CAD-RADS在冠心病诊断中的应用：人工智能与人工方法的对照研究

杨阳，刁楠，黄增发，孙瑞红，王翔

冠状动脉粥样硬化性心脏病是全球最常见的死亡原因，早期诊断对于减少并发症及改善预后至关重要[1]。侵入性冠状动脉造影(invasive coronary angiography，ICA)是评估冠状动脉解剖结构及狭窄程度的金标准，但为有创检查且费用较高，且目前多种非侵入性检查能达到相似的诊断和预后评估准确性，因此非侵入性检查是更合适的一线检查方法[2]。近年来随着CT技术的不断发展，临床多采用冠脉CT血管成像(CCTA)对冠心病进行筛查及心功能分析。因此，CCTA报告评价内容及术语的标准化，成为迫切需要解决的问题。国际心血管CT协会于2016年提出了冠状动脉病变影像报告与数据系统(Coronary Artery Disease Reporting and Data System，CAD-RADS)[3]，指导临床医师结合CCTA表现和临床信息对患者的病变情况进行分级评估，并提出进一步的处理建议，适应于门诊、住院或者急诊中对怀疑或已知为冠心病患者的诊疗。CAD-RADS的目的是通过对CCTA报告的标准化，改善影像诊断医师与内科医师的沟通，最终提高医疗质量。近年来，人工智能(artificial intelligence，AI)在冠状动脉病变性心脏病诊断中的作用日益增强[4]，CCTA联合AI技术可以为目前冠状动脉病变性心脏病的筛查及诊断提供快速高效的方法。本研究旨在评估基于AI软件的CCTA后处理图像及其自动生成的CAD-RADS标准化报告在冠状动脉病变诊断中的应用价值，并评价AI软件与影像诊断医师基于CCTA的CAD-RADS分级评价是否具有良好一致性。

材料与方法

1.临床资料

搜集2018年11月-2020年12月我院PACS系统中有同期冠脉CTA及ICA检查资料且符合条件的175例冠心病患者的病例资料。其中，男105例，女70例；年龄31～83岁，平均(64.2±9.2)岁；身体质量指数为(24.1±2.7)kg/m2。冠脉狭窄程度≥50%者154例，<50%者21例。钙化积分<400者142例，≥400者33例。

纳入标准：①临床疑似冠心病患者，年龄大于18周岁；②扫描时心率低于90次/分，高心率患者在排除药物禁忌证后服用降心率药物(β受体阻滞剂)，将心率控制在90次/分以下。排除标准：①心律失常或心律不齐；②肾功能不全；③CTA检查时无法配合屏气；④因钙化或运动伪影导致图像质量无法满足诊断要求；⑤既往行冠脉支架或搭桥术。

2.检查方法

冠脉CTA检查前向患者告知检查过程及注意事项，询问过敏史，并行碘过敏实验，检查开始前反复对患者进行屏气训练。使用Siemens Somatom Definition Flash双源CT机，患者取仰卧位，扫描范围自气管隆突下至心脏膈面水平。行心脏CT平扫及增强扫描，采用回顾性心电门控扫描，扫描参数：100 kV，280 mAs，层厚0.75 mm，采用自动螺距技术(随患者心率自动调整)，球管旋转一周时间0.28 s。经前臂静脉注射非离子型对比剂碘普罗胺注射液(370 mg I/mL，Bayer Schering Pharma，Germany)60～70 mL及生理盐水30 mL，注射流率5.0～5.5 mL/s，采用对比剂示踪技术，选择主动脉根部水平设置ROI监测CT值，触发阈值为100 HU，延迟8 s后启动扫描。

3.后处理方法

将原始图像传输至冠脉CTA AI分析软件(1150.1150.1151-rc3)。此AI软件系统自动对冠脉原始图像进行后处理，获得最大密度投影、曲面重组、容积再现及血管探针等后处理图像，自动评估病变程度并进行CAD-RADS分级。另外，由3位诊断医师(参考AI后处理图像)采用盲法对冠脉病变进行诊断、冠脉钙化积分(coronary artery calcium score,CACs)的评估和CAD-RADS分级。三位医师分别具有10年(医生A)、5年(医生B)和3年(医生C)诊断经验。冠脉狭窄程度的评估方法：测量每支狭窄冠脉最窄处管径(S)，并以狭窄远端及近端管径平均值(M)作为正常管径，1-S/M即为血管狭窄程度[5]。参照2014年SC-CT发布冠脉分段法[5]，共分为18个节段，排除管腔直径<1.5 mm的冠脉血管。CAD-RADS分级标准[3]：0级，冠脉无狭窄(狭窄程度0%)；1级，冠脉轻微狭窄(狭窄程度1%～24%)；2级，冠脉轻度狭窄(狭窄程度25%～49%)； 3级，冠脉中度狭窄(狭窄程度50%～69%)；4A级，冠脉重度狭窄(狭窄程度70%～99%)；4B级，冠脉重度狭窄(左主干狭窄程度>50%或3支血管狭窄程度均≥70%)；5级，冠脉闭塞(狭窄程度100%)。根据CACs，将患者分为重度钙化组(CACs≥400)和非重度钙化组(CACs<400)。

4.ICA检查方法及图像分析

所有患者均于CCTA检查后3个月内完成ICA检查。使用Siemens Artis Q Ceiling医用血管造影机和6F MP导管，常规经桡动脉穿刺，标准投照体位，可根据实际情况增加投照体位，并采用电影模式记录不同投照体位的图像。由两位具有5年以上工作经验的心脏介入医师采用盲法(ICA评估医师对CCTA报告结果不知情)对获取图像独立进行评估，意见不一致时经协商达成共识。亦采用18段冠脉分段法，选取狭窄部位相互垂直视图进行观察，采用管腔最狭窄处直径来评估冠脉狭窄程度，并参照CAD-RADS分级标准对冠脉血管病变进行分级。

5.统计学方法

使用SPSS 17.0统计软件对数据进行统计学分析，采用MedCacl软件绘制ROC曲线。计数资料以例数(百分比)表示，计量资料以均数±标准差表示。以ICA为金标准，在全部样本、重度钙化组和非重度钙化组中分别比较AI诊断软件与各年资影像诊断医师对管腔狭窄程度≥50%的阻塞性冠脉狭窄(obstructive coronary stenosis，OCS)的诊断效能。采用Kappa检验分别评价AI诊断系统与3位影像诊断医师CAD-RADS分级的一致性。Kappa值评价标准：Kappa值<0.40为一致性差；0.40～0.59为一致性中等；0.60～0.74为一致性良好；0.75～1.00为一致性高[6]。

结 果

1.AI软件及3位医师对OCS的诊断效能

基于CCTA图像，以ICA结果为金标准，AI软件和3位放射诊断医师对OCS的诊断结果和效能指标值见表1。在总样本中，AI软件的敏感度略低于高、中年资医师，但高于低年资医师；特异度和AUC虽低于高年资医师，但高于中、低年资医师。在非重度钙化组，AI软件与高、中、低年资医师各项诊断效能指标比较，趋势基本与总样本一致。而在冠脉严重钙化组，AI软件的敏感度及特异度分别为96.6%和25.0%，低于各年资医师，AUC值亦低于各年资医师。上述各组中AI软件与各年资医师AUC值间的差异均无统计学意义(P>0.05)。

表1 AI与放射诊断医师对OCS诊断效能对比

2.AI软件及影像医师CAD-RADS分级结果及一致性分析

AI软件、3位医师基于CCTA及ICA对冠状动脉病变的CAD-RADS分级结果见表2。

表2 ICA及AI软件、放射医师基于CCTA的CAD-RADS分级结果 /例

AI软件的CAD-RADS分级分别与3位医师进行一致性分析，结果显示：与医师A的的一致性良好(Kappa=0.677，P<0.001)，与医生B的一致性中等(Kappa=0.466，P<0.001)，与医生C的一致性中等(Kappa=0.428，P<0.001)。

图1 AI诊断软件及高、中、低年资诊断医师评估阻塞性冠脉狭窄的ROC曲线。a)总样本组(175例)，AUC分别为0.764、0.858、0.747和0.731； b) CACs<400组(142例)，AUC分别为0.801、0.884、0.776和0.756； c) CACs≥400组(33例)，AUC分别为0.608、0.750、0.625和0.625。

讨 论

随着成像技术及后处理技术的飞速发展及革新，CCTA在诊断冠心病中的地位及作用不断提高。人工智能的不断发展，基于深度学习的AI软件系统结合CCTA也已开始应用于冠心病的诊断和预后预测[7]。但需要指出，随着CCTA在冠心病诊断中的广泛应用，数量倍增的CCTA图像后处理及诊断分析也给影像诊断医师带来了前所未有的压力。研究表明AI系统可明显缩短图像后处理的时间，仅需10～30 s即可完成，并可即刻生成诊断报告，而诊断医师图像后处理及书写报告的平均时间为13.6～18.0 min[8-9]。因此AI系统可显著提高CCTA图像的后处理及诊断的时间效率。在加快速度的同时，对于CCTA图像诊断分析的准确性尤为重要。AI系统如能兼顾时间与诊断效能，就能够减轻放射医师的工作负荷，并在一定程度上能缩短患者的诊断时间，从而得到更快速的诊断和治疗。

本研究中，AI软件与高年资医师基于CCTA图像的CAD-RADS分级一致性良好，而与中、低级年资医师的分级一致性一般，这与此前本院的一项相关研究结果基本一致[10]。其中对于CAD-RADS分级≥3的阻塞性冠脉狭窄，AI诊断系统的诊断性能良好，AUC高于中、低年资诊断医师，略低于高年资诊断医师。在严重钙化组(CACs≥400)，AI诊断系统的AUC减小，低于各年资诊断医师。在非严重钙化组(CACs<400)，AI诊断系统的AUC仍高于中、低年资诊断医师，略低于高年资诊断医师，但AI诊断系统的AUC在排除严重钙化后有所增高，与高年资医师之间AUC值的差距缩小。由此笔者认为重度钙化影响AI诊断系统对于阻塞性冠脉狭窄的诊断，这与许丽雪等[11]和Tesche等[12]的研究结果一致。许丽雪等[11]的研究结果显示随着钙化负荷的增加，无论是基于深度学习算法的AI系统还是诊断医师的视觉评估，虽然对冠脉狭窄的诊断敏感度增高，但特异度减低，对狭窄程度的诊断符合率减低；其中，AI软件对分支血管病变的诊断特异度降低更明显，是造成AI软件对狭窄程度判断准确性减低的主要原因。

本研究中AI诊断软件诊断阻塞性冠脉狭窄的敏感度、特异度、PPV和NPV与Chen等[13]和Xu等[14]的研究结果基本一致，可见AI软件的诊断效能是稳定的。本研究中AI系统及诊断医师对于阻塞性冠脉狭窄的阴性预测值不高，笔者认为这与纳入本研究的受试者中阻塞性冠脉狭窄的阳性率较高(88%)有关。AI诊断软件对OCS产生误判的共有22例患者。其中，4例钙化积分>400，AI对其中的3例(3/4)存在狭窄程度的高估，1例为低估；8例狭窄位于血管分叉处，多位于左主干或第一对角支分叉处，狭窄程度高估与低估均为4例；5例混合斑块导致的管腔闭塞及1例回旋支远段闭塞，AI系统未识别；余4例AI诊断系统能够识别狭窄节段，但存在狭窄程度的低估，这4例中1例CCTA显示局部肌桥形成，前降支受压呈大于50%狭窄，ICA未提示该狭窄，1例为两枚钙化斑块距离较近，血管局部迂曲，ICA提示该区大于70%狭窄，AI诊断系统存在低估，1例为左主干分叉处非钙化斑块导致局限性大于70%狭窄，紧邻前降支呈动脉瘤样扩张，AI低估狭窄程度，另1例无特殊，狭窄程度有所低估。AI诊断系统误判的血管类型与李浚利等[15]的研究结果有类似之处，对血管分叉处狭窄及闭塞节段管腔的识别应引起AI诊断系统研发者的关注，在模型及训练数据上进行优化，以提高对阻塞性冠脉狭窄的诊断准确性。

图2 患者，女,76岁，三位不同年资医生均准确判断冠脉狭窄程度，且评估为CAD-RADS 4A级，与ICA诊断结果一致。a)ICA右前斜位，左前降支近段可见局限性重度狭窄(黄箭)；b)ICA左前斜位，左前降支近段可见局限性重度狭窄(黄箭)，第1对角支可见局限性中度狭窄(黑箭)；c)CCTA左前降支MPR图像，可见左前降支近段局限性重度狭窄(黄箭)；d)CCTA第1对角支MPR图像，可见第1对角支局限性中度狭窄(黄箭)；e)CCTA图像AI软件工作流程，AI软件可准确识别左前降支重度狭窄(黄箭)，评估为CAD-RADS 4A级，与ICA的诊断结果一致。

综上所述，本研究中AI软件基于CCTA图像的CAD-RADS分级评价与高年资影像诊断医师之间具有良好的一致性，对于阻塞性冠脉狭窄的诊断效能良好，与诊断医师相当。目前，大型医院中负责冠脉后处理及报告书写的多为中、低年资医师，由高年资医师审核修改，因此我们可以初步推断AI系统不论从时间效率，还是诊断效能上均可胜任CCTA图像的后处理及诊断报告的输出，这与Xu等[14]的研究结论也是一致的。但需注意，较为严重的冠脉钙化会显著影响AI软件对冠脉病变的诊断准确性，因此AI系统需要进一步优化，提高对严重钙化血管狭窄程度的识别能力。

本研究局限性在于该研究为回顾性研究，且因多数患者都是在CCTA诊断至少一条冠脉狭窄≥50%后，才会进行ICA检查，因此阻塞性冠脉狭窄患者的占比较高，可能造成样本的选择偏倚，特定疾病在人群中的患病率是任何疾病检测诊断性能的重要因素。因此，尚需要在多样化及更大样本量人群中进行前瞻性研究，来评估AI诊断系统的诊断性能。对于AI自动化CAD-RADS报告的评价中，排除了CAD-RADS中对支架、桥血管及易损斑块的分类描述，因这几类病变在本研究中使用的AI系统中训练样本量仍不足，后期会增加此类病例用于机器深度学习和多中心验证，完善AI诊断系统的自动化CAD-RADS分级报告系统。