人工智能在冠脈影像診斷中的應用

彭坤

(河南鄭州聯勤保障部隊第九八八中心醫院，河南 鄭州 450000)

0 引言

冠狀動脈疾病是較為常見的心血管疾病，尤其是冠心病在中老年群體中具有很高的發病率，對于患者的身體健康產生嚴重影響。近年來冠心病的發病率顯著上升，冠心病導致的死亡率處于較高水平[1]。隨著信息技術和智能化設備的研發和應用，人工智能在醫學診斷中能夠發揮其功用。在冠脈影像診斷中使用人工智能可以在保證診斷效果的同時，顯著縮短影像分析診斷時間。此研究于醫院心內科選取2019年1月至2019年10月收治的60例疑似冠心病患者作為研究對象，入組患者均接受常規冠狀動脈CT血管成像掃描檢查，檢查結果分別由高年資醫生和人工智能進行分析診斷，對比兩種診斷方式的效果，明確人工智能診斷的應用價值，報告如下。

1 資料與方法

1.1 一般資料

此研究于醫院心內科選取2019年1月至2019年10月收治的60例疑似冠心病患者作為研究對象，其中男24例，女36例，年齡34~75歲，平均(57.34±4.12)歲，患者的平均BMI值是(24.02±2.92)kg/m2。入組患者皆為自由心率，心律變異相不超過5次/min；排除碘過敏患者、嚴重心律不齊患者、無法配合檢查患者，以及病例資料不完整的患者。入組患者均簽署院內倫理委員會批準的研究知情同意書。

1.2 檢查方法

入組患者均由專人講解冠狀動脈CT血管成像掃描檢查流程及注意事項，緩解患者的疑慮及緊張情緒，并確定患者無碘過敏史，檢查前實施對比劑過敏皮試；在患者的右側肘前靜脈出預埋留置針(18號)，推注10mL~20mL的生理鹽水，確保留置導管順暢。檢查中患者取平臥位，躺在CT檢查床上，將留置針與雙筒高壓注射器連接，再推注10m~20mL的生理鹽水，確保順暢，同時再次提示患者退藥時可能出現一次性發熱等狀況，指導患者開展屏氣呼吸訓練；在患者的兩側鎖骨及肋弓下處，粘貼電極，將電極準確地與心電監護儀相連接，檢測患者的心率水平，在獲得穩定心電圖之后，定位，掃描。首先定位相掃描，明確需要掃描的范圍，之后實施增強掃描，使用60mL~70mL的非離子型對比劑以及30mL的生理鹽水，流率設定為5.00mL/s~5.50mL/s，通過對比劑示蹤法監測CT值變化，延遲時間為8s，使用回顧性心電門控法掃描，掃描過程中的參數為：100kv管電壓，280mAs管電流，層厚是0.75cm，總的掃描時間是4s左右。

1.3 圖像處理與分析方法

檢查中獲得的影像數據均及時上傳到工作站中，利用冠狀動脈分析軟件進行處理，顯示各個節段，明確是否有狹窄及斑塊，通過深睿醫療冠心病智能輔助診斷工作站調取影像資料，并自動識別血管及病變，形成分析報告，自動排版出片。針對性地分析患者的左前降支(LAD)、右冠狀動脈(RCA)和回旋支(LCX)狹窄、斑塊性質等。影像資料有2名10年以上工作經驗的醫師進行分析審核。

1.4 統計學處理

對于此次研究當中檢測與統計得到的數據，均使用SPSS 19.0統計軟件進行統計分析，計數資料采用(%)表示，用(χ2)進行數據檢測校驗，計量資料用(±s)表示，用(t)進行數據校驗。P<0.05表示差異有統計學意義。

2 結果

2.1 人工智能和醫生對冠心病的總體診斷結果對比

與高年資醫生診斷結果相比，人工智能診斷冠心病的總體結果無明顯差異(P>0.05)，陽性預測值為87.50%(35/40)，陰性預測值為75.00%(15/20)。如表1。人工智能冠狀動脈CT血管成像掃描影像，可以清晰顯示冠脈主干與主要的分支血管，高年資處理圖像的平均時間為6min，人工智能處理時間為10s左右，見表1。

表1 冠心病總體診斷結果對比

2.2 人工智能和醫生對冠脈病變定位診斷結果對比

冠脈病變定位診斷當中，人工智能與醫生對于主要冠脈血管病變的定位診斷結果不存在明顯差異(P>0.05)。人工智能LAD、RCA、LCX病變定位診斷的陽性預測值分別是75.86%(22/29)、68.75%(11/16)和 80.00%(8/10)，陰性預測值分別是 80.65%(25/31)、79.55%(35/44)和 86.00%(43/50)，見表2。

表2 冠脈病變定位診斷結果對比

2.3 人工智能和醫生對冠脈狹窄診斷結果對比

冠脈狹窄診斷中，人工智能對于冠脈狹窄的總檢出率為30.85%，醫生的檢出率為32.40%，兩者不存在明顯差異(P>0.05)。

3 討論

心血管疾病是近些年來威脅人類身體健康的主要疾病之一，并且在飲食習慣和工作環境等因素的影響下，心血管疾病的發病率顯著上升，且出現年輕化趨勢[2]。冠心病是由于冠狀動脈血管狹窄導致的較為常見的心血管疾病，在臨床診斷中，及時發現并精確定位冠脈狹窄，同時判斷斑塊的性質，不僅能夠使患者得到及時診治，還能夠為針對性治療的優化奠定基礎[3]。冠狀動脈CT血管成像掃描檢查具有較高的圖形真實性，能夠清晰地觀察到冠脈血管數量及分支結構，還能夠獲得清晰的血管及組織對比度，診斷準確性較高。

大量的醫學影像數據使得影像分析和診斷工作量顯著增加，更加迅速、準確地分析判斷影像資料，成為醫療行業研究的重要內容。人工智能技術與醫療影像檢查設備的發展，為人工智能應用于冠脈影像診斷中，提供了條件。此次研究中，通過人工智能自動識別患者的冠狀動脈CT血管成像掃描檢查資料，將其診斷結果與資深醫師分析結果進行對比。研究結果表明：與高年資醫生診斷結果相比，人工智能診斷冠心病的總體結果無明顯差異(P>0.05)，陽性預測值為87.50%(35/40)，陰性預測值為75.00%(15/20)。如下表1。人工智能冠狀動脈CT血管成像掃描影像，可以清晰顯示冠脈主干與主要的分支血管，高年資處理圖像的平均時間為6min，人工智能處理時間為10s左右。冠脈病變定位診斷當中，人工智能與醫生對于主要冠脈血管病變的定位診斷結果不存在明顯差異(P>0.05)。人工智能LAD、RCA、LCX病變定位診斷的陽性預測值分別是75.86%(22/29)、68.75%(11/16)和 80.00%(8/10)，陰 性 預 測 值 分 別 是 80.65%(25/31)、79.55%(35/44)和86.00%(43/50)。冠脈狹窄診斷中，人工智能對于冠脈狹窄的總檢出率為30.85%，醫生的檢出率為32.40%，兩者不存在明顯差異(P>0.05)。研究結果表明，人工智能識別處理冠脈影像，能夠清晰地顯示患者的冠脈主干與分支血管，且可以準確地顯示病變部位，相較于醫生分析處理，人工智能在時間上具有較大的優勢。

我國研究人員針對冠心病識別模型以及多參數智能診斷，較早地進行了十分豐富的研究，加之近些年基于機器學習的神經網絡的算法以及硬件支持發展，智能診斷進一步發展和興起，為臨床診斷工作量的緩解提供了途徑。研究發現，人工智能與醫生在冠心病的整體診斷上不存在明顯差別，對于冠脈狹窄的檢出率存在一定的差別，這可能是由于人工智能學習數據來源于多家醫院的多名醫師，選取的醫師不同，獲得的檢查診斷結果會出現的一定的差異，但差異并不顯著，后續需要持續擴展人工智能的學習數據庫，并通過多中心研究向不同的醫師進行驗證。當下，人工智能診斷冠心病逐漸由結構評價轉變為功能與預后研究方面，并且相關研究逐漸深入和完善。

綜上所述，人工智能在冠脈影像診斷當中具有較高的敏感度和特異度，其在冠心病整體診斷、病變定位識別、病變斑塊性質及病變管腔狹窄程度診斷中，均能夠取得較為準確的診斷的結果，總體上與醫生診斷無明顯差異。在冠脈影像診斷中使用人工智能分析診斷，得到的診斷結果與高年資醫生診斷十分接近，合理使用人工智能輔助診斷具有較高價值。此次研究還存在一定的不足之處，由于樣本量等因素的限制，研究還有待優化與完善，需要后續進行大量本量的多中心臨床研究，對人工智能系統進行進一步優化和完善，提升人工智能在冠脈影像診斷中的價值。