人工智能冠狀動脈CTA自動后處理系統對冠心病的診斷價值

摘要""目的：分析人工智能、冠狀動脈計算機斷層掃描血管造影（CTA）自動后處理系統對冠心病的診斷價值。方法：選取2020年2月—2021年7月我院收治的124例疑似冠心病病人，均符合數字減影血管造影（DSA）檢查指征。以DSA檢查結果為“金標準”，分析人工智能冠狀動脈CTA自動后處理系統診斷冠心病的價值。結果：人工智能組（AI組）和人工組圖像重建成功率比較，差異無統計學意義（P＞0.05）；AI組圖像后處理所用時間短于人工組，差異有統計學意義（P＜0.001）。AI組與人工組冠狀動脈各主要分支圖像質量評分比較，差異均無統計學意義（P＞0.05）。AI組與人工組斑塊成分評估比較，差異無統計學意義（χ²=0.106，P=0.948）。AI組和人工組診斷冠狀動脈中度及以上狹窄與“金標準”一致性高（Kappa值分別為0.905，0.958，P＜0.001）。AI組和人工組診斷冠狀動脈中度及以上狹窄的敏感度、特異度、準確度、陽性預測值、陰性預測值及診斷冠心病準確率比較，差異無統計學意義（P＞0.05）。結論：人工智能冠狀動脈CTA自動后處理系統在冠心病診斷中有良好的應用價值，相較于人工處理效率更高。

關鍵詞""冠心病；人工智能；冠狀動脈；計算機斷層掃描血管造影；數字減影血管造影

doi：10.12102/j.issn.1672-1349.2025.06.016

冠心病指動脈管腔狹窄造成的心肌缺氧、缺血或部分壞死引起的一種器質性心臟病^［1］。隨著生活質量的提高，我國冠心病患病率不斷上升，且年齡趨于年輕化^［2］。冠心病以胸痛為主要臨床表現，若不及時診治，可增加冠狀動脈狹窄程度，易引起心肌梗死、心絞痛、栓塞等并發癥^［3］，嚴重威脅病人生命安全。目前，診斷冠心病以數字減影血管造影術（DSA）為“金標準”，但其檢查有創、費用高昂，且易引起股動脈血腫及動脈痙攣等并發癥^［4］。近年來，冠狀動脈計算機斷層掃描血管造影（CTA）作為一種高效、低價、易操作的無創檢查法廣泛應用于臨床^［5］，但CTA檢查主要依靠醫師人工操作處理分析結果，存在工作量大、處理效率低下、主觀誤差等不足^［6］。隨著人工智能快速發展，醫學領域相繼出現CTA聯合人工智能的診斷模式。相關研究顯示，CTA搭載基于深度機器學習的血流儲備分數能有效識別特異性缺血；CTA搭載人工智能檢測大血管閉塞、分析冠狀動脈周圍脂肪組織及心臟病診斷中有重要作用^［7-9］。鑒于此，本研究采用人工智能冠狀動脈CTA自動后處理系統，分析其對冠心病的診斷價值，旨在為冠心病的臨床診斷選擇安全、快速、有效的檢查方式。

1 資料與方法

1.1 一般資料

選取2020年2月—2021年7月我院收治的124例疑似冠心病病人，其中男76例，女48例；年齡32～90（60.29±11.05）歲。本研究經醫院倫理委員會審批通過（倫理號2023KT274）。

納入標準：年齡30～90歲；臨床表現與冠心病相符，且經心電圖或動態心電圖檢查疑似冠心病；身體狀況可配合CTA和DSA檢查；診治資料明確；無意識障礙，可配合完成研究；病人及其家屬均知情并簽署同意書。

排除標準：對研究所用試劑過敏；凝血功能障礙；處于妊娠或哺乳期；其他器官及系統的嚴重病癥；既往有藥物或手術治療心臟疾病史；存在嚴重的心律不齊、心功能不全等其他心臟疾病；甲狀腺功能異常；冠狀動脈鈣化嚴重致使圖像無法評價。

1.2 方法

1.2.1 CTA檢查

采用美國General Electric公司的GE Revolution 256層多排螺旋CT機進行掃描，受檢者仰臥于檢查床，連接心電監護，于右肘靜脈經雙筒高壓注射器注射非離子造影劑（碘克沙醇320 mg I/mL）60 mL，并以相同速率使用30 mL生理鹽水沖管。掃描需進行呼吸訓練，自由心率下盡量確保病人心率50～65次/min，對靜息心率較大者輔以減慢心率藥物或心理疏導，使心率盡量控制在65次/min以下。采用回顧性心電門控及對比劑跟蹤檢查，將升主動脈設為觸發層，將升主動脈腔設為觸發興趣區，閾值為120 Hu，掃描范圍為氣管隆突到心臟膈面下1 cm，在1次屏息中完成全部掃描。以300～550 ms為基礎使用自動毫安秒技術，管電壓100 kV，層厚0.625 mm，管球轉率每周0.28 s，矩陣512×512^［10］。將原始圖像序列傳入服務器，分別用人工和人工智能冠狀動脈CTA自動后處理分析系統進行圖像處理分析，設置為人工組和人工智能組（AI組）。

1.2.2 人工圖像后處理

由2名專業影像科醫師完成圖像后處理工作，采用Siemens公司的Syngo.via工作站進行容積再現（VR）、拉直（CPR）、多平面重建（MPR）等重建圖像，測量圖像中冠狀動脈狹窄部位斑塊CT值，每個斑塊測量3次，取平均值。根據CT值將斑塊分為鈣化斑塊（CT值≥130 HU）、非鈣化斑塊（CT值＜130 HU）和混合斑塊（上述兩種斑塊成分的混合），并出具相關診斷報告。

1.2.3 人工智能冠狀動脈CTA自動后處理系統

后處理平臺采用Siemens公司的Syngo.via工作站與AngeIInstaller輔助診斷平臺，基于深度學習和圖像識別技術，對原始數據采用標示、分割、量化等方法自動處理圖像。系統主要分為數據抓取、血管分割、中心線提取、血管分段、圖像處理及人機交互等模塊。主要流程：1）系統從服務器中獲取特定格式的原始圖像，并將獲取的原始圖像按照一定比例轉換為序列圖片；2）通過系統預設的圖像模型將序列圖片分割，得到冠狀動脈及分支血管的全圖分割結果，提取血管前景像素，確定血管對應位置，進一步細化血管進行分割，獲得完整的心臟冠狀動脈分割結果；3）對冠狀動脈分割結果進行切片提取，標記各切片區塊中心線的置信點，對標記好的置信點簇進行平滑處理得到初步中心線，對初步中心線匹配分割結果進行校正，輸出準確的中心線；4）對輸出的血管中心線進行分段處理，并對各分段血管命名；5）根據原始圖像序列及血管中心線通過VR、CPR、MPR等生成醫學圖像，典型圖像處理見圖1～圖3；6）得到圖像后處理及狹窄程度、斑塊成分等相關診斷結果。

1.2.4 DSA檢查

CTA檢查完成2周內實施DSA檢查，采用Philips公司的Allura Xper FD20造影儀，病人取平臥位，局部麻醉后用Seldinger技術進行右股動脈或右側橈動脈穿刺插管，雙側冠狀動脈造影^［11］。采集雙側冠狀動脈不同體位多角度圖像，選擇充盈效果最好的圖像進行分析。

1.2.5 圖像分析

圖像質量由2名專業醫師盲審，對圖像及各項診斷結果全面分析，存在分歧時，需通過探討、協商得到一致性結論。依據美國心臟病協會推薦的15節分段法^［12］將冠狀動脈樹分為15個節段，并采用Likert 4分制評分法評定兩組圖像的左冠狀動脈主干（LM）、后降支（PDA）、前降支（LAD）、左回旋支（LCX）、右冠狀動脈（RCA）、對角支（D）、鈍緣支（OM）、銳緣支（AM）。其中，4分表示圖像質量優良，無偽影，血管邊界清晰；3分表示圖像質量較好，未見明顯的偽影，血管邊界略有模糊；2分表示圖像質量一般，有中度偽影，血管邊界模糊明顯；1分表示圖像質量較差，偽影明顯，血管顯示不清或血管中斷。其中管腔直徑≤1.5 mm的冠狀動脈血管節段及圖像1分的血管不納入分析。

1.2.6 冠心病判定

冠狀動脈狹窄程度（%）＝（狹窄段近心端正常血管直徑－狹窄段最狹窄處直徑）/狹窄段近心端正常血管直徑×100%。根據冠狀動脈狹窄程度分級^［13］，冠狀動脈狹窄＜50%為輕度，冠狀動脈狹窄50%～＜75%為中度，冠狀動脈狹窄75%～＜100%為重度，冠狀動脈狹窄100%為血管閉塞；其中狹窄程度≥50%為冠心病。

1.3 統計學處理

采用SPSS 26.0統計軟件進行數據分析。符合正態分布和方差齊性的定量資料以均數±標準差（x±s）表示，采用t檢驗；定性資料以例數、百分比（%）表示，采用χ²檢驗，若任一理論頻數（T）＜5需對檢驗結果進行校正。采用Kappa檢驗進行一致性檢驗。以P＜0.05為差異有統計意義。

2 結果

2.1 病人一般資料（見表1）

2.2 人工組和AI組圖像后處理結果及所用時間比較

AI組和人工組圖像重建成功率比較，差異無統計學意義（P＞0.05）；AI組圖像后處理所用時間短于人工組，差異有統計學意義（P＜0.001）。詳見表2。

2.3 人工組和AI組獲得圖像質量比較

AI組與人工組冠狀動脈各主要分支圖像質量評分比較，差異均無統計學意義（P＞0.05）。詳見表3。

2.4 人工組和AI組斑塊成分評估比較

AI組診斷鈣化斑塊422處，非鈣化斑塊230處，混合斑塊137處；人工組診斷鈣化斑塊427處，非鈣化斑塊226處，混合斑塊141處。兩組斑塊成分評估比較，差異無統計學意義（χ²＝0.106，P＝0.948）。

2.5 人工組和AI組診斷冠心病的臨床價值分析

124例疑似冠心病的受檢者檢出冠狀動脈節段理論數值為1 860個，實際檢出1 773個（95.32%），其中滿足進一步分析要求的冠狀動脈節段1 726個（97.35%）。1 726個冠狀動脈節段中DSA診斷狹窄程度≥50%的節段共449個，狹窄程度＜50%的節段共1 277個，124例受檢者均伴有中度及以上狹窄，診斷為冠心病。其中AI組診斷狹窄程度≥50%的節段共432個，狹窄程度＜50%的節段共1 294個，124例受檢者中有120例伴有中度以上狹窄，診斷為冠心病；人工組診斷狹窄程度≥50%的節段共434個，狹窄程度＜50%的節段共1 292個，124例受檢者中有122例伴有中度以上狹窄，診斷為冠心病。經Kappa一致性檢驗發現，AI組和人工組診斷冠狀動脈中度及以上狹窄與“金標準”一致性高（Kappa值分別為0.905，0.958，P＜0.001）。詳見表4。AI組和人工組診斷冠狀動脈中度及以上狹窄的敏感度、特異度、準確度、陽性預測值、陰性預測值及診斷冠心病準確率比較，差異無統計學意義（P＞0.05）。詳見表5。

3 討論

冠心病屬于臨床常見的心血管疾病，可引起胸悶、胸痛、乏力、呼吸困難等^［14］，嚴重威脅病人生命安全。因此，對疑似冠心病病人給予及時診治，可提高生活質量和存活率。DSA檢查可清晰呈現病人冠狀動脈主干及相應分支的具體情況^［15］，但檢查有創且應用風險較高等，臨床應用受限。近年來，冠心病診斷方法多樣，其中冠狀動脈CTA因綜合效果甚佳被廣泛應用，加之人工智能在影像學中的研究逐漸增加，使冠狀動脈CTA搭載人工智能分析系統的診斷模式逐漸應用于臨床^［16］。

冠狀動脈CTA是臨床診斷冠心病的無創檢查方法，通過對心臟部位進行連續多層CT掃描，應用計算機技術重建冠狀動脈，清晰呈現冠狀動脈病變情況，為明確病人冠心病病情及后續治療方案的制定提供影像學依據^［17］。已有研究表明，CTA對冠心病及其他不良事件均有良好的診斷價值^［18-20］。冠狀動脈CTA具有無創、檢查速度快、操作簡單等優點，已廣泛應用于臨床^［21］，但該檢查如何高效、準確地處理圖像是目前臨床亟須解決的一大難題，而人工智能自動后處理系統可實現人工智能自動操作并得出相應結果，且結果準確性較高。Molenaar等^［22］研究顯示，人工智能后處理分析系統在冠狀動脈血流幀數選擇、血管分割及病變評估中表現良好。本研究結果顯示，AI組和人工組對斑塊成分評估比較差異無統計學意義，兩組診斷冠狀動脈狹窄與“金標準”的一致性高，診斷冠狀動脈中度及以上狹窄的敏感度、特異度、準確度、陽性預測值、陰性預測值及診斷冠心病的準確率比較差異無統計學意義，提示人工智能冠狀動脈CTA自動后處理系統對冠心病有良好的診斷價值。Griffin等^［23］研究結果顯示，人工智能評價冠狀動脈CTA狹窄與“金標準”一致性高。人工智能自動后處理系統所得圖像能較好顯示冠狀動脈血管形態特征，圖像選取角度精確，可清晰顯示冠狀動脈病變處和狹窄程度^［24］。Wardziak等^［25］研究表明，采用基于CTA的FFR程序分析處理冠狀動脈CTA可提高診斷價值。本研究結果顯示，AI組圖像后處理時間少于人工組，且兩組圖像重建成功率和冠狀動脈各主要分支圖像質量評分比較差異無統計學意義，提示人工智能冠狀動脈CTA自動后處理系統對圖像處理的效率更高，且未降低圖像質量。Lin等^［26］研究結果顯示，人工智能可提高心血管成像效率。應用人工智能冠狀動脈CTA自動后處理系統，冠狀動脈CTA影像傳輸到工作站后，系統自動生成各種后處理圖像交由醫師確認，免去醫師在工作站人工操作，建議臨床將人工智能冠狀動脈CTA自動后處理系統應用于冠心病診斷中，以減輕醫生的工作量，提高診斷效率。

綜上所述，將人工智能自動后處理分析系統應用到對冠狀動脈CTA圖像分析中，與“金標準”和傳統人工后處理比較，其對冠心病的診斷價值良好且處理圖像用時短、圖像質量較好，臨床可推廣使用以提高冠心病的診斷效率。本研究存在一定的局限性：所選樣本均確診為冠心病，代表性有限，不能較好地反映疑似者整體情況，故在今后的研究中應擴大樣本量的選擇，使研究更具代表性。

參考文獻：

［1］ WONGTRAKUL W，CHAROENNGAM N，UNGPRASERT P.Tuberculosis and risk of coronary heart disease：a systematic review and meta-analysis［J］.Indian Journal of Tuberculosis，2020，67（2）：182-188.

［2］ MESSERLI F H.Ephemeral coronary heart disease［J］.European Heart Journal，2019，40（24）：1906-1908.

［3］ KANDAN S R，JOHNSON T W.Management of percutaneous coronary intervention complications［J］.Heart，2019，105（1）：75-86.

［4］ WANG L F，HE X F.The relationship between the carotid and coronary artery stenosis：a study based on angiography［J］.Neurological Research，2019，41（8）：722-727.

［5］ ANDREINI D，MAGNONI M，CONTE E，et al.Coronary plaque features on CTA can identify patients at increased risk of cardiovascular events［J］.JACC Cardiovascular Imaging，2020，13（8）：1704-1717.

［6］ CHATURVEDI A，OPPENHEIMER D，RAJIAH P，et al.Contrast opacification on thoracic CT angiography：challenges and solutions［J］.Insights into Imaging，2017，8（1）：127-140.

［7］ VON KNEBEL DOEBERITZ P L，DE CECCO C N，SCHOEPF U J，et al.Coronary CT angiography-derived plaque quantification with artificial intelligence CT fractional flow reserve for the identification of lesion-specific ischemia［J］.European Radiology，2019，29（5）：2378-2387.

［8］ OSPEL J M，GOYAL M.Artificial intelligence and multiphase CT angiography for detection of large vessel occlusions：a powerful combination［J］.Radiology，2020，297（3）：650-651.

［9］ OIKONOMOU E K，WILLIAMS M C，KOTANIDIS C P，et al.A novel machine learning-derived radiotranscriptomic signature of perivascular fat improves cardiac risk prediction using coronary CT angiography［J］.European Heart Journal，2019，40（43）：3529-3543.

［10］ OPOLSKI M P.Cardiac computed tomography for planning revascularization procedures［J］.Journal of Thoracic Imaging，2018，33（1）：35-54.

［11］ 石瑜，孫建紅，張嫻，等.冠狀動脈DSA檢查技術的影像質量控制探討［J］.中國輻射衛生，2012，21（2）：221-222.

［12］ BUDOFF M J，ACHENBACH S，BLUMENTHAL R S，et al.Assessment of coronary artery disease by cardiac computed tomography：a scientific statement from the American Heart Association committee on cardiovascular imaging and intervention，council on cardiovascular radiology and intervention，and committee on cardiac imaging，council on clinical cardiology［J］.Circulation，2006，114（16）：1761-1791.

［13］ CURY R C，ABBARA S，ACHENBACH S，et al.CAD-RADSTM Coronary Artery Disease-Reporting and Data System.An expert consensus document of the Society of Cardiovascular Computed Tomography（SCCT），the American College of Radiology（ACR）"and the North American Society for Cardiovascular Imaging（NASCI）.Endorsed by the American College of Cardiology［J］.Journal of Cardiovascular Computed Tomography，2016，10（4）：269-281.

［14］ STEWART R A H，HELD C，KRUG-GOURLEY S，et al.Cardiovascular and lifestyle risk factors and cognitive function in patients with stable coronary heart disease［J］.Journal of the American Heart Association，2019，8（7）：e010641.

［15］ SEO J，KIM G S，LEE H Y，et al.Prevalence and clinical outcomes of asymptomatic carotid artery stenosis in patients undergoing concurrent coronary and carotid angiography［J］.Yonsei Medical Journal，2019，60（6）：542-546.

［16］ 張海濤，黃叢春，孫津津，等.基于人工智能技術獲得的無創血流儲備分數診斷心肌缺血的初步探索［J］.中國介入心臟病學雜志，2019，27（7）：361-367.

［17］ ACHENBACH S.Imaging the vulnerable plaque on coronary CTA［J］.JACC Cardiovascular Imaging，2020，13（6）：1418-1421.

［18］ 龐智英，楊飛，蘇亞英，等.冠狀動脈CT血管成像聯合基于CT的血流儲備分數預測阻塞性冠心病主要不良心臟事件的價值［J］.實用醫學雜志，2021，37（20）：2675-2680.

［19］ LI W，QI L，GUO Y L，et al.Application value of CTA in the computer-aided diagnosis of subarachnoid hemorrhage of different origins［J］.Journal of Healthcare Engineering，2021，2021：6638610.

［20］ 張小勇，崔學龍，曾憲春，等.第三代雙源CT低管電壓聯合低濃度等滲對比劑在頭頸心CTA一站式成像中的應用［J］.實用醫學雜志，2020，36（13）：1813-1817.

［21］ BOYD C，BROWN G，KLEINIG T，et al.Machine learning quantitation of cardiovascular and cerebrovascular disease：a systematic review of clinical applications［J］.Diagnostics，2021，11（3）：551.

［22］ MOLENAAR M A，SELDER J L，NICOLAS J，et al.Current state and future perspectives of artificial intelligence for automated coronary angiography imaging analysis in patients with ischemic heart disease［J］.Current Cardiology Reports，2022，24（4）：365-376.

［23］ GRIFFIN W F，CHOI A D，RIESS J S，et al.AI evaluation of stenosis on coronary CTA，comparison with quantitative coronary angiography and fractional flow reserve：a CREDENCE trial substudy［J］.JACC Cardiovascular Imaging，2023，16（2）：193-205.

［24］ 暴云鋒，蔡萌，趙明娟，等.冠狀動脈CT血管成像人工與人工智能后處理工作效率和圖像質量的對比［J］.實用放射學雜志，2020，36（8）：1322-1325.

［25］ WARDZIAK ?，KRUK M，PLEBAN W，et al.Coronary CTA enhanced with CTA based FFR analysis provides higher diagnostic value than invasive coronary angiography in patients with intermediate coronary stenosis［J］.Journal of Cardiovascular Computed Tomography，2019，13（1）：62-67.

［26］ LIN A，KOLOSSVáRY M，I?GUM I，et al.Artificial intelligence：improving the efficiency of cardiovascular imaging［J］.Expert Review of Medical Devices，2020，17（6）：565-577.

（收稿日期：2023-07-14）

（本文編輯"薛妮）