人工智能技術應用于冠狀動脈CTA圖像后處理的可行性

張曉浩， 劉軍波， 范麗娟

隨著影像技術的不斷發展，冠狀動脈CT血管成像(coronary computed tomography angiography，CCTA)已成為臨床排除疑似冠心病(coronary artery disease，CAD)的首選無創性檢查方法，在臨床逐步被廣泛應用[1]。然而，CCTA的技術原理復雜且圖像數據龐大，影像醫師在后處理工作站用于重建和判讀圖像的時間呈幾何倍數增長[2-3]，使得影像科醫師在日常工作中常常處于疲憊和精力下降的狀態，不但降低了工作效率，也增加了漏診風險。因此，尋找能夠緩解工作壓力并能協助影像醫師高效、準確完成影像診斷工作的方法顯得尤為必要。近年來，AI技術逐步應用于醫療行業，借助大數據平臺以及深度學習、計算機視覺等關鍵技術的突破，為患者帶來更為精準、快速的診療服務[4-6]。其中，以冠脈AI系統的研發為代表的AI技術在心血管影像領域得到了快速發展，強大的AI輔助診斷功能為緩解影像醫師工作強度和提高工作效率發揮了積極作用[7-9]。目前，AI技術的應用越來越廣泛，但將AI技術應用于CCTA后處理過程中的相關研究還相對較少。本研究通過與人工后處理各度量指標進行比較，旨在評價人工智能技術應用于CCTA后處理過程中的可行性。

材料與方法

1.一般資料

回顧性選取本院2020年4-6月接受冠脈CTA檢查的121例患者，排除因冠脈異位開口、搭橋術后以及圖像質量較差而無法滿足診斷要求的14例患者，最終將符合要求的107例患者納入本研究。其中，男52例，女55例；年齡24～86歲，平均(57.3±11.3)歲；心率46～101次/分，平均(70.2±10.5)次/分。所有患者簽署了知情同意書。

2.檢查方法

使用GE Revolution 256 CT機行CCTA掃描。無硝酸甘油禁忌證者在掃描前3 min舌下含服硝酸甘油0.5～1.0 mg，囑咐患者去除胸前金屬異物，做好性腺防護并進行吸氣屏氣訓練。取仰臥位，雙手舉過頭頂，掃描范圍自氣管分叉下方1 cm至心臟膈面水平，于深吸氣末屏氣狀態下進行掃描。掃描參數：自動毫安技術，參考電流量200～500 mA，智能管電壓輔助技術，探測器寬度140或160 mm，層厚0.625 mm，轉速0.28 s/r，圖像噪聲指數22，50%自適應統計迭代重建[10]。于患者右側肘中靜脈埋置20G套管針，采用雙筒高壓注射器。對比劑采用碘佛醇(350 mg I/mL)，用量60～70 mL，注射流率5.0～6.0 mL/s，隨后以相同流率注射生理鹽水30 mL。采用對比劑智能追蹤觸發技術，監測點位于升主動脈管腔內，觸發閾值為60 HU，達閾值后延遲7 s觸發掃描。為保證冠脈圖像質量，所有圖像均采用冠脈運動凍結技術(snap shot freez，SSF)進行重建，獲取冠脈成像的最佳期相[11]。

3.圖像后處理方法

將采用SSF重建的冠脈最佳期相圖像數據分別傳輸至GE AW4.6工作站和數坤Coronary Doc冠脈輔助診斷軟件。前者主要由影像科醫師(人工組)來完成圖像后處理工作，包括采用容積再現(VR)、最大密度投影(MIP)、多平面重組(MPR)及曲面重組(CPR)等方法進行圖像重建，測量和評估冠脈血管狹窄程度并出具診斷報告；后者則由AI軟件(AI組)基于深度學習及圖像識別等技術，對數據采用征象認知、標示、分割和量化等方法，自動重建VR及CPR圖像、標示血管名稱、判斷血管狹窄程度、定性和定量分析斑塊特征并出示診斷報告。

4.評價指標

工作效率評價：記錄人工和AI軟件重建VR圖像及分析冠脈血管狹窄程度所用時間。在單位時間和人員條件下采用平均時間增益率來反映AI軟件對工作效率的提升，平均時間增益率=兩組重建時間均值的差值/兩組重建時間均值中的高值×100%[12]。

VR圖像質量評價：VR圖像質量的評估由兩位資深影像科醫師采用單盲法來完成，意見有分歧時重新評價，通過協商取得統一意見。將VR圖像質量分為優、良、差三個級別。優：心臟三維解剖結構顯示清晰，無雜質和靜脈污染，冠脈各主支血管及分支連續走行、無遮擋；良：除不合格圖像之外，有一項不滿足于優質圖像者；差：冠脈血管有缺如或誤添加多余血管，視為不合格圖像。記錄各種不良因素導致缺陷圖像的例數，比較兩組圖像之間的缺陷率。

參照心血管計算機斷層掃描協會(SCCT)指南中提出的冠脈血管18分段法[13]，統計兩組VR圖像上冠脈血管顯示的分段數，并觀察AI標示冠脈血管的準確性。

血管狹窄程度評價：測量右冠狀動脈(right coronary artery,RCA)、左前降支(left anterior descending coronary artery,LAD)和左回旋支(the left circumflex,LCX)近、中段血管最狹窄處的狹窄程度，以人工診斷結果為“金標準”，評價AI診斷冠脈血管狹窄程度的準確性。將冠脈狹窄程度分為6級：0級為無明顯狹窄；1級為輕微狹窄，狹窄率為1%～24%；2級為輕度狹窄，狹窄率為25%～49%；3級為中度狹窄，狹窄率為50%～69%；4級為重度狹窄，狹窄率為70%～99%；5級為血管閉塞，即血管狹窄率為100%[14]。

5.統計學分析

使用SPSS 21.0軟件對數據進行統計學分析。對于符合正態分布的后處理時間以均數±標準差表示。采用率和頻數描述定性和等級資料，并采用非參數χ2檢驗。兩位醫師對圖像質量主觀評分的一致性采用Cohen Kappa檢驗，Kappa值>0.81為一致性優，0.61～0.80為良好，0.41～0.60為中等，0.21～0.40為一般，<0.20為一致性差。采用雙側檢驗，α=0.05。

結 果

AI組和人工組中完成1例患者CCTA圖像后處理的平均時間分別為(333.64±19.32)和(642.62±90.90)s，AI組節省約309s，平均時間增益率為48.13%，表明AI軟件的工作效率更高。

人工組和AI組圖像質量評級和圖像質量缺陷因素的比較結果見表1。

表1 兩組VR圖像質量的主觀評價結果 /例

兩組VR圖像均可直觀地顯示冠脈血管走行及解剖病變(圖1～2)，其中，AI組圖像質量優良率和不合格率分別為97.20%(104/107)和2.80%(3/107)，人工組分別為99.07%(106/107)和0，兩組VR圖像質量評級間的差異無統計學意義(P>0.05)。兩組VR圖像質量主觀評級的一致性較好(Kappa值=0.86)。

圖1 AI軟件后處理得到的VR圖像。 a)圖像質量優，心臟三維解剖結構顯示清晰，心臟表面無雜質及靜脈污染，冠脈各分支血管走行連續、無遮擋，軟件標示的各分支血管名稱準確；b)圖像質量良，左心室心耳處有雜質存留(箭)；c)圖像質量差，LAD中遠段血管缺如(紅箭)，AI軟件未能追蹤到，導致對LAD的標示錯誤(黑箭)，實際應為第二對角支。 圖2 LAD心肌橋患者的AI重建圖像。a)VR圖像示LAD中段血管被心肌所覆蓋(箭)；b)CPR圖像示LAD中段血管走行于淺層心肌纖維下(箭)；c)CPR血管管腔(lumen)拉直圖像，示LAD中段血管走行于淺層心肌纖維下(箭)。 圖3 LAD血管狹窄患者的CPR圖像。a)人工法重建圖像，診斷為LAD近段管壁非鈣化斑塊形成、局部血管重度狹窄(箭)；b)人工法血管拉直圖像，診斷為LAD近段管壁非鈣化斑塊形成，局部血管重度狹窄(箭)；c)AI軟件重建圖像，診斷為LAD近中段血管重度狹窄(箭)；d)AI軟件重建的血管拉直圖像，診斷為LAD近中段血管重度狹窄(箭)。

AI組和人工組中對18段冠脈血管的顯示及標示情況的比較見表2。AI系統顯示的冠脈血管段數(1065)與人工法(1067)比較，差異無統計學意義(P>0.05)。AI系統對冠脈血管節段的總體命名符合率為96.88%(1555/1605)；有6支冠脈節段的命名與人工法之間的差異有統計學意義(P<0.05)，分別為第二對角支、第一鈍緣支、左回旋支中遠段、第二鈍緣支、右室后支和中間支。

表2 兩組VR圖像上冠脈各節段的顯示和標示情況的比較

兩組中對3支主要冠脈分支管腔狹窄程度的分級及組間比較結果見表3～5。AI系統對 RCA和LCX近中段輕度狹窄(2級)的診斷結果與人工方法之間的差異有統計學意義(P<0.05)，對LAD近中段血管無明顯狹窄(0級)和輕度狹窄(2級)的診斷結果與人工存在統計學差異(P<0.05)，余冠脈血管近中段不同狹窄程度(圖3)診斷差異無統計學(P>0.05)。

表4 兩組中對LAD 近中段狹窄程度分級的比較 /例

表5 兩組中對LCX近中段狹窄程度分級的比較 /例

討 論

人工智能作為計算機科學延伸的一門新興技術，應用領域不斷擴大，特別是在醫學影像大數據時代，AI和影像技術的共同發展促進了人工智能在心血管影像中的應用[3]。

本院自引進數坤Coronary Doc冠脈輔助診斷軟件以來完成了大量CCTA后處理工作。在實際應用過程當中，筆者發現并不是所有CCTA后處理都能輔以AI技術。Suzuki等[15]研究表明，當AI輔助診斷軟件遇到小樣本或多樣變量結果而又缺乏足夠數據訓練時，機器學習算法將受到限制，諸如冠脈起源異常、搭橋術后以及圖像受心率或呼吸運動影響有明顯錯層的患者，其血管走形表現多樣，給機器解讀帶來了一定困難，難以直接應用于AI技術。在此次研究中排除了14例這樣的患者11.57%(14/121)。由此可知，當這類患者行CCTA檢查時可作為篩選對象不參與AI后重建技術，以避免浪費和占用資源。

由于AI輔助診斷軟件在進行后處理時會刪除一些CCTA重建步驟從而減少整體用時[16]。此次研究發現，AI后處理用時比人工可節約近50%，在提高工作效率方面凸顯優勢。另外，AI輔助診斷軟件對VR圖像著色和渲染有著不俗表現，視覺感觀強于人工組，尤其是在顯示局部解剖結構形態上有很好的反饋,例如心肌橋(Myocardial bridge，MB)患者,從VR圖像上可直接觀察壁冠狀動脈與心肌橋之間的空間關系[17]。然而，AI在處理VR圖像時存在部分冠脈血管缺如2.80%(3/107)以及雜質、靜脈污染11.21% (12/107)等現象，這些原因可能來自二個方面，一是患者本身因素也就是非掃描因素，例如患者心律不齊、心率過快、體重過大等特征；二是掃描參數相關因素，包括曝光劑量、重建算法等。從AI軟件功能來看，當機器學習在初級階段獲取諸如以上兩種原因造成的非優質數據沒得到足夠的訓練或訓練不及格時，那么代表模型在訓練集上找到的特征不具有代表性就會產生分割遺漏和噪聲，出現過擬合或者欠擬合[18]，表現在VR圖像上就會出現雜質遺留、靜脈污染、冠脈血管誤添加或缺如等現象。

另外，AI重建VR圖像可對每支冠脈血管作以明確標示，值得注意的是，AI對冠脈血管的標示僅做參考而非唯一途徑作為，原因是AI在標示血管準確率上存在一定誤差3.12%(50/1605)，其中有部分冠脈血管節段標示命名存在統計學差異，分別為D2、OM1、LCX中遠段、OM2、R-PLB、RI。經觀察這些錯標血管絕大多數分布在血管分叉處或血管密集處，說明AI在這些區域正確識別血管的能力存在一定薄弱環節。

本研究發現，AI判讀冠脈血管狹窄程度≥50%(評分3～5)，即診斷符合冠心病的血管狹窄與人工比較無統計學差異，這與Kang等[19]研究結果是一致的，說明AI評價疑似冠心病患者與診斷醫師具有較好的一致性。但一例LAD閉塞性病變，AI存在誤診，因本研究閉塞性病變樣本例數較少，AI在血管閉塞的診斷上仍需要大樣本繼續研究。AI在判讀RCA、LCX近中段血管輕度狹窄(2分)以及LAD近中段沒有明顯狹窄(0分)和輕度狹窄(2分)與人工結果存在統計學差異，這其中不排除與醫師的診斷習慣及水平加上目測評估對結果產生影響有關。另外，斑塊性質和形態也會影響血管狹窄程度的判斷。有文獻報道，血管狹窄程度與斑塊性質存在一定關聯[20]。張宏彬等[21]研究發現，在混合斑塊、非鈣化斑塊中，其重度狹窄的判斷準確性明顯高于輕度狹窄的判斷。此外，受部分血管充盈不良、錯層偽影等原因造成圖像質量不佳也會影響AI判讀冠脈血管狹窄程度準確性。由此說明，AI能否安全有效的應用離不開優質數據集的支撐和質量控制的介入。總體來說，醫生在評估冠脈血管狹窄程度時結合AI輔助診斷結果具有較好的參考價值，但是在最終判讀結果上還需通過人工校準才能實現醫生+AI>1+1=2的診斷效能[22-23]。

存在的不足：隨著機器學習能力的提高，沒有對結果的時效性受到軟件更新升級速度的影響加以考慮。另外，結果只針對數坤Coronary Doc冠脈輔助診斷軟件，因不同軟件結構模型以及訓練量和樣本的組合方案不同其魯棒穩定性也各有差異，因此，結果是否適用于其它軟件尚未明確。其次，在此次研究中僅針對RCA、LAD、LCX近中段血管最狹窄處進行了評價，其它分支以及中遠段血管沒有進行更全面的分析包括對冠脈血管鈣化斑塊也缺乏有效的評估和闡述。除此之外，由于醫師目測加上個體差異會對血管狹窄處的判斷產生誤差，評價AI判讀冠脈血管狹窄程度僅以人工分析作為對照沒有結合金標準DSA的診斷效能做進一步評價，都是此次研究中的不足。

綜上所述，隨著CCTA檢查量不斷提升，在人力資源有限的條件下，采用人工智能技術行冠狀動脈CT血管成像后處理不僅能提高工作效率還能為影像醫師評估冠脈血管狹窄程度提供輔助診斷作用。