人工智能輔助冠狀動脈CTA診斷冠狀動脈狹窄準確性研究

[摘" "要]" "目的：探討人工智能（artificial intelligence，AI）輔助冠狀動脈CTA成像（coronary CT angiography，CCTA）診斷冠狀動脈狹窄的準確性。方法：間隔2周內行CCTA和冠狀動脈造影（coronary angiography，CAG）患者56例，將CCTA圖像傳輸至數坤科技“數字心”AI后處理工作站，軟件自動識別冠狀動脈狹窄的節段及狹窄程度。以CAG檢查結果為金標準，評估AI輔助診斷冠狀動脈狹窄的敏感度、特異度、陽性預測值、陰性預測值和診斷準確率。結果：AI診斷冠狀動脈狹窄的敏感度為80.6%，特異度為98.1%，陽性預測值為92.1%，陰性預測值為98.2%，診斷準確率為97.7%。AI與CAG在診斷冠狀動脈狹窄方面一致性好（Kappa=0.847，Plt;0.001）。結論：在CTA成像中應用人工智能技術評估冠狀動脈狹窄具有良好的臨床價值，能輔助醫生作出高效、準確的診斷。

[關鍵詞]" "人工智能;冠狀動脈CTA成像;冠狀動脈造影;狹窄

[中圖分類號]" "R445.3 [文獻標志碼]" "B [DOI]" "10.19767/j.cnki.32-1412.2024.02.019

[文章編號]1006-2440（2024）02-0179-03

冠狀動脈CTA成像（coronary CT angiography，CCTA）以高效、經濟、無創的優勢，成為冠狀動脈疾病首選的影像學檢查方法[1]。影像科醫師面對繁重的CCTA圖像后處理任務，工作負荷極大，勢必影響診斷報告的時效性和準確性[2]，近年來出現的AI輔助診斷軟件能顯著提升影像科醫師的工作效率[3]。本研究選擇我院2023年1月—9月行CCTA和冠狀動脈造影（coronary angiography，CAG）患者56例，應用人工智能（artificial intelligence，AI）軟件對CCTA影像進行圖像后處理和分析，以CAG為金標準，評估AI診斷冠狀動脈狹窄的準確性。

1" "資料與方法

1.1" "一般資料" "行CCTA和CAG檢查患者56例，其中男性39例，女性17例，年齡40～82歲，平均68.5±8.4歲。患者多以胸悶、心絞痛、心電圖ST-T段異常就診，其中47例伴有高血壓，42例伴有血脂異常，15例伴有糖尿病。入組標準：（1）CCTA圖像清晰，無明顯偽影，符合診斷要求;（2）AI輔助診斷冠狀動脈主干和（或）分支（管徑≥1.5 mm）狹窄gt;50%。排除標準：（1）間位室早、房室傳導阻滯、平均心率較高的房顫等心律異常、靜息心率gt;100次/分;（2）曾做過冠狀動脈支架植入或搭橋手術;（3）冠狀動脈異常起源。

1.2" "檢查方法" "CCTA使用佳能320排動態容積CT掃描儀，掃描前控制患者心率lt;75次/分，對患者進行吸氣和閉氣訓練，配合心電門控采集數據。使用Volume圖像采集模式，準直器寬度320×0.5 mm，層厚及層間距0.5 mm，球管轉速0.35 s/圈。管電壓100 kV，采用管電流自動調節技術，采集時相為R-R間期的30%～80%。高壓注射器推注對比劑為碘佛醇350（江蘇恒瑞醫藥股份有限公司），劑量0.7 mL/kg，注射流速4.5～5.0 mL/s，隨后注射30 mL生理鹽水，流速同碘對比劑。圖像采集完畢，經確認符合診斷要求后，傳至數坤科技“數字心”AI后處理工作站。利用卷積神經網絡技術對圖像進行自動化處理，軟件自動識別冠狀動脈狹窄的節段以及狹窄程度，出具結構化報告。依據冠狀動脈疾病報告和數據系統（coronary artery disease reporting and data system，CAD-RADS）標準，分為無狹窄、輕微狹窄（1%～24%）、輕度狹窄（25%～49%）、中度狹窄（50%～69%）、重度狹窄（70%～99%）和閉塞[4]。CAG由兩位高級職稱心內科醫師在飛利浦AlluraXper FD20 DSA上完成，冠狀動脈管腔狹窄程度在飛利浦圖像后處理工作站上測量。所有患者CCTA與CAG檢查間隔時間不超過2周。

1.3" "統計學處理" "采用SPSS 22.0統計學軟件進行數據分析。以CAG診斷為金標準，評估AI輔助CCTA診斷冠狀動脈狹窄的敏感度、特異度、陽性預測值、陰性預測值和診斷準確率。將AI診斷結果與CAG進行Kappa一致性檢驗，Kappa≥0.75為一致性好，0.40lt;Kappalt;0.75為一致性一般，Kappa≤0.4為一致性差。Plt;0.05為差異有統計學意義。

2" "結" " " 果

CCTA+AI和CAG檢出冠狀動脈狹窄gt;50%節段情況見表1。依據美國心臟協會標準，將冠狀動脈分為15個節段，56例患者共有840個冠狀動脈節段，其中14個節段管腔直徑lt;1.5 mm未予評價，可評價的節段826個。CAG檢出72個狹窄節段，AI輔助CCTA檢出63個狹窄節段，與CAG比較，假陽性5個節段，假陰性14個節段，診斷冠狀動脈狹窄的敏感度為80.6%、特異度為98.1%、陽性預測值為92.1%、陰性預測值為98.2%、診斷準確率為97.7%。AI輔助CCTA與CAG在診斷冠狀動脈狹窄方面一致性好（Kappa=0.847，Plt;0.001）。

3" "討" " " 論

CAG是冠狀動脈疾病診斷的“金標準”，近年來隨著CT設備成像技術的快速發展，CCTA診斷冠心病的準確性足以媲美CAG，并且CCTA圖像還能進行CT血流儲備分數（CT derived fractional flow reserve，CT FFR）測量，實現心血管疾病形態學和功能學診斷，能更科學指導冠心病治療[5]。中國心血管影像技術應用現狀調查與醫療質量報告顯示，國內三級醫院CCTA檢查數量增長迅速，推算2017年全國CCTA檢查量為460.77萬例，已接近CAG的504.03萬[6]。數量增長的背后是影像科醫師花費大量時間進行人工圖像重建，獲取圖像和報告時間較普通報告更長，有可能增加患者的住院時間，在現今按疾病診斷相關分組付費的環境下，顯得更加不合時宜。隨著大數據、人工智能等技術的應用推廣，大幅度提升影像科醫師的診斷效率和精確度，已逐漸成為放射影像科新的工作模式。施麗萍等[7]研究表明，應用AI后CCTA檢查人均月工作量較未應用AI時顯著增加，而患者等候檢查時間和報告出具時間縮短。

黃增發等[8]2018年的研究顯示，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%、82.35%、60.87%和80.77%。李浚利等[9]2021年研究結果表明，AI診斷冠狀動脈狹窄程度gt;50%節段的敏感度、特異度、陽性預測值、陰性預測值和準確率已達到83.90%、97.67%、88.54%、96.58%和95.23%，本研究AI輔助CCTA診斷冠狀動脈狹窄程度gt;50%節段的敏感度為80.6%、特異度為98.1%、陽性預測值為92.1%、陰性預測值為98.2%、診斷準確率為97.7%，與李浚利等[9]研究結果相似。究其原因是AI持續不斷地進行卷積神經網絡大數據深度學習，不斷提升對冠狀動脈疾病診斷的敏感度和特異度。獲取高質量的CCTA原始圖像是診斷冠狀動脈狹窄的關鍵，本研究使用320排寬體探測器CT，Z軸16 cm的覆蓋范圍可實現一個心動周期內完成心臟掃描，保證成像數據的一致性，減少錯層偽影的干擾，有利于AI更精準評估冠狀動脈的狹窄程度[10]。

本研究發現，AI判讀冠狀動脈狹窄程度會存在一定誤差，尤其是管壁鈣化斑塊或混合斑塊，與CAG比較，AI往往會高估管腔狹窄程度，這與鈣化斑塊所致的硬化偽影有關。有1例CAG證實為左回旋支閉塞患者，AI識別為重度狹窄。提示目前AI能明顯減輕影像科醫師診斷工作量，但并不意味著AI可以取代醫師，應以醫師判讀為主，AI診斷為輔，從而實現高效、準確的診斷。

[參考文獻]

[1] KNUUTI J，WIJNS W，SARASTE A，et al. 2019 ESC Guidelines for the diagnosis and management of chronic coronary syndromes[J]. Eur Heart J，2020，41（3）：407-477.

[2] 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.

[3] 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.

[4] 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 CardiovascComput Tomogr，2014，8（5）：342-358.

[5] 中華醫學會放射學分會心胸學組，中國醫師協會放射醫師分會心血管學組，北京醫學會放射學分會心血管學組. CT血流儲備分數操作規范及臨床應用中國專家共識[J]. 中華放射學雜志，2023，57（7）：711-722.

[6] 國家心血管病專業質控中心心血管影像質控專家工作組. 中國心血管影像技術應用現狀調查與醫療質量報告[J]. 中國循環雜志，2020，35（7）：625-633.

[7] 施麗萍，張亞平，唐倩韻，等. 人工智能輔助冠狀動脈CT血管成像處理系統對臨床工作效率影響的研究[J]. 中國醫學創新，2022，19（26）：163-166.

[8] 黃增發，王翔. 人工智能冠狀動脈CT血管成像在冠心病診斷中的應用[J]. 放射學實踐，2018，33（10）：1017-1021.

[9] 李浚利，黃益龍，韓丹，等. 冠狀動脈CT血管成像中人工智能診斷冠心病的準確性[J]. 中國醫學影像技術，2021，37（1）：59-62.

[10] 閆莉，徐其嶺，曹雪明，等. 320排CT冠狀動脈成像在心律不齊患者中的應用價值分析[J]. 醫學影像學雜志，2022，32（12）：2071-2074，2085.

（本文編輯" "王曉蘊）

* [通信作者] 李貞，E-mail：82844364@qq.com

[引文格式]林浩，梁奕，楊威威，等. 人工智能輔助冠狀動脈CTA診斷冠狀動脈狹窄準確性研究[J]. 交通醫學，2024，38（2）：179-180，185.