基于人工智能的冠状动脉CT 血管成像检测阻塞性冠状动脉狭窄效能的研究

刘春雨 谢媛 苏晓芹 杨振悦 陈随 周长圣 李建华 徐峰

阻塞性冠状动脉疾病（coronary artery disease，CAD）是全球人口死亡的主要原因[1-2]。早期筛查和诊断阻塞性CAD 对于病人后续治疗及预后具有重要价值。冠状动脉CT 血管成像（coronary CT angiography，CCTA）在排除冠状动脉狭窄及风险预测方面有很好的性能，且快速、无创，已成为首选的检查方法[3-4]。然而，常规CCTA 的图像后处理工作量大、过程繁琐、耗时久，而且医师主要通过目测对血管狭窄程度进行判断，因此诊断经验不足的低年资医师对此容易出现诊断错误。近年来，人工智能（artificial intelligence，AI）技术已成功应用于影像学领域[5-6]，它提供了一种自动化医学影像分析与诊断方法，可以提高医师的工作效率。在诊断冠状动脉狭窄方面，已有研究表明AI 可以在较短时间内对CCTA 数据进行图像后处理和狭窄的自动化检测，诊断性能近似于人工分析，且时间效率明显提高[7-9]。但是，目前关于AI 与不同年资医师、AI+不同年资医师对于冠状动脉狭窄的诊断效能比较的研究还较少；此外，钙化对AI 软件诊断准确性是否有影响也有待研究。因此，本研究以有创冠状动脉造影（invasive coronary angiography，ICA）为诊断金标准，探究以AI 为基础的CCTA 诊断阻塞性冠状动脉狭窄的效能，并将AI 与不同年资医师诊断的性能进行对比分析，以进一步验证AI 软件辅助诊断阻塞性冠状动脉狭窄的诊断水平。

1 资料与方法

1.1 一般资料 回顾性纳入2018 年1—7 月在中国人民解放军东部战区总医院行CCTA 和ICA 检查的50 例怀疑有冠状动脉疾病的病人，其中男34例，女 16 例，年龄 20~90 岁，平均（61.8±8.5）岁。排除标准：①CCTA 与ICA 检查时间间隔＞3 个月；②CCTA 影像质量差（即不可评价，血管结构不可区分）；③CCTA 检查前行血运重建术者。50 例病人中30 例有胸痛，12 例有心悸，33 例有高血压病史，5例有高血脂症，11 例有糖尿病史，5 例有吸烟史。

1.2 CCTA 扫描 采用西门子 SOMATOM Definition Flash 第二代双源CT 扫描设备，前瞻性心电门控序列扫描技术。扫描前2~3 min 给予所有受检者舌下含服硝酸甘油以扩张冠状动脉。CT 扫描经定位相确定扫描范围后，先行钙化积分扫描，范围从气管分叉下1.0 cm 至心脏膈面。平扫完成后进行CCTA 扫描，利用Lrich 双筒高压注射器经病人肘前静脉注射非离子对比剂碘普罗胺（含碘370 mg/mL，德国先灵公司）60 mL，注射流率4.5~5.0 mL/s；延迟时间应用AI 触发扫描系统确定，将兴趣区放置在升主动脉，当CT 值达到100 HU 即可触发扫描。CT扫描参数：管电压120 kV，管电流280 mA，准直器宽度 64×2×0.6 mm，机架旋转时间 0.28 s，球管旋转时间0.33 s/r，钙化积分扫描层厚3 mm，CCTA 扫描层厚0.75 mm。

1.3 冠状动脉钙化积分计算 应用西门子Syngo.via 软件（VB20A_HF06），采用 Agatston 积分法计算冠状动脉钙化积分，用不同颜色标记冠状动脉各分支的钙化区域，自动获得冠状动脉各分支的钙化积分值以及总积分值。以病人水平总钙化积分100 作为分组阈值[10]，将病人分为低钙化组（钙化积分＜100）和高钙化组（钙化积分≥100）。

1.4 影像质量评分 由1 位中年资医师在西门子Syngo.via 软件（VB20A_HF06）上阅片并进行评价1次，采用5 分法对CCTA 的影像质量进行评分[11]：5分，无运动伪影，冠状动脉轮廓清晰；4 分，有轻微伪影和轻微模糊；3 分，存在中度伪影和中度模糊，无结构不连续性；2 分，存在严重伪影或不连续；1 分，不可评价，血管结构不可区分。

1.5 冠状动脉狭窄程度判断 参照美国心脏病学会建议的冠状动脉树18 段分段法[12]进行冠状动脉节段分段，分析左主干（left main，LM）、左前降支（left anterior descending artery，LAD）、左回旋支（left circumflex artery，LCX）及右冠状动脉（right coronary artery，RCA），将管径≥2 mm 的冠状动脉节段纳入研究。参考冠状动脉疾病报告与数据系统（coronary artery disease reporting and data system，CAD-RADS）的分类标准[13]，记录CCTA 上的冠状动脉管腔狭窄程度：无狭窄（0）；轻微狭窄（1%~24%）；轻度狭窄（25%~49%）；中度狭窄（50%~69%）；重度狭窄（70%~99%）；闭塞（100%）。将冠状动脉管腔狭窄≥50%定义为阻塞性冠状动脉狭窄。

1.6 影像分析 采用AI、医师和AI+医师这3 种分析模式，记录每个病例的阅片结果（包括病变狭窄程度、狭窄节段），同时记录每例病人图像后处理时间（从图像调入到最终报告结果时间）及解读时间。

1.6.1 AI 分析 将CCTA 的DICOM 数据传至深睿医疗DeepWise（V3.0.0.1）AI 系统。该系统能自动进行图像后处理，对冠状动脉狭窄进行检测，并给出结构化诊断报告。

1.6.2 医师分析 在西门子Syngo.Via. VB20A_HF06 后处理工作站上评估CCTA 影像。由低、中、高年资（分别对应1~2、4~5 和10 年心血管影像诊断经验）放射科医师各2 名在不知道ICA 和AI 结果的情况下独立评估，同年资医师结果不一致时，共同协商后得出判断结果。

1.6.3 AI+医师分析 在医师阅片1 个月后，进行AI+医师分析模式。AI 软件自动输出冠状动脉狭窄结果后，由低、中、高年资放射科医师各1 名分别独立评价AI 输出的狭窄程度。医师将AI 的结果与目测评估相结合，做出最终决定并报告，即为AI+医师共同的冠状动脉狭窄程度结果。

1.7 ICA 检查 采用 Siemens Artis Zee Floor 数字血管造影系统进行ICA 检查。对比剂采用碘佛醇（含碘320 mg /mL，恒瑞医药有限公司），每个投照体位团注5 mL 对比剂，注射流率1.0~1.5 mL/s。经皮穿刺右股动脉或右桡动脉置入血管鞘，选择冠状动脉导管分别插入左、右冠状动脉并固定导管头，电影模式记录图像；通过不同投照角度明确左右冠状动脉主干及分支的病变节段及狭窄程度。将ICA 显示冠状动脉管腔狭窄≥50%视为阻塞性冠状动脉狭窄。

1.8 统计学方法 采用SPSS 23.0 软件、MedCalc 17.6 软件进行数据分析。符合正态分布的计量资料以均数±标准差（）表示，2 组间比较采用独立样本t 检验。非正态分布的计量资料采用中位数和四分位数[M（P25，P75）]表示。以 ICA 为金标准，分别以病人、血管及节段为单位，计算AI、医师、AI+医师在CCTA 中对阻塞性冠状动脉狭窄诊断的敏感度、特异度、阳性预测值（positive predicitive value, PPV）、阴性预测值（negative predicitive value，NPV）和准确度，绘制受试者操作特征（ROC）曲线，计算曲线下面积（AUC）及其95%可信区间（CI）。采用Pearson卡方检验或Fisher 精确概率检验比较组间差异，采用DeLong 检验比较AUC。P＜0.05 为差异有统计学意义。

2 结果

2.1 冠状动脉血管及节段 50 例病人共分析195支血管424 个节段，其中LM 50 支血管（50 个节段）；LAD 50 支血管（145 个节段，包括近段 50 个、中段 49 个、远段 46 个）；LCX 45 支血管（83 个节段，其中近段 45 个、中远段 38 个）；RCA 50 支血管（146 个节段，其中近段50 个、中段48 个、远段48个）。有 48 例病人（48/50，96%）、77 支血管（77/195，39.5%）和 99 个节段（99/424，23.3%）存在阻塞性冠状动脉狭窄（ICA 显示狭窄≥50%）。

2.2 冠状动脉钙化积分及影像质量 50 例病人的冠状动脉钙化积分为0~1 529.6，中位数为89.5（13.4，409.43）。其中，低钙化组26 例，高钙化组24例。钙化积分为 0 有 12 例（24%），0＜钙化积分≤100有 14 例 （28%），100 ＜钙化积分≤300 有 10 例（20%），钙化积分＞300 有 14 例（28%）。影像质量评分为 3~5 分，3 分 4 例（8%），4 分 24 例（48%），5 分22 例（44%）。AI 软件诊断阻塞性冠状动脉狭窄1 例病人呈假阳性，钙化积分为687.5，影像质量为3分，ICA 显示LAD 近段30%狭窄；3 例病人呈假阴性，影像质量分别为3、5、4 分，钙化积分分别为0、0、104，ICA 狭窄分别为 LAD 近段 50%狭窄、LAD近段70%狭窄、RCA 近段50%狭窄。

2.3 3 种诊断模式的图像后处理和解读时间比较 采用AI 软件诊断的平均后处理和解读时间较低/中/高年资医师均减少（均P<0.05），分别减少了80%、76.8%和 75%。在 AI 辅助之后，AI+低/中/高年资医师的时间较单独医师的时间均减少（均P＜0.05），分别减少了 67%、64%、57.9%。详见表 1。

表1 3 种诊断模式的图像后处理和解读时间比较

2.4 AI 在不同研究水平的诊断效能 以ICA 作为诊断标准，在病人、血管及节段水平，AI 诊断阻塞性冠状动脉狭窄的敏感度、特异度、准确度、阳性预测值、阴性预测值和AUC 见表2。AI 软件辅助诊断冠状动脉狭窄后处理图像见图1。

表2 不同研究水平下AI 对阻塞性冠状动脉狭窄的诊断效能

图1 基于机器学习的CCTA 检测冠状动脉狭窄与ICA 对照图。A、B 图为冠状动脉的AI 软件容积再现重组影像。C图，AI 曲面重组影像，示左前降支近段一混合斑块，管腔呈中度狭窄。D 图，ICA 影像，示左前降支近段70%狭窄（箭头）。

2.5 AI 对不同钙化组的诊断效能 在血管及节段水平，低钙化组的特异度高于高钙化组（均P<0.05）。在病人、血管及节段水平，低钙化组的敏感度较高钙化组有降低趋势，AUC 值较高钙化组有增高趋势，但2 组间差异均无统计学意义（均P＞0.05）。详见表3。

表3 不同研究水平高低钙化组间AI 诊断阻塞性冠状动脉狭窄的效能

2.6 AI 与医师的诊断效能比较 在病人水平，AI与低/中/高年资医师诊断的AUC 值差异均无统计学意义（均 P＞0.05）。在血管水平，AI 诊断的 AUC 值均低于中/高年资医师（均P＜0.05），但与低年资医师诊断的AUC 值差异无统计学意义（P＞0.05）。在节段水平，AI 与低/中/高年资医师诊断的AUC 值差异均无统计学意义（均P＞0.05）。详见表4。

表4 不同研究水平不同年资医师对阻塞性冠状动脉狭窄的诊断效能

2.7 AI+医师与医师的诊断效能比较 在病人、血管和节段水平AI+医师诊断阻塞性冠状动脉狭窄的AUC 值与单独医师诊断的AUC 值差异均无统计学意义（均 P＞0.05）。详见表 5。

表5 不同研究水平AI+不同年资医师诊断阻塞性冠状动脉狭窄的效能

3 讨论

本研究探讨了AI 辅助CCTA 诊断阻塞性冠状动脉狭窄的效能，发现AI 辅助CCTA 诊断的平均后处理和解读时间为1.9 min，较传统后处理时间（8.5 min）减少了约77%，AI＋医师的合作模式后处理和解读时间（3.1 min）也比传统后处理时间减少了约63%。更重要的是，AI 具有较高的诊断准确性，以ICA 为诊断标准，在病人、血管及节段水平，AI 诊断阻塞性冠状动脉狭窄敏感度分别为93.7%、83.1%、67.7%，AUC 分别为 0.87、0.89、0.83，与中年资或更有经验的影像科医师相当。因此，AI 作为CCTA 辅助诊疗系统能提高医师的工作效率，在检测冠状动脉狭窄方面可作为医师可靠的辅助诊断工具。

本研究所使用的机器学习分析系统训练了一个多尺度3D UNet[14]进行冠状动脉血管树的自动分割提取，该网络可以同时利用血管的整体解剖结构和局部细节特征，然后基于三维卷积网络的自动追踪算法进行中心线的提取，最后本研究利用图网络模型捕捉血管拓扑特征，实现了血管分支的准确命名[15]。完成冠状动脉重建之后，构建一个基于多尺度多视角的曲面重组影像检测网络和一个局部分割网络，从而实现斑块的自动提取和狭窄分析。此前，Han 等[8]基于 CCTA 影像，采用 AI 的深度学习（deep learning，DL）算法进行冠状动脉狭窄评估研究，以ICA 作为诊断标准，在病人水平诊断≥50%冠状动脉狭窄时发现，AI 的诊断准确度优于传统的CCTA（AUCAI=0.870,AUCCCTA=0.781）。本研究提出的机器学习方法在病人水平显示诊断阻塞性冠状动脉狭窄的敏感度为93.7%，AUC 为0.87，这与Han 等的DL 模型诊断性能相当；但本研究中AI 与不同年资医师比较AUC 差异无统计学意义。另外，Han 等的研究没有从血管和节段水平进一步评估，也没有与不同经验的医师进行分层比较。Chen 等[9]也进行了基于DL 的CCTA 对冠心病诊断性能的研究，该研究仅对比分析了DL 模型与一组医师（5 年和16年心血管诊断经验）共同诊断的结果，结果显示在病人、血管及节段水平DL 模型诊断阻塞性CAD 的AUC 分别为 0.78、0.87、0.84，诊断医师的 AUC 分别为0.74、0.89、0.89，与本研究结果基本一致，表明AI软件诊断阻塞性CAD 具有较好的诊断准确性。此外，本研究采用低中高年资医师的分层对比，表明AI 可潜在提高低年资医师的诊断准确性，增加中高年资医师的诊断信心，明显提高工作效率。Kang等[16]在基于AI 的自动检测非阻塞性和阻塞性冠状动脉病变的研究中，通过3 名医师共同阅片的方法将≥25%的狭窄病变作为诊断参考标准，发现其在节段水平的敏感度（83%）高于本研究（67.7%），考虑可能为Kang 等以基于CCTA 影像的目测而非ICA作为参考标准。此外，在病人水平，本研究AI 检测阻塞性冠状动脉狭窄的特异度（50%）和阴性预测值（25%）较低，这可能与本研究样本量较少及纳入研究对象中阻塞性冠状动脉狭窄阳性率高有关。

传统CCTA 对冠状动脉狭窄的评估依赖于识别节段性管腔直径缩小的程度，因此钙化很大程度地影响了CCTA 诊断CAD 的准确性[17-18]。本研究分析钙化对AI 诊断效能影响的结果显示，AI 软件从病人、血管及节段水平，高钙化组的AUC 值较低钙化组有降低的趋势，但2 组间差异无统计学意义，表明钙化在本研究中不影响AI 软件的诊断性能；但限于本研究样本量较少，且本研究仅以钙化积分100 为阈值分组，仅检测血管狭窄≥50%的诊断准确性，因此钙化对于AI 准确判断狭窄程度的影响还有待进一步研究。

本研究中，在病人水平出现1 例假阳性，3 例假阴性，分析错判病例的特点可以发现，1 例假阳性病人主要为LAD 近段钙化斑块，影像质量为3 分，AI假阳性错判可能由于血管钙化较重及影像质量欠佳所致。3 例假阴性病人包括2 例有非钙化斑块（钙化积分为0）和1 例有部分钙化斑块（钙化积分104），ICA 狭窄有 2 例为 50%狭窄。AI 假阴性错判原因可能为AI 软件算法对非钙化斑块识别及检测敏感度不足，其次血管狭窄50%位于阻塞性CAD的临界值。因此，AI 软件算法对于影像质量以及钙化的耐受性还有待进一步研究。

本研究尚存在一些局限性：①为回顾性单中心研究，样本量偏少，尤其是严重钙化的病例很少。②入组病人ICA 均在CCTA 检查后进行，可能存在选择偏倚。③CAD-RADS 仅用于确定冠状动脉狭窄程度，未将医师和AI 根据CAD-RADS 分级评价冠状动脉狭窄的结果进行比较。今后需要前瞻性、多中心、大样本研究来评估AI 在实际临床研究中的诊断效能。

综上，本研究显示AI 辅助的CCTA 在诊断阻塞性冠状动脉狭窄方面具有媲美中高年资医师的诊断准确性，可明显缩短图像后处理时间，提高工作效率，有望成为诊断冠状动脉狭窄的有效辅助工具。