基于深度学习的FFRCT 在可疑冠心病病人中的应用

乔红艳 李海成 冶晓红 吴勇 徐淑颖 张龙江 胡曙东 姜建威

冠心病是临床最常见的心血管疾病，其发病率及死亡率逐年升高，且呈现年轻化趋势，因此需要多种影像检查手段进行评估和危险分层[1]。血流储备分数（fractional flow reserve，FFR）是评估冠心病功能的金标准，可以准确预测狭窄病变的缺血程度[2]。已有许多随机对照研究[2-4]证实基于FFR指导的治疗决策优于仅基于有创冠状动脉造影（invasive coronary angiography,ICA）的治疗决策，但其有创、费用昂贵，故临床应用受限。冠状动脉CT血管成像（coronary CT angiography，CCTA）作为一种无创的影像检查手段，有较高的阴性预测价值，成为指南推荐的一线检查手段[5]。CCTA上显示狭窄≥50%的病变推荐进行ICA检查，但CCTA常会高估狭窄程度，且与后续的缺血评估不一致，因此临床上亟需一种无创性功能影像检查方法来评估阻塞性冠心病[6]。随着计算流体力学及数据建模能力的提高，基于深度学习的CT-FFR（CT derived FFR,FFRCT）的无创功能技术应运而生，该技术无需注射负荷药物及增加额外的辐射剂量。与有创的FFR相比，基于深度学习的FFRCT有较高的诊断效能，并且计算过程简单，有较高的临床应用价值[7-8]。但是，目前关于FFRCT的应用研究多集中于3D计算流体力学或工作站的模式，而基于深度学习的国产FFRCT软件在临床实践中的应用相对较少，且尚未分析FFRCT所测定的缺血性病变的预测因素。因此，本研究旨在探索基于深度学习的人工智能FFRCT在临床应用中的可行性，分析冠状动脉缺血性病变可能的预测因素，并进一步探究FFRCT对可疑冠心病病人治疗决策的影响。

1 资料与方法

1.1 一般资料 回顾性收集2021年1—7月于江南大学附属医院行CCTA检查的292例病人的一般资料、用药信息、临床危险因素以及后续治疗方式。其中男187例，女105例，年龄36~87岁，平均（65.8±10.3）岁。纳入标准：①CCTA显示病变的狭窄程度为25%~99%。②临床资料完整。排除标准：①闭塞病变；②影像质量差，无法满足影像诊断要求；③急性冠状动脉综合征；④既往行血运重建术。

1.2 设备与方法 采用GE公司Revolution 256层宽体螺旋CT扫描设备。受检者仰卧位，扫描范围为隆突下1 cm至心脏膈面下约1 cm。扫描前喷服硝酸甘油以扩张冠状动脉。所有病人先行心电门控CT平扫，然后行前瞻性心电门控CCTA检查。扫描参数：管电压100 kV，自动管电流，准直器宽度160 mm，层厚0.625 mm，层间距0.625 mm，旋转时间0.28 s/r，矩阵512×512。采用双通道高压注射器经肘静脉注射非离子型对比剂碘佛醇（含碘370 mg/mL，江苏恒瑞）50 mL，注射流率5 mL/s，再以同样流率注射生理盐水30 mL。延迟时间采用人工智能触发扫描，主肺动脉窗水平的升主动脉设为动态监测区，CT值达到150 HU后延迟6 s自动触发扫描。开启冠状动脉追踪冻结技术，自适应迭代重建选择50%。

1.3 CCTA影像分析 将CCTA数据传至GE ADW4.7后处理工作站，采用冠状动脉图像处理软件（1.0版本）进行处理。由2名分别有8年和5年心血管影像诊断经验的医师独立进行分析，意见不一致时协商确定。应用多平面重组（multi-planar reformation,MPR）、最大密度投影（maximal intensity projection,MIP）和容积再现（volume-rendered,VR）后处理技术对直径≥2 mm的冠状动脉节段进行狭窄程度的半定量分析，依据血管最严重狭窄程度分为轻度（≥25%且＜50%）、中度（≥50%且＜70%）、重度（≥70%且<99%）。记录病人血管分布、狭窄程度，测量病变长度，记录狭窄类型（单发、多发）及血运重建等血管特征。

1.4 FFRCT分析 采用科亚医疗科技有限公司基于深度学习的软件（DV-FFR）对FFRCT进行分析。将病人的DICOM数据导出并传输至核心实验室，该软件通过深层双向长期递归神经网络模型进行主动脉、冠状动脉等血管分割和重建，提取冠状动脉中心线和管腔数据，采用计算机深度学习技术计算冠状动脉的FFRCT值，生成伪彩色的冠状动脉树，不同颜色代表不同阈值的FFRCT值[9-10]。测量位置选取在狭窄病变远端2～4 cm处。对于多支血管病变及单支多发病变，记录狭窄程度最严重的病变远端2～4 cm处的FFRCT值。记录每例病人的FFRCT值，FFRCT≤0.80为缺血性病变[7]。根据FFRCT数值范围将病人分为缺血性病变阳性组（FFRCT≤0.80，102例）和阴性组（FFRCT＞0.80，190例）。

1.5 临床决策评估 病人的治疗策略是基于临床症状、CCTA及ICA等制定的，包括积极的药物治疗（optimal medical treatment,OMT）和冠状动脉血运重建（revascularization,REV）[包括经皮冠状动脉介入治疗（percutaneous coronary intervention,PCI）和冠状动脉旁路移植术（coronary artery bypass grafting，CABG）]。由1名心内科主任医师仅依据CCTA结果制定治疗策略，进行FFRCT分析后，再由该医师依据FFRCT结果重新制定治疗策略，并比较前后2次治疗策略的差异。

1.6 统计学方法 采用SPSS 21.0和GraphPad Prism 7软件进行数据分析。采用Kolmogorov Simirnov对数据分布进行正态性检验。符合正态分布的计量资料以均数±标准差（±s）表示，2组间比较采用t检验；非正态分布的计量资料以中位数[M（P25，P75）]表示，2组间比较采用Mann-Whitney U检验。计数资料以例（%）表示，2组间比较采用χ2检验。采用单因素及多因素的Logistic回归分析缺血风险（FFRCT≤0.80）的独立预测因素，将单因素分析中P≤0.10的危险因素纳入多因素分析。P＜0.05为差异有统计学意义。

2 结果

2.1 2 组间一般资料比较 阳性组病人的年龄更大，且男性占比、高血压、糖尿病和吸烟的比例均高于阴性组（均P＜0.05）。2组间其余各项指标的差异均无统计学意义（均P＞0.05），详见表1。

表1 2组间一般资料的比较 例（%）

2.2 2 组间CCTA血管特征的比较 阳性组较阴性组的病人更多表现为中重度狭窄（分别为80.4%和28.4%），行血运重建术者更多（分别为56.8%和11.1%），均P<0.05。2组间的血管分布、病变长度和狭窄类型的差异均无统计学意义（均P＞0.05）。详见表2，图1、2。

图1 病人女，58岁，不典型胸痛。A图为CCTA多平面重组影像，左冠状动脉前降支近段非钙化斑块，管腔中度狭窄；B图为FFRCT分析图，斑块远端的FFRCT值为0.89。

2.3 FFRCT与CCTA判断狭窄程度的不一致率分析 全部病人的平均FFRCT为0.82±0.11。CCTA轻度、中度及重度狭窄对应的中位FFRCT值分别为0.89（0.83，0.93）、0.81（0.76，0.88）和0.70（0.64，0.77）（图3）。FFRCT与CCTA判断狭窄程度的不一致率为25.3%（74/292），即20例病人CCTA呈轻度狭窄而FFRCT呈阳性，其中2例行血运重建；54例病人CCTA呈中重度狭窄而FFRCT呈阴性，其中7例行血运重建（表2）。

图3 CCTA不同狭窄程度对应FFRCT分布的箱式图

表2 2组间CCTA血管特征的比较 例（%）

2.4 基于FFRCT与CCTA制定的治疗策略的比较 在重新进行基于FFRCT的决策分析后，基于CCTA治疗策略为OMT的156例病人中有20例改为REV；而治疗策略为REV的136例病人中有54例改为进行OMT，共计74例病人的治疗决策发生改变，改变率为25.3%（74/292）。基于FFRCT与CCTA的REV和OMT治疗策略的差异有统计学意义（P＜0.05）。详见表3。

表3 基于FFRCT与CCTA的治疗策略的比较 例（%）

2.5 预测缺血风险的单因素和多因素Logsitic回归分析 单因素Logsitic回归分析显示年龄、男性、高血压、糖尿病、吸烟、狭窄程度是缺血风险（FFRCT≤0.80）的预测因子（均P≤0.10）；多因素Logsitic回归分析显示，高血压、糖尿病及中重度狭窄是缺血风险的独立预测因素（均P＜0.05）。详见表4。

表4 影响预测缺血风险的单因素和多因素Logistic回归分析

图2 病人男，62岁，不典型胸痛。A图为CCTA多平面重组影像，左冠状动脉前降支近段混合斑块，管腔中度狭窄；B图为FFRCT分析图，斑块远端的FFRCT值为0.70。

3 讨论

FFRCT作为一种新型的无创功能评估手段，可以从标准CCTA影像中识别冠状动脉狭窄病变的功能学改变，而不需要使用血管扩张剂与额外的辐射扫描[11]。一项荟萃分析[12]显示以有创的FFR为金标准，FFRCT比CCTA诊断缺血性病变的效能更优[受试者操作特征曲线下面积（AUC）分别为0.90和0.73]。本研究所采用的基于计算机深度学习技术的DV-FFR软件，可以准确快速识别特异性缺血病灶。既往研究[7]表明，基于计算机深度学习技术诊断心肌缺血的效能较高（AUC=0.96），优于国外同类产品（AUC=0.90），且操作方便、省时，特别适合临床实际工作和急诊环境的需要。目前专家推荐根据FFRCT≤0.80判断为缺血性病变，需进行血运重建[13]，本研究亦证实FFRCT≤0.80的阳性组病人更多地表现为中重度狭窄，继而进行了血运重建。

尽管CCTA已成为评估可疑冠心病病人的一线无创性检查手段，但有研究[14]证实基于CCTA解剖上的狭窄与冠状动脉缺血并不完全匹配。一项FAME（FFR与血管造影指导冠状动脉介入治疗的比较研究）研究[15]显示，ICA解剖狭窄与有创性FFR的血流动力学的不一致率高达40%，这种不匹配会造成病人治疗决策的改变；同样基于FFRCT的RIPCORD（常规压力导丝评估影响冠状动脉造影诊断胸痛的管理策略）研究[16]也可显示CCTA解剖狭窄与FFRCT评估冠心病功能改变的不一致。本研究结果显示CCTA与FFRCT判断狭窄程度的不一致率为25.3%。因此，基于FFRCT制定的治疗决策与基于CCTA的治疗策略是不同的。本研究显示基于FFRCT所制定的治疗决策的改变率为25.3%，高于Qiao等[17]的研究结果（14.9%），这可能是由于2项研究所纳入人群的风险不同，后者纳入行ICA和CCTA检查的病人为较高风险的人群。本研究中不匹配病人有9例进行了血运重建，回顾分析发现这些病人均出现了不典型胸痛症状，提示临床行血运重建时需考虑解剖、功能检查以及病人症状等因素。

本研究还分析了FFRCT≤0.80的预测因素，以指导临床及时采取预防措施以提高冠心病病人的预后。既往一项基于有创FFR的研究[18]显示，FFRCT≤0.80的病人发生全因死亡、心肌梗死和紧急血运重建的比例明显高于FFRCT＞0.80者，基于FFR指导的治疗策略明显优于ICA指导的策略[相对风险比（RR）：0.91]。而FFR由于费用昂贵且有创，在我国推广率较低。一项基于工作站的回顾性研究[17]亦证实，基于FFRCT的特异性功能学信息的预后价值优于基于CCTA重度狭窄的解剖学信息的预后价值（风险比：6.84和1.47）。随着计算流体力学的发展，基于深度学习的FFRCT应运而生，更易于临床推广，极大提高了基层医院对冠心病病人无创功能学评估的水平。因此，有必要分析FFRCT≤0.80的预测因素。本研究结果显示糖尿病、高血压及中重度狭窄是FFRCT≤0.80的独立预测因素。狭窄程度越重，其后续的心肌得到的血流灌注越少，越容易出现心肌缺血。而高血糖、高血压会导致狭窄病变周围微环境、内皮功能及剪切应力的改变，影响远端心肌的血流灌注，容易出现缺血性病变[19-21]。因此，需要对狭窄程度重、高血糖、高血压病人采取积极的药物治疗，以减少心脏不良事件的发生，提高冠心病病人的预后。

总之，本研究证实基于深度学习的FFRCT在临床应用中是可行的，高血糖、高血压及中重度狭窄病人更容易出现缺血性改变，FFRCT可能会影响病人的治疗策略。但本研究尚存在以下不足：①没有有创FFR作对照。②未纳入斑块的数量及成分等其他影响病变缺血性改变的因素，对治疗策略的影响仅为事后分析，且没有对后续心脏不良事件做进一步分析。③本研究为单中心观察性研究，且纳入病例数相对较少，可能存在一些选择性偏移。因此，需要大型的随访对照研究来评估FFRCT对治疗策略的影响。