基于CCTA的冠状动脉粥样硬化性心脏病人工智能研究进展

张文钊，余建群

四川大学华西医院 放射科，四川 成都 610041

引言

冠状动脉粥样硬化性心脏病是指冠状动脉发生粥样硬化斑块，导致冠状动脉不同程度狭窄，甚至管腔闭塞，导致心肌缺血或坏死的心脏病。作为心脏猝死的常见原因，长期位居我国居民疾病死亡构成的首位[1]。传统认为，冠状动脉粥样硬化性心脏病是由脂肪代谢异常导致冠状动脉壁损伤斑块形成，从而造成管腔狭窄。冠状动脉CT血管成 像（Coronary Computed Tomography Angiography，CCTA）可评价冠状动脉壁的斑块及其对管腔的影响。近来研究发现心包脂肪、冠状动脉周围脂肪的分布与冠状动脉粥样硬化有关[2]，经DSA获得的血流储备分数（Fractional Flow Reserve，FFR）[3-4]来评价心肌灌注情况是冠状动脉粥样硬化性心脏病诊断的金标准，经CT成像后模拟所获得的冠状动脉FFR也具有较高的准确性。近来研究认为，将人工智能（artificial Intelligence，AI）深度学习应用于冠状动脉粥样硬化性心脏病，使得冠状动脉粥样硬化性心脏病的评价多、快、好、省，有利于减少影像学诊断的误差，为临床处理提供准确信息。本文旨在阐述近年来AI深度学习功能基于CCTA在冠状动脉粥样硬化性心脏病的研究及应用进展。

1 冠状动脉粥样硬化性心脏病传统影像学检查

1.1 传统影像学检查

冠状动脉造影（Invasive Coronary Angiography，ICA）是冠状动脉粥样硬化性心脏病诊断的金标准。由于ICA的有创性和一定的并发症，一般是用于冠状动脉疾病治疗前，不作为常规的筛查手段。CCTA是目前最广泛应用于诊断冠状动脉疾病的非侵入性手段[5-6]。在英国胸痛管理的临床指南中，CCTA被推荐作为一线诊断检查[7]。

1.2 传统影像学检查的不足

现阶段传统的冠状动脉粥样硬化性心脏病影像学相关检查，主要都是侧重于临床解剖学的相关鉴别[5-6]。但有研究表示冠状动脉粥样硬化性心脏病的临床诊断与影像征象间具有较大差异[8]，而目前尚无有效的无创检测方法可用于检测冠状动脉腔狭窄或应激引起的心肌缺血的鉴别及诊断[9-10]。这使得想仅凭临床症状和影像征象来诊断冠状动脉粥样硬化性心脏病的发生变得十分困难。造成这种现状的主要原因在于目前影像医生对于影像图像的定量方式仅局限于病灶长轴的一维测量及病灶体积的二维测量，导致大量影像图像中人眼难以辨别的信息无法得到合理利用并在疾病诊断中发挥出其潜在价值。在目前的影像诊断模式中，对于医生个人经验的高度依赖使得影像诊断结果带有明显主观性，这种情况所导致的结果，即是同样的影像资料在不同层级医院、不同医生，甚至于同一医生在不同时间的诊断结果都可能截然不同。而在当前的分级诊疗制度中，基层医院医生急需更多可供参考的定量化信息以助其在诊疗过程减少漏诊、误诊。

2 AI深度学习与冠状动脉粥样硬化性心脏病

2.1 AI深度学习

AI是一种旨在模仿人类思维和学习能力的计算机分支学科[11]。近年来，AI在医疗领域有着广泛的应用[12-14]，其中医学影像是AI较早开始涉猎并已取得较广泛应用的领域之一[15]，主要包括影像组学[16]、机器学习及深度学习。

冠状动脉粥样硬化性心脏病作为一种常见的具有高风险的心脏疾病，近年来国内外涉及AI在冠状动脉粥样硬化性心脏病的相关影像诊断学领域当中的研究也在逐步增多[17-19]，这些研究主要利用的都是AI深度学习功能。AI深度学习是以机器学习为基础的一种延伸，其原理是通过模拟人类脑的神经网络系统，将多种不同层次的机器学习模型建立为更加抽象的高层属性类别或特点，AI深度学习模型主要包括卷积神经网络、生成式对抗网络、卷积网络、胶囊网络及循环神经网络等[20]。通过AI深度学习可以发现影像图像的潜在特点及更多的数据、内容[20]，以弥补传统影像学检查在冠状动脉粥样硬化性心脏病诊断中的不足。

2.2 AI深度学习与冠状动脉钙化量评价

冠状动脉钙化量（Coronary Artery Calcifification，CAC）是冠状动脉粥样硬化性心脏病诊疗中的一种独立危险因素，目前国内外有不少学者将AI运用于CAC的定量检测。Wolterink等[21]通过AI深度学习的自动定量模式识别方法，通过该模型监督学习可在CCTA图像中精准地自动识别CAC并将其量化。Shadmi等[22]则通过一种基于全卷积深层神经网络的自动分割法，在平扫CT中即可对CAC进行测量，而其算法得出的结果与专家诊断结果具有高度一致性。Datong等[23]将AI深度学习应用于复杂背景下CAC的分析，该模型算法准确率达到了77.1%。通过AI深度学习功能分析CAC，可明显缩减影像医生阅片时间，且避免了不同医生间的诊断结果差异。

2.3 AI深度学习与冠状动脉斑块评价

在冠状动脉粥样硬化性心脏病中冠脉斑块性质是一个重要影响因素，如钙化斑块、软斑块、混合斑块等，特别是易损斑块的鉴别更尤为重要，因为易损斑块是导致急性冠脉综合征的最常见因素。Gessert等[24]通过AI深度学习采集3位专家诊断结果形成训练集的方式，基于该模型可直接在CCTA图像中实现冠脉斑块的分类，其准确度、灵敏度、特异度也极为可观，分别为91.7%、90.9%、92.4%。Kolossváry等[25]则利用AI深度学习实现了在冠脉斑块中识别“餐巾环征”这一危险因素。随着AI技术的精进，冠脉斑块定性可更为准确，这对患者的治疗及预后均有重要帮助。

2.4 AI深度学习与冠状动脉狭窄评价

冠脉狭窄程度的判断在冠状动脉粥样硬化性心脏病的诊疗中尤为重要，其直接影响了临床的诊疗方式的选择，Zreik等[26]通过基于多尺度卷积神经网络AI深度学习对静息状态下左心室肌CTA图像进行分析，实现了无创性判断患者是否存在功能性冠脉管腔狭窄。而黄增发等[27]利用AI深度学习辅助诊断系统对疑似冠状动脉粥样硬化性心脏病患者进行冠脉狭窄程度识别，以评价AI的应用价值，其结果的敏感度和特异度也分别达到了60.87%、80.77%。基于AI深度学习对冠状动脉管腔狭窄程度的判断，可明显减少患者接受有创检查的次数。

2.5 AI深度学习与冠状动脉周围脂肪评价

正常的心外膜脂肪延心肌和内脏心包之间走向，而冠状动脉周围脂肪（Pericoronary Adipose Tissue，PCAT）属于一种心外膜脂肪，其主要分布于冠状动脉三大主要分支血管外膜周围。PCAT是一种已被证实的冠状动脉粥样硬化性心脏病重要影响因素[28]，通过对PCAT的分析，对于冠状动脉粥样硬化性心脏病的临床诊断及危险分层都具有一定的临床意义[29]。但由于PCAT的测量受观察层面选择及投射方位选择影响很大，不同观测者对于同一样本的脂肪测量常存在明显的差异，故导致PCAT的测量在冠状动脉粥样硬化性心脏病患者的诊疗过程中未得到广泛的应用。Commandeur等[30]利用AI实现了全自动化地对心外膜脂肪组织及胸部脂肪组织进行分割并量化，其结果也与专家手动勾画结果接近，且耗时更短，可重复性更强。该方法也证实了利用AI对PCAT快速量化的可行性，并有望在未来临床治疗中纳入PCAT这一危险因素，以改善患者的风险分层。

3 AI与冠状动脉血流储备分数评价

3.1 冠状动脉血流储备分数

传统的影像学检查方式难以在无创条件下有效、客观地分析和判断冠状动脉血流动力学相关的改变。且有研究证实冠状动脉在基于传统影像学的诊断与功能学上的检查结果差异高达50%[8]。近年来有众多学者发现冠状动脉血流储备分数（Fractional Flow Reserve，FFR）可作为一种对冠脉生理学功能做出评价的“金标准”[4]。但传统测定FFR的方法是在心脏介入手术过程中对目标血管置入压力导丝，从而测得目标血管的FFR值，这是一种有创性、价格较为高昂、手术耗时长且有一定手术风险的检查方式，并且辐射剂量也较高，同时在检查过程中使用的腺苷也可能会引起一定的副作用，故在临床普及具有难度[3]。

3.2 基于AI的冠状动脉无创血流储备分数

冠状动脉无创血流储备分数（Noninvasive Fractional Flow Reserve Derived From Coronary CT Angiography，FFRCT）是一种基于AI深度学习的无创检查方式，即是通过AI深度学习分析CCTA影像从而得到FFRCT，其原理是通过CCTA三维模型中的流体力学计算，模拟出冠状动脉血流动力学特点进而得出FFR值[31]。这种基于AI深度学习的模拟，可以得到目标血管节段的血流速度、压力等诸多信息。FFRCT的检查过程大致可分为：① 对患者的CCTA影像进行三维重建；② 对目标血管的边界及出入口进行勾勒；③ 将目标冠脉的流体控制方程带入计算机进行运算；④ 重建出三维云图，从而可得出冠状动脉中任意点以及任意节段的FFR值[32]。

3.3 FFRCT的临床有效性及应用价值

目前，全球有多个研究中心在进行判断无创 FFRCT的临床有效性相关研究。据鹿特丹伊拉斯姆斯大学及HeartFlow中心的研究结果显示，与单纯CCTA在识别狭窄处血流动力学特征的结果仅40%的特异度相比较而言，FFRCT的特异度达到了可观的82%；而在诊断准确度方面，FFRCT较单纯CCTA仅59%的准确度提高了近15%，达到了84%，并且在诊断的假阳性率方面也降低了约70%[33]。由此可以看出，对于判断狭窄病变是否会造成缺血相关改变，FFRCT比单纯的CCTA具有更高的临床诊断及应用价值[34-35]。

而Min等[36]也评价了运动伪影、对比度、信噪比、钙化等影像质量因素对FFRCT诊断准确率的干扰，当患者影像图像质量较差时，与单纯CCTA仅64.6%的准确度相比而言，FFRCT的准确度也能达到87.5%；而当患者被检时出现心率较高的情况，与单纯CCTA仅52.9%的准确度相比，FFRCT的准确度甚至达到了100.0%；而在不同信噪比、患者的运动伪影干扰、以及图像低对比度时，单纯的CCTA与FFRCT的准确度分别为66.7%、57.1%、71.4%和84.4%、95.0%、100.0%。同时，Min等[36]的研究也表明FFRCT对于钙化所导致图像质量降低同样具有较高的容错能力。王彤宁等[37]、刘春雨等[38]国内的学者们对FFRCT在冠状动脉临界狭窄病变缺血方面诊断能力的敏感性、准确度及钙化对FFRCT所造成的影响等方面做了相应的研究，均得到了良好的反馈。Yu等[39]通过回顾性分析了在2周内接受了CCTA和FFR测量的稳定型心绞痛患者，发现血管管腔狭窄程度+斑块总面积+FFR的参数组合，比其他诊断血液动力学改变的病变的单个参数具有更高的敏感性。

4 总结

当前，AI深度学习的应用仅处于刚起步的阶段，依然面临着诸多的挑战，诸如数据量小、平台不稳定及数据链的断裂等。但其在辅助影像诊断的应用，弥补传统影像检查不足方面仍具备着良好的前景。通过AI深度学习可将抽象的影像图像转化为更为直观的数据，通过对这些数据的分析和比较，可为影像诊断医师提供更为直观和定量的信息，对影像科医师的诊断工作起到辅助作用，从而减少漏诊、误诊的发生。同时，基于大数据和计算机算法模型的运作系统，也使得影像科医师的工作更加高效。AI深度学习是当下的研究热点，它的发展受到了国内外众多学者的关注及大力支持。而AI深度学习在冠状动脉粥样硬化性心脏病影像学诊断领域的相关应用，对减少冠状动脉粥样硬化性心脏病发病率、死亡率及改善预后都起到良好作用，具有重大意义。