機器學習對不同性質斑塊致冠狀動脈狹窄程度初步評估的價值

張稟評 梁洋洋 劉順利 徐鳳磊 鐘鑫 李志明

［摘要］ ?目的 ?探討機器學習對不同性質斑塊致冠狀動脈狹窄程度初步評估的價值。

方法選擇2020年1月—2022年10月于我院行冠狀動脈CT血管造影（CCTA）并在隨后14 d內行冠狀動脈造影（CAG）的患者80例，隨機選取80例患者CCTA中103處冠狀動脈狹窄位置，根據斑塊性質分為鈣化斑塊組（38處）、非鈣化斑塊組（34處）和混合斑塊組（31處）。分別采用主觀評估（SA）法、后處理工作站測量（AW）法、人工智能（AI）法、人工與AI結合（Semi-AI）法評估各組斑塊所致冠狀動脈狹窄程度。以CAG結果為診斷冠狀動脈狹窄程度的金標準，比較上述四種方法與金標準的符合率、低估率及高估率。

結果四種方法中，AI法評估三種斑塊的符合率、低估率、高估率與SA法比較均無顯著差異（P＞0.008 3）。在非鈣化斑塊和混合斑塊的評估中，AI法的符合率顯著高于AW法和Semi-AI法（χ2=7.65～16.20，P＜0.008 3）；在鈣化斑塊的評估中，AI法的符合率與其他三種方法相比無統計學差異（P＞0.05）；在鈣化斑塊及混合斑塊的評估中，Semi-AI法比其他三種方法的高估率顯著降低（χ2=8.77～23.62，P＜0.008 3）。

結論AI法在一定程度上可取代影像科醫師對不同性質斑塊所致冠狀動脈狹窄程度的主觀評估，對于冠脈狹窄的評估流程具有優化作用，Semi-AI法則可改善對各種性質斑塊所致冠脈狹窄的高估的情況。但目前上述方法僅能對冠狀動脈狹窄程度進行初步評估，均無法作為金標準取代CAG法。

［關鍵詞］ ?人工智能；機器學習；計算機體層攝影血管造影術；冠狀動脈狹窄；斑塊，動脈粥樣硬化

［中圖分類號］ ?R319;R543.3

［文獻標志碼］ ?A

Value of machine learning in preliminary assessment of the degree of coronary artery stenosis caused by different types of plaques

ZHANG Bingping， LIANG Yangyang， LIU Shunli， XU Fenglei， ZHONG Xin， LI Zhiming

（Department of Radiology， The Affiliated Hospital of Qingdao University， Qingdao 266003， China）

;［ABSTRACT］?Objective?To explore the application value of machine learning in preliminary evaluation of the degree of co-

ronary artery stenosis caused by different types of plaques.

Methods?Eighty patients who underwent coronary CT angiography （CCTA） and coronary angiography （CAG） in the following 14 d from January 2020 to October 2022 were selected. During CCTA， 103 coronary artery stenosis sites were randomly selected and divided into calcified plaque group （38 sites）， non-calcified plaque group （34 sites）， and mixed plaque group （31 sites） according to plaque properties. Subjective evaluation （SA）， post-processing workstation measurement （AW）， artificial intelligence （AI）， and SA combined with AI （Semi-AI） were used to assess the degree of coronary artery stenosis caused by plaques in each group. CAG results were used as the gold standard for the degree of coronary artery stenosis. The coincidence， underestimation， and overestimation rates were calculated based on the gold standard and compared between the four methods.

Results??Among the four methods， there were no significant differences in the coincidence rate， underestimation rate， and overestimation rate between AI and SA （P>0.008 3）. In the evaluation of non-calcified plaque and mixed plaque， the coincidence rate of AI was significantly higher than those of AW and Semi-AI （χ2=7.65-16.20，P<0.008 3）. In the evaluation of calcified plaque， the coincidence rate of AI was not significantly different from those of the other three methods （P>0.05）. In the evaluation of calcified plaque and mixed plaque， the overestimation rate of Semi-AI was significantly lower than those of the other three methods （χ2=8.77-23.62，P<0.008 3）.

Conclusion?AI can partly replace the subjective evaluation made by radiologists regarding coronary artery stenosis caused by different types of plaques， thus optimizing the evaluation process of coronary artery stenosis. The Semi-AI method can reduce the overestimation of coronary artery stenosis caused by various types of plaques. However， AI cannot be used as a gold standard， and can only be used to preliminarily evaluate the degree of coronary artery stenosis.

［KEY WORDS］?Artificial intelligence; Machine learning; Computed tomography angiography; Coronary stenosis; Plaque， atherosclerotic

冠狀動脈（簡稱冠脈）疾病已經成為威脅我國民眾健康的重大疾病之一，《2019年中國心血管疾病的流行病學調查》和《中國心血管健康與疾病報告2022要點解讀》指出心血管疾病是國人的主要死亡病因［1-2］。冠脈CT血管造影（CCTA）是評估冠脈病變的重要影像學檢查方法，具有操作簡單、創傷小等優點［3］。目前研究顯示，CCTA對于非鈣化斑塊的評估無明顯高估與低估的情況，但鈣化斑塊所致血管狹窄程度往往有被高估的情況，而對混合斑塊評估的準確率介于鈣化與非鈣化斑塊之間［4］。近年來，科技飛速發展使得人工智能（AI）技術的應用范圍不斷擴大，AI在醫療領域的使用頻率也迅速增加［5-7］。KANG等［8］首次提出了基于機器學習的冠脈狹窄自動檢查方法，目前基于AI的CCTA技術還處于起步發展時期［9-10］，既往也有研究比較了主觀評估（SA）法與AI法評估斑塊所致冠脈狹窄的準確性［11-12］，但上述研究未將斑塊性質進行細化，且現有研究對于AI評估冠脈狹窄的低估率、高估率報道較少。本研究通過將SA法、后處理工作站測量（AW）法、AI法、人工與AI結合（Semi-AI）法用于鈣化、非鈣化及混合斑塊所致冠脈狹窄程度的評估，比較四種方法與冠脈狹窄程度診斷金標準冠脈造影（CAG）結果的符合率、低估率及高估率，分析基于AI的機器學習對不同性質斑塊所致冠脈狹窄程度初步評估的價值。

1 對象與方法

1.1 研究對象

選擇2020年1月—2022年10月于我院進行CCTA并診斷有斑塊狹窄患者80例，其中男46例，女34例；年齡34～79歲，平均（62.99±9.19）歲。患者納入標準：①CCTA檢查后14 d內行CAG檢查者；②CCTA圖像質量佳，無明顯呼吸和運動偽影者；③責任冠脈正常處管腔直徑＞1.5 mm ［13-14］者；④CCTA掃描時心率低于90次/min者。排除標準：①碘對比劑過敏者；②先天性冠脈解剖異常或已行血運重建者；③孕婦或哺乳期婦女。隨機選取80例患者CCTA示冠脈狹窄的位置103處，據斑塊性質（CT值）［13］分為鈣化斑塊組（38處）、非鈣化斑塊組（34處）和混合斑塊組（31處）。

1.2 研究方法

1.2.1SA法 由2名影像科醫師分別獨立在影像歸檔和通信系統上觀察CCTA圖像中冠脈狹窄處，窗寬和窗位初始設置為800、300 Hu ［15］，采用曲面重組（CPR）、容積再現（VR）等方式測量病變處狹窄程度。當兩位醫生結果不一致時通過協商討論取得最終值。

1.2.2AW法 由1名影像科醫師使用AW 4.6后處理工作站測量評估冠脈狹窄的程度，首先觀察CCTA圖像中CPR的血管路徑是否一致（若不一致進行修正），在血管橫截面處依據CT值自動勾畫出狹窄處殘存血管邊緣，記錄狹窄處殘存管腔平均直徑并計算病變處狹窄程度［16］。

1.2.3AI法 使用冠脈CT影像輔助診斷軟件（深睿DW-CAADS）在CCTA圖像中自動評估冠脈狹窄程度。

1.2.4Semi-AI法 由1名影像科醫師使用深睿DW-CAADS手動選取CCTA圖像中冠脈狹窄處，利用公式［16］計算血管狹窄程度。

1.2.5符合率、低估率和高估率計算 根據《國際心血管CT協會CCTA解釋和報告指南》［15］將血管狹窄分為正常、輕微狹窄、輕度狹窄、中度狹窄、重度狹窄和閉塞六種程度。分別采用上述四種方法評估各組斑塊所致的冠脈管腔狹窄程度，若CCTA評估結果與CAG診斷結果同屬一種狹窄程度則計為符合，若CCTA評估的狹窄程度低于CAG計為低估，反之計為高估。計算并比較四種方法與CAG診斷結果的符合率、低估率和高估率，公式為：符合率=同種性質斑塊符合CAG診斷狹窄程度例數/同種性質斑塊總數×100%，低估率=同種性質斑塊較CAG診斷狹窄程度低估例數/同種性質斑塊總數×100%，高估率=同種性質斑塊較CAG診斷狹窄程度高估例數/同種性質斑塊總數×100%。

1.3 統計學方法

采用SPSS 27.0軟件進行統計分析，計數資料以例（率）表示，多組間比較采用χ2檢驗，兩兩比較采用Bonferroni檢驗。χ2檢驗以P＜0.05為差異有統計學意義，Bonferroni校正以P＜0.008 3為差異有統計學意義。

2 結 ?果

2.1 四種方法評估鈣化斑塊的低估率、符合率及高估率比較

χ2檢驗及Bonferroni檢驗結果顯示，四種方法評估鈣化斑塊的低估率、高估率差異均具有顯著性（χ2=13.55、25.38，P＜0.05），但符合率比較無顯著差異（P＞0.05）；Semi-AI法的低估率顯著高于其他三種方法，高估率則顯著低于其他三種方法（χ2=8.77～23.62，P<0.008 3）；AI法與SA法的低估率、高估率均無明顯差異（P>0.008 3）。見表1。

2.2 四種方法評估非鈣化斑塊的低估率、符合率及高估率比較

χ2檢驗及Bonferroni檢驗結果顯示，四種方法評估非鈣化斑塊的符合率、低估率差異均有顯著性（χ2=14.25、23.78，P＜0.05），但高估率比較無顯著差異（P＞0.05）；與AI法相比，SA法的符合率、低估率均無顯著差異（P＞0.008 3），AW及Semi-AI法的低估率顯著增高、符合率顯著降低（χ2=7.65～17.75，P＜0.008 3）。見表2。

2.3 四種方法評估混合斑塊的低估率、符合率及高估率比較

χ2檢驗及Bonferroni檢驗結果顯示，四種方法評估混合斑塊的符合率、低估率及高估率差異均有顯著性（χ2=9.5～45.18，P＜0.05）；與AI法相比，SA法的符合率、低估率、高估率均無顯著差異（P＞0.008 3），AW以及Semi-AI法低估率顯著增高、符合率顯著降低，并且Semi-AI法的高估率顯著降低（χ2=8.95～28.93，P＜0.008 3）。見表3。

3 討 ?論

本研究應用傳統的SA法和AW法和基于AI的兩種全新方法（AI法和Semi-AI法），分別對三種不同性質斑塊所致冠脈狹窄程度進行符合率、低估率和高估率分析。就四種方法而言，傳統SA法需要醫師首先初步觀察患者冠脈大致走行，再對可疑病變部位進行最大密度投影、多層面重組及CPR、VR等處理，并進一步主觀評估其狹窄程度［17］，其過程費時費力且影響了干預決策的時效性，且SA法存在著主觀性及專業性對結果影響較大等弊端。LIU等［18］統計得出影像診斷醫師對于CCTA圖像判讀及報告書寫的時間為13～18 min，劉春雨等［12］研究發現，診斷醫師判讀CCTA圖像的時間約為8.5 min，AI輔助判讀CCTA的時間約為1.9 min，相較人工時間縮短約77%。本研究結果顯示，AI法評估三種不同性質斑塊所致冠脈狹窄的符合率、低估率以及高估率與SA法無顯著差異。張曉浩等［19］和KANG等［8］研究也顯示，SA法與AI法在判讀狹窄程度≥50%的冠脈狹窄時，兩種方法與金標準CAG相比符合率無顯著差異。

本研究四種方法評估鈣化斑塊所致冠脈狹窄程度的符合率無顯著差異，但Semi-AI法的低估率最高，體現了AI法評估的優勢，在評估單純鈣化斑塊所致冠脈狹窄時選擇AI法更加高效準確。斑塊鈣化在CCTA圖像中會表現出兩種偽影，一種是暈狀偽影，其遮蓋正常冠狀動脈管腔，另一種是射線硬化偽影，表現為在鈣化后方形成低密度條帶［20］，這兩種偽影均易引起對冠脈狹窄程度的高估，進而影響診斷準確性。本研究中Semi-AI法的高估率顯著低于其他三種方法，其機制可能與Semi-AI法通過圖像處理規避了偽影的影響有一定關系。

對于非鈣化斑塊所致冠脈狹窄程度的評估，本研究四種方法的高估率無顯著差異，其中AI法與SA法的低估率及符合率均為最優，但Semi-AI法的低估率升高最顯著。臨床上冠脈重度狹窄患者分支遠端造影劑很少，傳統三維重建軟件經常需醫師手動重建，其結果可能很粗糙但為真實結果；與AI法經過大樣本深度學習形成的神經網絡不同，Semi-AI法采用圖像分割技術自動美化圖像，以獲得更好的血管分支及末端細節顯示，在美化圖片過程中，Semi-AI法為獲得更好的細節展示可能增寬了原本狹窄的冠脈管腔，造成了斑塊狹窄程度的低估。

對于混合斑塊所致冠脈狹窄程度的評估，AI法與SA法的符合率、低估率同樣均為最優，但在高估率評價中，Semi-AI法顯著低于其他三種方法。混合斑塊導致的血管狹窄程度易被高估［20］，Semi-AI法在降低混合斑塊中的鈣化成分所致狹窄的高估率方面，相較于其他三種方法具有顯著優勢。

綜上所述，AI法可更好地輔助影像科醫師對不同性質斑塊所致冠狀動脈狹窄程度進行評估，對于冠脈狹窄的評估流程具有優化作用，Semi-AI法則可改善對各種性質斑塊所致冠脈狹窄程度高估的情況。但上述方法僅能對冠脈狹窄程度進行初步評估，均無法作為金標準取代CAG法。本研究的局限性在于選取樣本時未將冠脈不同分支的狹窄進行細化，也沒有比較各種方法對不同分支狹窄程度的評估，后續應增大樣本量，對上述變量進行比較。

倫理批準和知情同意： 本研究涉及的所有試驗均已通過青島大學附屬醫院醫學倫理委員會的審核批準（文件號QYFYWZLL27620）。所有試驗過程均遵照《人體醫學研究的倫理準則》的條例進行。受試對象或其親屬已經簽署知情同意書。

作者聲明： 張稟評、梁洋洋、徐鳳磊、鐘鑫、李志明參與了研究設計；張稟評、劉順利、李志明參與了論文的寫作和修改。所有作者均閱讀并同意發表該論文，且均聲明不存在利益沖突。

［參考文獻］

［1］ZHAO D， LIU J， WANG M， et al. Epidemiology of cardiovascular disease in China： Current features and implications［J］. Nat Rev Cardiol， 2019，16（4）：203-212.

［2］ The Writing Committee of the Report on Cardiovascular Health Diseases in China. 《中國心血管健康與疾病報告2022》要點解讀［J］. 中國心血管雜志， 2023，28（4）：297-312.

［3］ 陳靜娜，李靜靜. 64排螺旋CT冠狀動脈成像在冠狀動脈狹窄診斷中的價值分析［J］. 醫學影像學雜志， 2017，27（12）：2414-2417.

［4］ 申太忠，謝靈爭，李寶，等. CTA檢查判斷冠脈管腔狹窄程度受斑塊性質影響的研究［J］. 中外醫學研究， 2022，20（7）：71-74.

［5］ 游德淑. 冠狀動脈CT血管成像在冠狀動脈功能性狹窄中的研究進展［J］. 實用放射學雜志， 2023，39（2）：321-324.

［6］ 尹偉，王敏杰，徐瑞敏，等. 基于人工智能的輔助運動校正算法對CCTA圖像質量的影響［J］. 放射學實踐， 2022，37（8）：1035-1041.

［7］ 史黎煒，邱英鵬，顧柏洋，等. 冠狀動脈CT血管成像人工智能輔助診斷技術的成本分析［J］. 醫學信息學雜志， 2023，44（10）：22-27.

［8］ KANG D， DEY D， SLOMKA P J， et al. Structured learning algorithm for detection of nonobstructive and obstructive coronary plaque lesions from computed tomography angiography［J］. J Med Imaging， 2015，2（1）：014003.

［9］ 門婷婷，龔瑞陽，劉嬌，等. 基于人工智能的成像技術在冠心病診斷中的應用［J］. 中國實驗診斷學， 2023，27（8）：999-1002.

［10］ 唐春香，張龍江. 積極推進人工智能心血管CT成像的研發和應用［J］. 國際醫學放射學雜志， 2021，44（5）：501-503.

［11］ 楊陽，刁楠，黃增發，等. CAD-RADS在冠心病診斷中的應用：人工智能與人工方法的對照研究［J］. 放射學實踐， 2022，37（4）：413-418.

［12］ 劉春雨，謝媛，蘇曉芹，等. 基于人工智能的冠狀動脈CT血管成像檢測阻塞性冠狀動脈狹窄效能的研究［J］. 國際醫學放射學雜志， 2021，44（5）：516-522.

［13］ 中國醫師協會放射醫師分會. 冠狀動脈CT血管成像斑塊分析和應用中國專家建議［J］. 中華放射學雜志， 2022，56（6）：595-607.

［14］ 韓莎莎，程留慧，張卉，等. 人工智能冠狀動脈CT血管成像在評估冠狀動脈狹窄中的應用價值［J］. 臨床放射學雜志， 2024，43（3）：456-460.

［15］ LEIPSIC J， ABBARA S， ACHENBACH S， et al. SCCT guidelines for the interpretation and reporting of coronary CT angiography： A report of the Society of Cardiovascular Computed Tomography Guidelines Committee［J］. J Cardiovasc Comput Tomogr， 2014，8（5）：342-358.

［16］ 李曉燕，張國明，孫鋼，等. 320排動態容積CT與冠脈造影狹窄程度判斷差異的因素探討［J］. 中華醫學雜志， 2013，93（31）：2496-2498.

［17］ 中華放射學雜志心臟冠狀動脈多排CT臨床應用協作組. 心臟冠狀動脈多排CT臨床應用專家共識［J］. 中華放射學雜志， 2011，45（1）：9-17.

［18］ LIU K， HSIEH C， ZHUANG N， et al. Current utilization of cardiac computed tomography in mainland China： A national survey［J］. J Cardiovasc Comput Tomogr， 2016，10（1）：76-81.

［19］ 張曉浩，劉軍波，范麗娟. 人工智能技術應用于冠狀動脈CTA圖像后處理的可行性［J］. 放射學實踐， 2021，36（8）：994-999.

［20］ 周立娟，方向明. CCTA技術對冠狀動脈狹窄及其鈣化斑塊的評估［J］. 國際醫學放射學雜志， 2021，44（1）：58-62.

（本文編輯 范睿心 厲建強）