

AI、医师与ICA诊断冠状动脉狭窄分级一致性结果见表4。结果显示AI与ICA的一致性较好(Kappa=0.643,P<0.01),AI与医师间一致性高(Kappa=0.808,P<0.01),医师与ICA之间一致性较好(Kappa=0.729,P<0.01)。

2.2 斑块性质分析结果

对于冠状动脉斑块性质的诊断，相比放射科高年资医师，AI对斑块性质总体分类结果见表5,Kappa一致性检验结果显示：分析结果与医师的一致性高(Kappa=0.915,P<0.01)。AI软件对于斑块性质分类总体准确率为0.95。

表4 AI软件、放射医师及ICA的CAD-RADS分级结果

表5 AI与放射科医师对冠状动脉斑块性质分类结果

3、讨论

近年来随着医学检查方法的飞速发展，CCTA在诊断心血管疾病方面的应用也越来越广泛，随之产生的大量图像后处理及诊断分析工作给放射科医师带来前所未有的负担，但数量迅增的CCTA数据却为AI与医学之间提供了桥梁，大数据集的可用性可以最大限度地提高AI训练算法的有效性和再现性[11]。深度学习技术在处理复杂医学影像数据时展现出巨大的优势，深度学习辅助医学影像的研究分析是未来发展的趋势[12]。

基于深度学习算法的图像检测、分割和分类算法的迅速发展，极大地提高了心脏成像的临床应用[13]。Zreik等[14]提出了一种冠状动脉狭窄病灶的自动识别方法，结果表明该方法在患者水平识别狭窄的准确度为0.75。另有研究[15,16]显示AI平均每例后处理和解释时间为(2.3±0.6) min, 而医师所用平均时间为13.6～18.0 min, 与传统人工方法相比，AI系统可明显提高冠状动脉CTA图像后处理及诊断的效率。

图1 A、B AI诊断软件及诊断医师评估冠状动脉狭窄ROC曲线。

图2 A～E男，65岁。放射科医师评估CAD-RADS6级，与ICA诊断结果一致。

在本研究中，AI与ICA和医师的CAD-RADS分级一致性较好，这与以前的相关研究结果基本一致[17,18]。另外，本研究中AI软件对于中度冠状动脉狭窄的诊断准确性较高，这与之前Han等[19]的研究结果相似，但该研究中只有≥50%的中度狭窄血管被定义为阳性，无法进一步区分中度和重度狭窄，而重度狭窄患者可能心肌缺血更为严重，在临床治疗中需酌情应用手术治疗。本研究中AI软件识别冠状动脉重度狭窄时诊断准确性较高，敏感度、特异度、PPV和NPV分别为81.7%、88.3%、93.3%和70.7%,AUC为0.872,同时本研究采用准确的狭窄分级，可以很好评估冠状动脉不同狭窄程度分级。

检测高危斑块可以预测不良心脏事件[19],因此检测斑块性质具有重要意义。Zreik等[14]的研究结果表明在节段水平识别斑块特征的准确率为0.77。本研究中AI软件基于CCTA图像的斑块性质分类与医师诊断一致性较高，AI软件对于斑块性质分类总体准确率达到了0.95,性能较之前的研究要好，这可能是算法不断优化的结果。

综上所述，本研究中AI软件基于CCTA图像对于冠状动脉病变的诊断效能与高年资放射科医师相当。AI目前在肺结节良恶性鉴别等[20,21]方面的影像诊断技术已十分成熟，但在此之前一些关于AI诊断冠心病的研究所解决的问题较单一，因此本研究旨在基于冠状动脉狭窄程度及斑块性质综合评估冠状动脉病变且可将繁杂的图像后处理工作在极短时间内完成，大大减轻了诊断医师的工作量，这并不意味着AI将代替放射科医师，而是整个放射实践工作的全面扩充和发展。但本研究的一个重要局限性在于该研究为回顾性研究且使用ICA结果为狭窄程度的参考标准，多数接受ICA检查的患者可能存在较严重的狭窄，因此可能存在样本选择偏倚影响，而且该研究为单中心研究并排除了支架血管以及桥血管，这类病变的准确性未得到验证，所以在未来的研究中，需要更大样本及更多样化人群来进行完善AI的自动化诊断效能，提高AI算法诊断的准确性和稳定性，使CCTA-AI早日在放射科医师的日常工作中提供有力参考。

参考文献:

[4]米古丽·伊敏,阿布都热苏力·吐尔孙.双源CT冠脉成像与冠脉血管造影诊断冠状动脉狭窄病变的价值比较分析[J].影像研究与医学应用.2020,4.

[12]李湘元,张金宝,刘鹏华,等.深度学习在医学影像领域的应用现状与展望[J].临床放射学杂志,2021,40:2423-2429.

[15]黄增发,王翔.人工智能冠状动脉CT血管成像在冠心病诊断中的应用[J].放射学实践,2018,33:1017-1021.

[17]肖建伟,张树桐,谢元亮,等.基于深度学习的冠状动脉CT血管成像冠状动脉疾病报告与诊断系统的临床应用[J].实用医学杂志,2019,35:3227-3230.

[18]杨阳,刁楠,黄增发,等.CAD-RADS在冠心病诊断中的应用:人工智能与人工方法的对照研究[J].放射学实践,2022,37:413-418.

[21]邱露.人工智能辅助CT肺结节良恶性鉴别的研究进展[J].临床放射学杂志,2019,38:2453-2456.

基金资助:河南省中医药科学研究专项课题项目(编号:20-21ZY1021);

文章来源:韩莎莎,程留慧,张卉等.人工智能冠状动脉CT血管成像在评估冠状动脉狭窄中的应用价值[J].临床放射学杂志,2024,43(03):456-460.