人工智能冠狀動脈CT血管成像在冠心病診斷中的應用

黃增發， 王翔

冠狀動脈粥樣硬化性心臟病，簡稱冠心病，是指冠狀動脈粥樣硬化使血管管腔狹窄或閉塞，或(和)因冠狀動脈功能改變(痙攣)導致心肌缺血缺氧或壞死而引起的心臟病。冠心病嚴重危害人類的健康，2018年5月，國家心血管中心發布的《中國心血管病報告2017》指出：近年來我國城鄉冠心病的發病率和死亡率總體呈現上升態勢，冠心病死亡率繼續呈現快速上升趨勢，農村地區冠心病的死亡率和發病率已高于城市地區。因此，對冠心病患者盡早做出診斷，并采取科學的有效治療措施，具有非常重要的現實意義。目前，診斷冠心病的金標準是冠狀動脈造影，但是此種方法屬于有創檢查，且價格較貴，并且會存在并發癥等問題，不適合常規體檢，而且在基層醫院推廣相對困難[1]。相比之下，冠狀動脈CT血管成像(coronary computed tomography angiography,CCTA)的診斷方法安全可靠無創，不但能準確觀察病變管腔狹窄的程度，還能對斑塊性質進行準確評估，已在臨床廣泛應用[2]。然而，CCTA診斷冠心病依賴于醫生對掃描圖像的后處理，需要大量的醫療資源和人力資源的支持。近年來，大數據和人工智能等前沿技術在逐漸應用到醫療領域[3]，而隨著深度學習的興起，醫療輔助診斷領域也開始與這門技術結合，將人工智能應用于CCTA冠心病診斷中，對于緩解醫療資源緊張具有重大現實意義。

材料與方法

1.一般資料

選取本院2018年3-8月臨床疑診冠心病患者50例，其中男21例，女29例，年齡33 76歲，平均(58.3±8.9)歲，平均BMI為(23.9±2.9) kg/m2(表1)。納入標準：患者均為自由心率，心律變異相≤5次/分；排除標準：嚴重心律不齊，檢查時不能配合者，碘劑過敏患者。

表1 AI與醫生對患者冠心病總體診斷結果的比較

注：χ2值=0.091，P=0.763。

2.檢查方法

向患者介紹及解釋冠狀動脈CTA檢查的過程，緩解患者壓力，詢問碘過敏史，并行對比劑過敏皮試，研究對象右側肘前靜脈預埋18號留置針，預推10～20 mL生理鹽水保證置管通暢。讓患者平臥于雙源CT(Somatom Definition,Germany,Siemens)檢查床，留置針接通雙筒高壓注射器(MALLINCKRODT，USA)，再次預推10～20 mL生理鹽水保證通暢，并告知研究對象推藥過程中一過性發熱等情況，對其進行嚴格的屏氣呼吸訓練，患者雙側鎖骨上及肋弓下粘貼電極，正確連接到心電監護儀檢測心率，觀察到穩定的心電圖后，定位，準備開始掃描。先行定位相掃描確定掃描范圍(氣管隆突下至心臟膈面)，再行增強掃描，選用非離子型對比劑碘(370 mg I/mL，Bayer Schering Pharma，Germany)60～70 mL，生理鹽水30 mL，流率5.0～5.5 mL/s；選用對比劑示蹤法選擇主動脈根部感興趣區(ROI)監測CT值(觸發掃描CT值設為100 HU)，延遲8 s，采用回顧性心電門控法進行掃描，掃描參數：管電壓100 kV，管電流280 mAs，層厚0.75 cm，總掃描時間約4.0 s。

3.圖像處理和分析

對最佳收縮期、舒張期獲取的圖像結果與數據，上傳至Sigovia工作站，借助冠狀動脈分析軟件對圖像進行處理，包括最大密度投影、曲面重建和容積再現，以顯示冠狀動脈各節段，分析有無斑塊及狹窄，由冠心病智能輔助診斷工作站(已經過>2000例高質量CCTA的數據訓練學習)從Sigovia工作站中調取圖像信息，自動識別CCTA圖像中的血管和病變生成報告，根據標準投照角度自動排版出片(圖1)。參照美國心臟病協會關于冠心病分段法標準判斷右冠狀動脈(RCA)、左前降支(LAD)和回旋支(LCX)是否存在狹窄、狹窄部位、狹窄程度以及斑塊性質(鈣化斑塊、非鈣化斑塊和混合斑塊)。管腔狹窄的計算參照Austen等[4]的研究，以鄰近狹窄處正常冠狀動脈內徑為參照。狹窄程度的判斷分級按照CAD-RADS的參考[5]分無狹窄、輕微狹窄(0%～25%)、輕度狹窄(25%～50%)、中度狹窄(50%～75%)、重度狹窄(>75%)和閉塞。所有圖像由1名>5年CCTA工作經驗的主治醫師來分析評價，并由1名>10年CCTA工作經驗的副主任醫師進行分析審核。

4.統計學分析

結 果

1.AI冠脈圖像后處理和冠心病診斷的評價

基于AI的CCTA的圖像能清晰的顯示患者冠脈主干及主要分支血管，高年資醫生平均后處理時間約6 min，AI后處理圖像所需時間平均約10 s(圖2、3)。在冠心病的診斷中，與常規高年資醫生相比，AI對冠心病診斷的陽性預測值為80%(24/30)，陰性預測值為70%(14/20)，敏感度為80%(24/30)，特異度為70%(14/20)。兩者對冠心病總體診斷的差異無統計學意義(表2)。

圖1 冠心病智能輔助診斷工作站CCTA后處理流程圖

圖2 Sigovia工作站冠脈軟件后處理圖。a) 冠脈VR圖；b) LAD。 圖3 相同患者AI自動識別和分割后處理圖。a) 冠脈VR圖；b) LAD。

AIRCA醫生病變無病變總計LAD醫生病變無病變總計LCX醫生病變無病變總計病變9730185237613無病變430206212723537總計3020-2426-941χ2值0.4370.040.932P0.5090.8410.334

2.AI冠脈病變定位的評價

在冠脈病變定位的診斷中，與高年資醫生相比，AI對冠脈病變定位的識別總體陽性預測值，陰性預測值，敏感度和特異度分別為65.38%(34/52)，87.76%(86/98)，73.91%(34/46)，82.69%(86/104)。AI對冠脈病變3大支中病變定位的識別敏感度和特異度分別為69.23%(9/13)和81.08%(30/37)；75%(18/24)和80.77%(21/26)；77.78%(7/9)和85.37%(35/41)。兩者對冠心病患者冠脈定位診斷的差異無統計學意義(表2)。

3.AI冠脈斑塊性質的評價

對于冠脈病變斑塊性質的診斷，相比高年資醫生，AI對冠脈病變斑塊性質的識別總體陽性預測值，陰性預測值，敏感度和特異度分別為56.82%(25/44)，80.19%(85/106)，54.35%(25/46)，81.73%(85/104)。

4. AI冠脈管腔狹窄程度的評價

在冠脈病變管腔狹窄程度的診斷中， AI和高年資醫生對冠脈狹窄的總檢出率分別為30.67%、32%；二者對3大支(RCA、LAD、LCX)的檢出率分別為26%，48%，18%；30%，44%，22%，兩者間差異均無統計學意義(表3)。與高年資醫生相比，AI對冠脈病變管腔狹窄程度識別的總體陽性預測值，陰性預測值，敏感度和特異度分別為58.33%(28/48)，82.35%(84/102)，60.87%(28/46)和80.77%(84/104)。

表3 AI與醫生對各冠脈狹窄檢出率

討 論

心血管疾病是近年來威脅大眾生命健康的主要疾病之一，在中老年人群中發病率極高，目前有年輕化的趨勢，由于冠心病的發病原因主要表現為冠狀動脈的狹窄，所以及早的發現狹窄，精準的定位，以及對斑塊性質的準確判斷是臨床醫師為患者給予針對性治療的前提。雙源CCTA圖像的真實性較高，不斷可以清晰地反應冠脈血管數量和分段解剖結構，而且能提供較清晰的血管和組織的對比度，診斷精確性較高[6]。

隨著醫療影像數據的不斷增長、計算機硬件計算能力的提高、神經網絡算法的進一步革新以及影像工作量的劇增驅動了人工智能在影像診斷領域的應用。目前，基于深度學習的AI的醫學影像的研究應用呈不斷增長趨勢，涉及X線、CT、MRI、超聲、PET和病理等多種醫療影像，AI輔助診斷所涉及的疾病種類也逐漸擴大[7-12]。AI在冠心病影像領域的研究也逐漸增多[10-12]。Arsanjani等[10]通過研究機器學習方法從SPECT心肌灌注圖像中提取特征，對疑似冠心病患者的血運重建進行預測，其敏感度和特異度分別為73.6%和74.7%。Motwani等[11]通過機器學習方法預測疑似冠心病5年全因死亡情況的準確性明顯高于臨床或者單獨CCTA預測指標。一項超聲影像的多中心臨床研究表明超聲心動圖圖像的全自動分析能快速和重復的評估左心室射血分數和縱向應變[12]。

我國在冠心病識別模型、多參數智能診斷的研究較早[13-15]，近年來基于機器學習的神經網絡的算法和硬件支持的快速發展，使得智能診斷進一步興起。本研究的方法是基于卷積神經網絡，與其他圖像分類算法相比的主要優點是使用非常少的預處理[16]。在圖像分割中使用的是基于區域配準的算法，通常在肺結節和腫瘤領域應用的是基于特征配準的方法，需要檢測匹配不同特征，如邊緣、點、曲面等，由于冠狀動脈的連續性，需要識別連續區域，因此應用了基于區域配準的算法[16]。本研究經過AI自動識別50例CCTA圖像并得到后處理的圖像，能較好的顯示冠脈主干及各分支血管，并能較準確的顯示病變部位，而且能明顯減少醫生后處理時間。本研究表明基于AI的CCTA診斷冠心病的敏感度為80%，特異度為70%。Kang等[17]基于深度學習的算法，在CCTA圖像上診斷冠心病患者冠脈阻塞性病變和非阻塞性病變的敏感性和特異性分別為93%，95%。我們的研究與Kang的差別的原因可能是本研究的AI訓練程度還不夠高。Takx等[18]的研究表明與標準方法相比，應用基于機器學習的監督分類自動評估鈣化積分有較好的可靠性和一致性。AI與醫生對各冠脈狹窄檢出率的差別，分析可能原因是AI深度學習的數據來自多家醫院的多個醫師處理的數據，而我們挑選的醫師與AI學習的數據庫仍有不同，后期需要進一步增大AI學習數據庫，并進行多中心的不同醫師的驗證。目前基于AI的冠心病的研究已從結構評價向功能及預后評估的研究發展[19,20]，并且已經取得了一定效果。本研究后續的基于AI的心功能分析，冠脈血流儲備分數(FFR)分析，管腔內密度衰減梯度(TAG)以及校正的管腔內對比度衰減梯度(CCO)分析正在進一步研究中，隨著訓練集不斷擴大，學習病例質量的不斷提高，以及多中心的開展，相信基于AI的CCTA冠心病結構和功能的診斷效能會得到進一步提升。

本研究顯示AI診斷冠心病的敏感度和特異度低于報道的AI肺結節篩查及腫瘤診斷價值，其一可能由于AI訓練集的數據來自多個中心的不同設備的數據。本研究結果的驗證集主要來自我院50個患者的數據，訓練和驗證的數據量還不夠大；其次，多中心的數據學習，單中心的驗證也會產生一定的偏差。

本研究樣本量尚較小，尚需要進一步進行前瞻性、大樣本量、多中心的隨機對照臨床研究，對此系統進行更深入的系統驗證和優化，以評估其臨床應用價值。