首页 > 论文范文 > 医药卫生论文 > 影像检验论文 > 影像诊断论文 > 冠脉CT血管造影斑块人工智能定量参数与血流储备分数的关系

冠脉CT血管造影斑块人工智能定量参数与血流储备分数的关系

2024-09-12 54 上传者：管理员

摘要：目的探讨冠脉CT血管造影(CCTA)斑块人工智能(AI)定量参数与CT血流储备分数(FFR-CT的相关性。方法收集怀疑冠心病患者共84例，男52例，女32例，年龄27～81岁，平均(58.1±11.9)岁，均行CCTA检查。将图像传输至数坤软件并对冠脉血管标记、斑块分析、计算相应FFR-CT值。斑块AI参数包括长度、体积、最小管腔面积(MLA)、最狭窄程度(MLD)、脂类体积及占比、纤维脂类体积及占比、纤维体积及占比、钙化体积及占比。FFR-CT≤0.8定义为可能存在血流动力学异常或心肌缺血。评估斑块参数与FFR-CT相关性，采用二元logistic回归筛选冠脉血流储备异常(FFR-CT≤0.8)的独立危险因素，采用ROC曲线及曲线下面积(AUC)评价其诊断效能，计算灵敏度、特异度及模型预测准确率。结果 84例患者主要症状为胸痛(39例，占46.4%)与胸闷(27例，占32.1%)。Spearman相关分析结果显示FFR-CT与MLA呈正相关(r=0.49,P <0.000 1)，与长度、体积、脂类体积、纤维脂类体积、纤维体积及钙化体积呈负相关(r=-0.44、-0.56、-0.40、-0.36、-0.42、-0.40,P <0.05)，其中与MLD呈中等程度负相关(r=-0.60,P <0.000 1)。单因素logistic回归分析结果显示斑块长度、体积、MLA、MLD、脂类体积、纤维脂肪体积、纤维体积、钙化体积等参数是FFR-CT≤0.8的独立危险因素(P <0.05)。经调整后的多因素logistic回归分析结果显示，MLD是FFR≤0.8的独立危险因素(OR=1.082,95%CI:1.034～1.133,P=0.001)，预测模型为logit(P)=0.079X1-4.052,X1为MLD值，预测准确率为85.2%。斑块长度、MLD、脂类体积、纤维体积及钙化体积诊断冠脉血流动力学异常(FFR-CT≤0.8)的AUC分别为0.796、0.886、0.711、0.754、0.698，灵敏度与特异度分别为47.83%、73.91%、73.90%、52.17%、60.87%与92.11%、73.68%、60.53%、84.21%、89.47%,5种指标联合诊断的AUC为0.906，灵敏度与特异度为73.91%、71.05%。结论冠脉斑块AI参数与FFR-CT存在不同程度相关性，MLD是FFR-CT≤0.8的独立危险因素，具有较高的诊断效能。

关键词：
CAD
人工智能
冠脉CT血管造影
斑块定量分析
血流储备分数
加入收藏

冠心病（coronary artery disease,CAD）是人类健康的极大威胁。CAD影像诊断可分为有创和无创，即侵入性冠脉造影（invasive coronary angiography,ICA）和冠脉CT血管造影（coronary computed tomography angiography,CCTA）。随着技术发展，许多CT设备不仅速度快，还可与人工智能（artificial intelligence,AI）结合，提供丰富的冠脉信息和斑块定量参数。血流储备分数（fraction flow reserve,FFR）可反映冠脉的血流动力学状况，过去FFR测量依赖传统的ICA，不仅费用高且为有创操作，临床应用受到限制[1]。基于CCTA的FFR因快速无创的优点，逐步应用于临床决策。研究表明冠脉血管狭窄程度与心肌缺血严重程度并不一致，部分非阻塞性的CAD患者亦可发生主要心血管不良事件[2-3]，可能与不稳定斑块及斑块破裂有关[4]。国内关于冠脉斑块AI定量参数特征与FFR-CT相关性的研究较少，本研究将尝试探讨，期望对CAD诊治有一定参考意义。

1、资料与方法

1.1一般资料

收集我院2023年6-12月因胸痛、胸闷或胸前区不适怀疑为CAD患者临床及影像资料，排除肾功能不全、妊娠、既往心脏病手术史、冠脉支架植入、图像质量差及临床资料不全患者，共收集符合条件的患者84例，男52例，女32例，年龄27～81岁，平均（58.1±11.9）岁。本研究经过本院医学伦理委员会同意（武卫一院伦审[2020]17号）。所有患者均已行CCTA并签署知情同意书。84例患者临床症状分别为胸痛（n=39,46.4%）、胸闷（n=27,32.1%）、心前区不适（n=12,14.3%），心悸（n=5,6.0%）。病史：高血压57例（67.9%），糖尿病40例（47.6%），血脂异常27例（32.1%），饮酒33例（39.3%），吸烟49例（58.3%）。

1.2仪器与检查方法

仪器采用德国Siemens SOMATOM Definition Flash第二代双源CT机。基本参数：管电压100 k V，自适应电流CARE Dose4D（参考电流设置为320 m As），准直128 mm×0.6 mm，层厚3.0 mm，重建层厚0.6 mm。据胸部定位像确定扫描范围，造影剂为碘帕醇，外周静脉注射，总剂量约65～75 m L，此后注射生理盐水50 m L，流速5.0 m L/s，于降主动脉选择感兴趣区域监测CT阈值，达到100 HU时自动触发扫描，依据心律情况采用前瞻性或回顾性心电门控。

1.3图像后处理、斑块参数提取及FFR-CT计算

将CCTA图像传至数坤科技软件（SK V6.21.924.9）冠脉全流程模块（Coronary Doc,V1.0）及FFR模块（FFR Doc V1.0),AI自动对冠脉血管标记、斑块分析并计算相应FFR-CT值。由高年资主治医师审核和校正图像及AI结果。选取感兴趣斑块获取定量参数，包括斑块长度、体积、最小管腔面积（minimum lumen area,MLA）、最狭窄程度（minimal lumen degree,MLD）、脂类成分体积及占比、纤维脂类成分体积及占比、纤维成分体积及占比、钙化成分体积及占比；输入血压并计算FFR-CT，将FFR-CT≤0.8定义为可能存在血流动力学异常或心肌缺血[5-6]。具体界面见图1。

图1 数坤软件获取斑块AI参数及FFR-CT值示意图

1.4统计学方法

统计软件为IBM SPSS Statistics19.0及Medcalc 15.2.2，以P<0.05为差异有统计学意义。定性资料采用频数或率（n，%）表示，定量资料符合正态分布采用表示，偏态分布采用M(P25,P75）表示。两组定量资料若符合正态方差齐采用t检验，正态方差不齐采用近似t检验，偏态资料采用秩和检验（Mann-Whitney U），四格表资料采用χ2检验或Fisher确切概率法。采用Pearson或Spearman相关分析评估斑块参数与FFR-CT相关性，根据相关系数绝对值（|r|）判断：0.8≤|r|≤1.0为强相关，0.5≤|r|<0.8为中度相关，0.3≤|r|<0.5为弱相关，0≤|r|<0.3为不相关。采用二元logistic回归筛选冠脉血流储备异常（FFR-CT≤0.8）的独立危险因素，采用ROC曲线及曲线下面积（area under the curve,AUC）评价其诊断效能，计算灵敏度与特异度及模型准确率。

2、结果

2.1斑块分布及FFR-CT计算结果

共对84处感兴趣斑块分析，左冠状动脉前降支56个（69.1%），左冠状动脉回旋支7个（8.6%），右冠状动脉21个（25.9%）；低密度斑块5个（5.9%），钙化斑块15个（17.9.0%），混合斑块64个（76.2%),AI获取各斑块参数，见表1。相应冠脉FFR-CT值为0.83(0.72,0.87),FFR-CT≤0.8共22例。

表1 冠脉斑块AI参数统计结果

2.2斑块参数与FFR-CT的相关分析结果

FFR与MLA呈正相关（r=0.49,P<0.000 1），与长度、体积、MLD、脂类体积、纤维脂类体积、纤维体积及钙化体积呈负相关（P<0.05），其中与MLD呈中等程度负相关（r=-0.60,P<0.000 1），与其他参数相关性不明显（P>0.05）。见表2。

2.3斑块参数单因素及多因素logistic回归分析

对FFR-CT≤0.8及FFR-CT>0.8组的斑块参数行单因素logistic回归分析，结果显示斑块长度、体积、MLA、MLD、脂类体积、纤维脂肪体积、纤维体积、钙化体积差异有统计学意义（P<0.05），见表3。将有差异参数行共线性诊断，排除方差膨胀因子大于10且容忍度小于0.1参数，同时剔除存在中介混杂因素参数，经上述调整后，将长度、MLD、脂类体积、纤维体积及钙化体积5个参数纳入多因素logistic回归分析，结果显示，MLD是FFR≤0.8的独立危险因素（OR=1.082,95%CI:1.034～1.133,P=0.001），预测模型为logit(P)=0.079X1-4.052,X1为MLD值，预测准确率为85.2%。

表2 冠脉斑块AI参数与FFR-CT的Spearman相关分析结果

表3 冠脉斑块AI参数诊断冠脉血流动力学异常单因素logistic回归结果

2.4斑块AI参数及预测模型诊断冠脉血流动力学异常的ROC曲线分析

斑块长度、MLD、脂类体积、纤维体积及钙化体积的AUC分别为0.796、0.886、0.711、0.754、0.698,5种指标联合诊断血流动力学异常（FFR-CT≤0.8）的AUC为0.906。见图2和表4。

图2 斑块AI参数诊断冠脉血流动力学异常的ROC曲线

3、讨论

CCTA在CAD的诊断和评估中发挥极为重要作用，不仅灵敏度和阴性预测值高，还对排除阻塞性CAD十分可靠[7]。有研究[6]表明，在CCTA检查结果中添加FFR信息可减少临床有创性试验，FFR-CT可为临床诊断CAD提供更多血流动力学信息。前期相关研究[8-9]证实，FFR-CT与冠脉造影FFR具有良好的一致性和准确性。FFR-CT的计算方便快捷，相比冠脉造影可更好评估轻微狭窄导致的血流动力学异常[10],AI还可提供斑块定量参数。

本研究发现，斑块AI参数中长度、体积、MLA、MLD、脂类体积、纤维脂类体积、纤维体积及钙化体积与FFR-CT存在不同程度相关性（P<0.05），其中与MLA呈弱正相关（r=0.49,P<0.000 1），与MLD呈中等程度负相关（r=-0.60,P<0.000 1），与其他参数呈弱负相关，与国内宋瑶等[11]研究结果基本一致。MLA越小、MLD越大，则FFR值越小，斑块造成冠脉血流动力学异常越严重。FFR-CT与不同斑块成分占比相关性并不明显（P>0.05），可见冠脉血流动力学异常与斑块成分的占比关联不大，冠脉的血流动力学异常还可能与斑块的易损特性有关（如正性重塑、点状钙化、低密度斑块及餐巾环征等）[12]，易损斑块（vulnerable plaque,VP）的破裂是造成非阻塞性CAD患者心肌缺血的重要原因之一[2,13]。因此，利用斑块定量参数分析斑块性质并预测心肌缺血或冠脉血流动力学异常具有重要临床意义。非侵入性血流动力学评估（FFR-CT）或可能间接提高对易损斑块的识别[14]。相比于传统的斑块分析方法，如血管内超声、光学相干断层成像、高分辨MR，基于CCTA的AI斑块分析具有无创、快捷、廉价且高效的优势[15-16]。

表4 冠脉斑块AI参数诊断冠脉血流动力学异常的ROC曲线结果

单因素logistic回归分析显示，不同FFR-CT组患者性别、年龄无明显差异（P>0.05），而斑块长度、体积、MLA、MLD、脂类体积、纤维脂肪体积、纤维体积、钙化体积等参数存在不同程度差异（P<0.05）。可见不同斑块定量参数可能导致血管形态学改变，进而影响冠脉血流动力学，甚至导致心肌缺血。经调整后的多因素logistic回归分析显示，MLD是FFR-CT≤0.8的独立危险因素，这与其他研究结果存在一定差异，比如PLANK等[17]研究发现，冠脉的血流动力学改变与MLA、MLD的相关性较冠脉狭窄百分数更高，MLA、MLD诊断FFR-CT异常的准确率达到0.97、0.92且灵敏度和特异度均高于85%，高于本研究结果（本研究MLD准确率为0.85，灵敏度及特异度分别为73.9%、73.7%），其原因可能与测量方法不同有关，PLANK等[17]采取的测量方法为手动勾勒感兴趣区，而本研究采取AI斑块自动分析软件获取参数并将FFR-CT作为血流动力学参考标准。

ROC曲线分析显示，冠脉斑块长度、MLD、脂类体积、纤维体积及钙化体积诊断FFR-CT≤0.8的AUC分别为0.796、0.886、0.711、0.754、0.698，其中MLD的AUC最大（0.886），将MLD纳入的预测模型AUC高达0.906，具有较高的诊断价值。当MLD超过临界值0.50则提示冠脉可能存在血流动力学异常，有心肌缺血风险，相比冠脉横截面积狭窄比例判断CAD严重程度，MLD具有早期预警价值。此外，斑块负荷和形态学参数与心肌充血灌注损伤有一定关联[18]，可为临床诊治提供更多参考。

本研究发现，冠脉斑块参数MLD为FFR-CT异常的唯一独立危险因素，这与以往研究存在不同。南丽虹等[19]发现，MLA是冠脉血流动力学异常独立危险因素，冠脉狭窄程度（stenosis grade,SG）结合斑块参数（长度、斑块总体积、钙化体积、MLA）诊断冠脉血流动力学异常准确性更高，这可能与所使用的AI软件不同算法有关，斑块参数类型与本研究亦有区别，如西门子半自动斑块软件得到的参数为斑块总体积、钙化体积、纤维体积、脂质体积MLA、SG、重构指数（remodeling index,RI）及偏心指数（eccentricity index,EI）等，故目前尚未形成统一的参数研究模型。

本研究有一些不足之处，首先样本量较小且为单中心研究，可能存在选择偏倚，需增加样本含量并开展横向多中心研究。此外FFR-CT还可能受图像质量及钙化程度影响[20]，且存在0.75～0.80的灰区区间[21-23]，故应当探索更加精准的参数（如反映病变特异的全病变血流储备分数梯度ΔCT-FFR[24]）并临床特征深入研究。

综上所述，冠脉斑块AI参数与FFR-CT存在不同程度的相关性，MLD是FFR-CT的异常的独立预测因素，具有较高的诊断效能。

参考文献:

[1]张晓蕾,唐春香,李建华,等.冠状动脉CTA:斑块特征定量参数与血流储备分数的相关性分析[J].放射学实践,2018,33(12):1261-1265.

[2]庞智英,杨飞,苏亚英,等.冠状动脉CT血管成像联合基于CT的血流储备分数预测阻塞性冠心病主要不良心脏事件的价值[J].实用医学杂志,2021, 37(20):2675-2680.

[4]李苏豫,唐春香,张龙江.冠状动脉CT血管成像评估易损斑块新进展[J].中华放射学杂志,2022, 56(3):330-334.

[11]宋瑶,霍怀璧,李晗,等.冠状动脉CTA多参数AI特征对急性冠脉综合征的诊断价值[J].放射学实践,2023, 38(7):873-878.

[12]王林源,邓勇志.影像组学在冠状动脉CT血管成像评价易损斑块中的研究进展[J].中国心血管病研究,2023,21(9):776-781.

[13]丁恩慈,陆东燕,魏利娟,等.动脉粥样硬化易损斑块无创检测的分子影像研究进展[J].中国CT和MRI杂志,2022, 20(12):184-185, 187.

[15]于昊冉,刘挨师. CCTA在评估冠状动脉粥样硬化易损斑块中的应用价值[J].中国CT和MRI杂志,2023, 21(5):180-182,188.

[16]杨友常,汤晓强,潘昌杰.基于CT的纹理分析在鉴别冠状动脉易损斑块和稳定斑块中的价值研究[J].临床放射学杂志,2021, 40(11):2228-2230.

[19]南丽虹,李睿君,冯进堂,等.基于CT血管成像的斑块定量分析在冠状动脉血流动力学异常诊断中的应用价值[J].中华解剖与临床杂志,2021, 26(5):504-510.

[22]纪欣强,赵润涛,单冬凯,等.全病变血流储备分数梯度可预测心肌血流异常:基于冠状动脉CT血管造影[J].分子影像学杂志,2023, 46(5):779-786.