基于CCTA的冠狀動脈粥樣硬化性心臟病人工智能研究進展

張文釗，余建群

四川大學華西醫院 放射科，四川 成都 610041

引言

冠狀動脈粥樣硬化性心臟病是指冠狀動脈發生粥樣硬化斑塊，導致冠狀動脈不同程度狹窄，甚至管腔閉塞，導致心肌缺血或壞死的心臟病。作為心臟猝死的常見原因，長期位居我國居民疾病死亡構成的首位[1]。傳統認為，冠狀動脈粥樣硬化性心臟病是由脂肪代謝異常導致冠狀動脈壁損傷斑塊形成，從而造成管腔狹窄。冠狀動脈CT血管成 像（Coronary Computed Tomography Angiography，CCTA）可評價冠狀動脈壁的斑塊及其對管腔的影響。近來研究發現心包脂肪、冠狀動脈周圍脂肪的分布與冠狀動脈粥樣硬化有關[2]，經DSA獲得的血流儲備分數（Fractional Flow Reserve，FFR）[3-4]來評價心肌灌注情況是冠狀動脈粥樣硬化性心臟病診斷的金標準，經CT成像后模擬所獲得的冠狀動脈FFR也具有較高的準確性。近來研究認為，將人工智能（artificial Intelligence，AI）深度學習應用于冠狀動脈粥樣硬化性心臟病，使得冠狀動脈粥樣硬化性心臟病的評價多、快、好、省，有利于減少影像學診斷的誤差，為臨床處理提供準確信息。本文旨在闡述近年來AI深度學習功能基于CCTA在冠狀動脈粥樣硬化性心臟病的研究及應用進展。

1 冠狀動脈粥樣硬化性心臟病傳統影像學檢查

1.1 傳統影像學檢查

冠狀動脈造影（Invasive Coronary Angiography，ICA）是冠狀動脈粥樣硬化性心臟病診斷的金標準。由于ICA的有創性和一定的并發癥，一般是用于冠狀動脈疾病治療前，不作為常規的篩查手段。CCTA是目前最廣泛應用于診斷冠狀動脈疾病的非侵入性手段[5-6]。在英國胸痛管理的臨床指南中，CCTA被推薦作為一線診斷檢查[7]。

1.2 傳統影像學檢查的不足

現階段傳統的冠狀動脈粥樣硬化性心臟病影像學相關檢查，主要都是側重于臨床解剖學的相關鑒別[5-6]。但有研究表示冠狀動脈粥樣硬化性心臟病的臨床診斷與影像征象間具有較大差異[8]，而目前尚無有效的無創檢測方法可用于檢測冠狀動脈腔狹窄或應激引起的心肌缺血的鑒別及診斷[9-10]。這使得想僅憑臨床癥狀和影像征象來診斷冠狀動脈粥樣硬化性心臟病的發生變得十分困難。造成這種現狀的主要原因在于目前影像醫生對于影像圖像的定量方式僅局限于病灶長軸的一維測量及病灶體積的二維測量，導致大量影像圖像中人眼難以辨別的信息無法得到合理利用并在疾病診斷中發揮出其潛在價值。在目前的影像診斷模式中，對于醫生個人經驗的高度依賴使得影像診斷結果帶有明顯主觀性，這種情況所導致的結果，即是同樣的影像資料在不同層級醫院、不同醫生，甚至于同一醫生在不同時間的診斷結果都可能截然不同。而在當前的分級診療制度中，基層醫院醫生急需更多可供參考的定量化信息以助其在診療過程減少漏診、誤診。

2 AI深度學習與冠狀動脈粥樣硬化性心臟病

2.1 AI深度學習

AI是一種旨在模仿人類思維和學習能力的計算機分支學科[11]。近年來，AI在醫療領域有著廣泛的應用[12-14]，其中醫學影像是AI較早開始涉獵并已取得較廣泛應用的領域之一[15]，主要包括影像組學[16]、機器學習及深度學習。

冠狀動脈粥樣硬化性心臟病作為一種常見的具有高風險的心臟疾病，近年來國內外涉及AI在冠狀動脈粥樣硬化性心臟病的相關影像診斷學領域當中的研究也在逐步增多[17-19]，這些研究主要利用的都是AI深度學習功能。AI深度學習是以機器學習為基礎的一種延伸，其原理是通過模擬人類腦的神經網絡系統，將多種不同層次的機器學習模型建立為更加抽象的高層屬性類別或特點，AI深度學習模型主要包括卷積神經網絡、生成式對抗網絡、卷積網絡、膠囊網絡及循環神經網絡等[20]。通過AI深度學習可以發現影像圖像的潛在特點及更多的數據、內容[20]，以彌補傳統影像學檢查在冠狀動脈粥樣硬化性心臟病診斷中的不足。

2.2 AI深度學習與冠狀動脈鈣化量評價

冠狀動脈鈣化量（Coronary Artery Calcifification，CAC）是冠狀動脈粥樣硬化性心臟病診療中的一種獨立危險因素，目前國內外有不少學者將AI運用于CAC的定量檢測。Wolterink等[21]通過AI深度學習的自動定量模式識別方法，通過該模型監督學習可在CCTA圖像中精準地自動識別CAC并將其量化。Shadmi等[22]則通過一種基于全卷積深層神經網絡的自動分割法，在平掃CT中即可對CAC進行測量，而其算法得出的結果與專家診斷結果具有高度一致性。Datong等[23]將AI深度學習應用于復雜背景下CAC的分析，該模型算法準確率達到了77.1%。通過AI深度學習功能分析CAC，可明顯縮減影像醫生閱片時間，且避免了不同醫生間的診斷結果差異。

2.3 AI深度學習與冠狀動脈斑塊評價

在冠狀動脈粥樣硬化性心臟病中冠脈斑塊性質是一個重要影響因素，如鈣化斑塊、軟斑塊、混合斑塊等，特別是易損斑塊的鑒別更尤為重要，因為易損斑塊是導致急性冠脈綜合征的最常見因素。Gessert等[24]通過AI深度學習采集3位專家診斷結果形成訓練集的方式，基于該模型可直接在CCTA圖像中實現冠脈斑塊的分類，其準確度、靈敏度、特異度也極為可觀，分別為91.7%、90.9%、92.4%。Kolossváry等[25]則利用AI深度學習實現了在冠脈斑塊中識別“餐巾環征”這一危險因素。隨著AI技術的精進，冠脈斑塊定性可更為準確，這對患者的治療及預后均有重要幫助。

2.4 AI深度學習與冠狀動脈狹窄評價

冠脈狹窄程度的判斷在冠狀動脈粥樣硬化性心臟病的診療中尤為重要，其直接影響了臨床的診療方式的選擇，Zreik等[26]通過基于多尺度卷積神經網絡AI深度學習對靜息狀態下左心室肌CTA圖像進行分析，實現了無創性判斷患者是否存在功能性冠脈管腔狹窄。而黃增發等[27]利用AI深度學習輔助診斷系統對疑似冠狀動脈粥樣硬化性心臟病患者進行冠脈狹窄程度識別，以評價AI的應用價值，其結果的敏感度和特異度也分別達到了60.87%、80.77%。基于AI深度學習對冠狀動脈管腔狹窄程度的判斷，可明顯減少患者接受有創檢查的次數。

2.5 AI深度學習與冠狀動脈周圍脂肪評價

正常的心外膜脂肪延心肌和內臟心包之間走向，而冠狀動脈周圍脂肪（Pericoronary Adipose Tissue，PCAT）屬于一種心外膜脂肪，其主要分布于冠狀動脈三大主要分支血管外膜周圍。PCAT是一種已被證實的冠狀動脈粥樣硬化性心臟病重要影響因素[28]，通過對PCAT的分析，對于冠狀動脈粥樣硬化性心臟病的臨床診斷及危險分層都具有一定的臨床意義[29]。但由于PCAT的測量受觀察層面選擇及投射方位選擇影響很大，不同觀測者對于同一樣本的脂肪測量常存在明顯的差異，故導致PCAT的測量在冠狀動脈粥樣硬化性心臟病患者的診療過程中未得到廣泛的應用。Commandeur等[30]利用AI實現了全自動化地對心外膜脂肪組織及胸部脂肪組織進行分割并量化，其結果也與專家手動勾畫結果接近，且耗時更短，可重復性更強。該方法也證實了利用AI對PCAT快速量化的可行性，并有望在未來臨床治療中納入PCAT這一危險因素，以改善患者的風險分層。

3 AI與冠狀動脈血流儲備分數評價

3.1 冠狀動脈血流儲備分數

傳統的影像學檢查方式難以在無創條件下有效、客觀地分析和判斷冠狀動脈血流動力學相關的改變。且有研究證實冠狀動脈在基于傳統影像學的診斷與功能學上的檢查結果差異高達50%[8]。近年來有眾多學者發現冠狀動脈血流儲備分數（Fractional Flow Reserve，FFR）可作為一種對冠脈生理學功能做出評價的“金標準”[4]。但傳統測定FFR的方法是在心臟介入手術過程中對目標血管置入壓力導絲，從而測得目標血管的FFR值，這是一種有創性、價格較為高昂、手術耗時長且有一定手術風險的檢查方式，并且輻射劑量也較高，同時在檢查過程中使用的腺苷也可能會引起一定的副作用，故在臨床普及具有難度[3]。

3.2 基于AI的冠狀動脈無創血流儲備分數

冠狀動脈無創血流儲備分數（Noninvasive Fractional Flow Reserve Derived From Coronary CT Angiography，FFRCT）是一種基于AI深度學習的無創檢查方式，即是通過AI深度學習分析CCTA影像從而得到FFRCT，其原理是通過CCTA三維模型中的流體力學計算，模擬出冠狀動脈血流動力學特點進而得出FFR值[31]。這種基于AI深度學習的模擬，可以得到目標血管節段的血流速度、壓力等諸多信息。FFRCT的檢查過程大致可分為：① 對患者的CCTA影像進行三維重建；② 對目標血管的邊界及出入口進行勾勒；③ 將目標冠脈的流體控制方程帶入計算機進行運算；④ 重建出三維云圖，從而可得出冠狀動脈中任意點以及任意節段的FFR值[32]。

3.3 FFRCT的臨床有效性及應用價值

目前，全球有多個研究中心在進行判斷無創 FFRCT的臨床有效性相關研究。據鹿特丹伊拉斯姆斯大學及HeartFlow中心的研究結果顯示，與單純CCTA在識別狹窄處血流動力學特征的結果僅40%的特異度相比較而言，FFRCT的特異度達到了可觀的82%；而在診斷準確度方面，FFRCT較單純CCTA僅59%的準確度提高了近15%，達到了84%，并且在診斷的假陽性率方面也降低了約70%[33]。由此可以看出，對于判斷狹窄病變是否會造成缺血相關改變，FFRCT比單純的CCTA具有更高的臨床診斷及應用價值[34-35]。

而Min等[36]也評價了運動偽影、對比度、信噪比、鈣化等影像質量因素對FFRCT診斷準確率的干擾，當患者影像圖像質量較差時，與單純CCTA僅64.6%的準確度相比而言，FFRCT的準確度也能達到87.5%；而當患者被檢時出現心率較高的情況，與單純CCTA僅52.9%的準確度相比，FFRCT的準確度甚至達到了100.0%；而在不同信噪比、患者的運動偽影干擾、以及圖像低對比度時，單純的CCTA與FFRCT的準確度分別為66.7%、57.1%、71.4%和84.4%、95.0%、100.0%。同時，Min等[36]的研究也表明FFRCT對于鈣化所導致圖像質量降低同樣具有較高的容錯能力。王彤寧等[37]、劉春雨等[38]國內的學者們對FFRCT在冠狀動脈臨界狹窄病變缺血方面診斷能力的敏感性、準確度及鈣化對FFRCT所造成的影響等方面做了相應的研究，均得到了良好的反饋。Yu等[39]通過回顧性分析了在2周內接受了CCTA和FFR測量的穩定型心絞痛患者，發現血管管腔狹窄程度+斑塊總面積+FFR的參數組合，比其他診斷血液動力學改變的病變的單個參數具有更高的敏感性。

4 總結

當前，AI深度學習的應用僅處于剛起步的階段，依然面臨著諸多的挑戰，諸如數據量小、平臺不穩定及數據鏈的斷裂等。但其在輔助影像診斷的應用，彌補傳統影像檢查不足方面仍具備著良好的前景。通過AI深度學習可將抽象的影像圖像轉化為更為直觀的數據，通過對這些數據的分析和比較，可為影像診斷醫師提供更為直觀和定量的信息，對影像科醫師的診斷工作起到輔助作用，從而減少漏診、誤診的發生。同時，基于大數據和計算機算法模型的運作系統，也使得影像科醫師的工作更加高效。AI深度學習是當下的研究熱點，它的發展受到了國內外眾多學者的關注及大力支持。而AI深度學習在冠狀動脈粥樣硬化性心臟病影像學診斷領域的相關應用，對減少冠狀動脈粥樣硬化性心臟病發病率、死亡率及改善預后都起到良好作用，具有重大意義。