人工智能辅助冠脉CTA“双低”成像诊断冠状动脉病变的可行性研究

何付权 李亚飞 杨嘉 刘晓强 朱磊

【摘要】 目的：探究人工智能（AI）辅助冠脉CT血管成像（CTA）“双低”成像诊断冠状动脉病变的可行性。方法：选取2022年7月—2023年6月于上海交通大学附属第一人民医院就诊的116例疑似冠状动脉病变患者，所有患者均行冠脉CTA“双低”成像诊断，图像均经医生诊断和AI辅助诊断，比较两种方式的诊断时间及对图像质量评估结果，以选择性冠状动脉造影术（CAG）结果为金标准，比较两种方式对冠状动脉病变的诊断价值。以医生诊断结果为标准，采用Kappa检验分析AI辅助诊断与医生诊断对冠状动脉狭窄程度、冠状动脉斑块诊断的一致性。结果：AI组诊断时间短于医生组，图像评优率高于医生组（P<0.05）；医生组和AI组诊断对冠状动脉病变的准确率分为93.97%、93.10%，敏感度分别为95.33%、94.39%，特异度分别为77.78%、77.78%，差异均无统计学意义（P>0.05）；Kappa检验结果显示，医生组与AI组对冠状动脉狭窄程度、冠状动脉斑块诊断的Kappa值分别为0.954、0.922，具有高度一致性。结论：AI辅助冠脉CTA“双低”成像对冠状动脉病变有较高的诊断价值，能显著缩短冠状动脉病变的诊断时间，可作为医生诊断冠状动脉病变的有效辅助工具。

【关键词】 冠状动脉病变 人工智能 冠脉CT血管成像 辅助诊断 可行性

Feasibility Study of Artificial Intelligence-assisted Coronary CTA Imaging under "Double Low Scheme" in the Diagnosis of Coronary Artery Lesion/HE Fuquan， LI Yafei， YANG Jia， LIU Xiaoqiang， ZHU Lei. //Medical Innovation of China， 2024， 21（13）： -134

[Abstract] Objective： To explore the feasibility of artificial intelligence （AI）-assisted coronary CT angiography （CTA） imaging under "double low scheme" in the diagnosis of coronary artery lesion. Method： A total of 116 patients with suspected coronary artery lesion in the First People's Hospital Affiliated to Shanghai Jiao Tong University from July 2022 to June 2023 were selected. All patients underwent coronary CTA imaging diagnosis under "double low scheme". The images were diagnosed by doctors and AI-assisted diagnosis. The diagnosis time and image quality assessment results of the two methods were compared. Selective coronary angiography （CAG） result was used as the gold standard to compare the diagnostic value of the two methods on coronary artery disease. Based on the doctor's diagnosis result， Kappa test was used to analyze the consistency of AI-assisted diagnosis and doctor's diagnosis in the diagnosis of coronary artery stenosis degree and coronary plaque. Result： The diagnosis time in AI group was shorter than that in doctor group， and the rate of excellent image assessment was higher than that in doctor group （P<0.05）. The accuracy rates of diagnosis of coronary artery disease in doctor group and AI group were 93.97% and 93.10%， the sensitivities were 95.33% and 94.39%， and the specificities were 77.78% and 77.78% respectively， the differences were no significant differences （P>0.05）. Kappa test results showed that the Kappa values of doctor group and AI group for the diagnosis of coronary artery stenosis degree and coronary plaque were 0.954 and 0.922 respectively， with high consistency. Conclusion： AI-assisted coronary CTA imaging under "double low scheme" has a high diagnostic value on coronary artery lesion， and it can significantly shorten the diagnosis time of coronary artery lesion and can be used as an effective auxiliary tool for doctors to diagnose coronary artery lesion.

[Key words] Coronary artery lesion Artificial intelligence Coronary CT angiography Assisted diagnosis Feasibility

First-author's address： Department of Radiology， the First People's Hospital Affiliated to Shanghai Jiao Tong University， Shanghai 201620， China

doi：10.3969/j.issn.1674-4985.2024.13.030

冠状动脉病变是指冠状动脉供血不足或阻塞的疾病，其病因主要是动脉粥样硬化，即血管壁内脂质沉积形成斑块，逐渐增大堵塞血管腔[1]。冠状动脉病变临床表现为胸痛、气短、胸闷、心悸、乏力等，发病通常与高血脂、高血压、糖尿病、吸烟、肥胖、炎症反应和家族遗传等因素有关，近年来，其发病率和病死率上升，且呈年轻化趋势发展，因此，早期诊断和临床干预极其重要[2-3]。冠状动脉病变诊断通常以冠状动脉造影（CAG）为金标准，但该法为有创检查，且检查结果较为复杂，使其在临床诊断中的应用受到限制[4]。冠脉CT血管（CTA）“双低”成像是一种非侵入性检查方法，扫描中使用低剂量成像和低噪声成像，以提高对冠状动脉的分辨率和显示能力，有助于准确诊断冠状动脉病变，但图像处理依赖于医生，仍需人力资源支撑[5]。随着医学人工智能（AI）发展，AI辅助冠脉CTA诊断疾病已成为研究热点。本文旨在探究人工智能辅助冠脉CTA“双低”成像诊断冠状动脉病变的可行性，以期为冠状动脉病变临床诊断提供支持。

1 资料与方法

1.1 一般资料

选取2022年7月—2023年6月于上海交通大学附属第一人民医院就诊的116例疑似冠状动脉病变患者。纳入标准：（1）临床表现为胸闷、气短、心悸等症状；（2）血流动力学异常，疑似冠状动脉狭窄；（3）均行CAG及冠脉CTA“双低”成像检查，两种检查间隔<2周；（4）年龄≥18岁。排除标准：（1）对检查所用试剂过敏；（2）安装心脏起搏器、搭桥术；（3）冠脉CTA“双低”成像所得图像存在伪影，影响诊断；（4）严重心律不齐、心率过快；（5）AI软件无法自动计算已完成的病例；（6）无法配合完成检查。116例患者中男75例，女41例；平均年龄（62.43±6.17）岁；平均体重指数（23.77±2.24）kg/m2。研究已通过上海交通大学附属第一人民医院医学伦理委员会审核。患者或家属知情同意。

1.2 方法

CAG检查：采用FD20数字血管造影机（飞利浦），对比剂选用400 mg/mL的碘美普尔注射液（生产厂家：上海博莱科信谊药业有限责任公司，批准文号：国药准字J20150053，规格：100 mL︰40 g）。术前检查后，局部麻醉，经皮穿刺右股动脉或桡动脉置入血管鞘，将冠状动脉导管分别置入左、右冠状动脉，选择不同投照角度，检查冠状动脉病情情况，每个体位对比剂注射量为4～6 mL。

冠脉CTA“双低”成像检查：采用第三代192层双源CT扫描机（Somatom Force，Simens Healthineers，Forchheim，Germany）检查，对比剂选用碘美普尔注射液（400 mg/mL）。患者取仰卧位，连接电极后对患者进行呼吸和屏气训练，常规舌下喷0.5 mg硝酸甘油气雾剂，患者深吸气未屏气状态下扫描，扫描范围为气管分叉下1 cm至心底位置。扫描参数设置：管电压70～120 kV，根据患者定位窗由机器自动调节；管电流根据噪声指数自动调节；旋转时间：0.25 s/r；螺距：0.2；准直器宽度：128×0.652 mm；重建矩阵：512×512；重建厚度：0.6 mm；重建间隔：0.3 mm。采用高压注射器以3.5～5.5 mL/s速度经肘静脉注射对比剂39～60 mL，随后以同速度注射生理盐水40 mL，运用对比剂追踪触发技术选择主动脉根部降主动脉管腔层面为感兴趣区（ROI），ROI的CT值>100 HU时，延迟5 s自动触发扫描，采用心电门控技术，选择最佳舒张期重建图像。

图像处理：扫描完成后将原始图像传送值工作站，由资深心内科医生对前降支、右冠脉、回旋支冠脉三大主支进行评估。参照美国心脏血管CT学会评估冠状动脉狭窄、狭窄程度、斑块情况等，其中<25%为无狭窄或轻微狭窄；25%～50%为轻度狭窄；51%～70%为中度狭窄；71%～100%为重度狭窄或闭塞[6]。AI辅助诊断均在医生诊断之后，采用AI辅助诊断软件（数坤）一键生成冠脉CTA“双低”成像结果和分析报告。

1.3 观察指标及评价标准

（1）诊断时间和图像质量评估比较：记录医生诊断和AI辅助诊断处理和分析图像所需时间，统计医生诊断和AI辅助诊断对图像质量评价结果，其中医生诊断时间包括整个冠脉后处理时间加报告书写时间，AI处理时间为医生点击患者选项开始至报告生成时间。图像质量评价：图像无伪影，血管连续完整，边缘光滑、清晰为优；图像有少量伪影，血管边缘欠光滑为良好；图像伪影较多，可勉强诊断为差。（2）诊断效能：以CAG检查结果为金标准，分析医生诊断和AI辅助诊断对冠状动脉狭窄的诊断效能，其中检出动脉狭窄为阳性，未检出动脉狭窄为阴性。（3）冠状动脉狭窄程度诊断：以医生诊断结果为标准，采用Kappa检验分析AI辅助冠脉CTA“双低”成像对冠状动脉狭窄程度诊断的一致性。（4）冠状动脉斑块诊断：以医生诊断结果为标准，采用Kappa检验分析AI辅助冠脉CTA“双低”成像对冠状动脉斑块诊断的一致性。

1.4 统计学处理

采用SPSS 22.0软件分析数据。计数资料以率（%）表示，采用字2检验，计量资料以（x±s）表示，行t检验。以医生诊断为标准，采用Kappa检验分析AI辅助冠脉CTA“双低”成像对冠状动脉狭窄程度、冠状动脉斑块诊断的一致性，Kappa值≥0.75为一致性较好，0.4

2 结果

2.1 医生组和AI组诊断时间及图像质量比较

AI组诊断时间显著短于医生组，且AI组诊断评估图像质量评优率高于医生组（P<0.05），见表1。

2.2 医生组和AI组诊断冠状动脉狭窄的检出情况

以CAG检查结果为金标准，医生组对冠状动脉狭窄总体检出的准确度、敏感度、特异度、阳性预测值、阴性预测值分别为93.97%、95.33%、77.78%、98.08%、58.33%；AI组对冠状动脉狭窄总体检出的准确度、敏感度、特异度、阳性预测值、阴性预测值分别为93.10%、94.39%、77.78%、98.06%、53.85%，差异均无统计学意义（P>0.05）。见表2。

2.3 医生组和AI组诊断冠状动脉狭窄程度的一致性

以医生组结果为标准，Kappa分析结果显示，AI组对冠状动脉狭窄程度诊断的Kappa值为0.922，敏感度为91.46%，特异度为94.12%，见表3。

2.4 医生组和AI组诊断对冠状动脉斑块检出的一致性

以医生组结果为标准，Kappa分析结果显示，AI组对冠状动脉斑块检出的Kappa值为0.954，敏感度为95.37%，特异度为87.50%，见表4。

3 讨论

冠状动脉病变诊断主要采用影像学检查，其检查金标准为CAG，通过在患者的手腕或大腿动脉插入导管，经过血管引导器将导管导入冠状动脉，并注入造影剂，采用X线摄影观察造影剂在冠状动脉中的分布情况，以此判断冠状动脉是否病变、病变程度、范围及位置，但CAG为有创检查，会对机体产生损伤，且部分患者排斥该法[7-9]。冠脉CTA“双低”成像利用冠脉CTA中的“低剂量”和“低碘质量”成像技术评估冠状动脉病变，还能从多角度、全方位评估动脉管壁斑块情况，该技术在保证图像质量的同时，最大限度地减少患者接受辐射剂量和碘对比剂的风险[10-11]。近年来，随着AI技术的发展，AI被广泛应用于医学影像，可减少医生简单重复性工作，提高医生诊断效率，同时减少人为错误，提高诊断准确性[12-13]。本研究纳入116例疑似冠状动脉病变患者，分析人工智能辅助冠脉CTA“双低”成像诊断冠状动脉病变的可行性。

本研究发现，AI组诊断时间显著短于医生组，图像质量评优率高于医生组，且两组对冠状动脉狭窄总体检准确度无统计学差异，提示AI诊断可有效缩短冠状动脉狭窄诊断和报告处理时间，且两种诊断方式均具有较高的准确度。究其原因可能是医生诊断过程中为获得较高质量的图像，需对原始数据进行判断，选择最佳心动周期图像，并对图像进行后处理，该过程医生需对多支冠状动脉进行判读，过程较为烦琐，需要大量重复劳动力，且受医生熟练程度、个人经验等影响，因此诊断所需时间较长[14-15]。AI已具有图像自动后处理、诊断等多种深度学习的功能，对不同起点、路径和终点的多支桥血管具有良好的识别和评估能力，通过计算机算法分析和解读影像图像来辅助诊断，且AI可以对大量的影像数据进行自动处理和分析，快速处理影像图片及诊断报告，缩短诊断时间，且诊断结果与医生诊断一致性较高。此外，AI主要通过像素面积识别进行分级，避免医生诊断中人眼对中间质量层级的感知误差，提高阅片的准确性，因此AI辅助诊断对影片的评优率较高[16-18]。

本文显示，以医生诊断为标准，AI组对冠状动脉狭窄程度诊断、斑块检出的Kappa值分别为0.922、0.954，说明AI组对冠状动脉狭窄程度诊断、斑块检出与医生诊断具有极高一致性。这可能是因为人眼对冠状动脉狭窄程度及斑块判断主要依靠临床经验和医学知识，通过升主动脉壁上的凸起盲端等，结合患者的症状、体征及相关的实验室检查等方面综合判断，准确率较高，但医生对冠状动脉狭窄程度的判断具有主观性。AI软件在学习数据时模型没有代表性，会出现血管分割遗漏，出现误诊风险，且伪影也会增加AI判断误差[19-20]。因此，AI辅助诊断在冠状动脉病变的诊断中可以起到辅助作用，但医生的经验和临床判断仍然是不可替代的，只有医生和AI技术相结合，才能提高冠状动脉病变的诊断准确性。

综上所述，AI辅助冠脉CTA“双低”成像对冠状动脉病变有较高的诊断价值，能显著缩短冠状动脉病变的诊断时间，可作为医生诊断冠状动脉病变的有效辅助工具。

参考文献

[1] MEDINA-LEYTE D J，ZEPEDA-GARC?A O，DOM?NGUEZ-P?REZ M，et al.Endothelial dysfunction， inflammation and coronary artery disease： potential biomarkers and promising therapeutical approaches[J].Int J Mol Sci，2021，22（8）：3850.

[2]刘震，李慧珠，高明康，等.血管内光学相干断层成像在颈动脉粥样硬化病变中的研究进展[J].中国临床实用医学，2022，13（4）：70-73.

[3] SUCATO V，COPPOLA G，MANNO G，et al.Coronary artery disease in south asian patients：cardiovascular risk factors，pathogenesis and treatments[J].Curr Probl Cardiol，2023，48（8）：101228.

[4] CURY R C，LEIPSIC J，ABBARA S，et al.CAD-RADS? 2.0-2022 coronary artery disease-reporting and data system： an expert consensus document of the society of cardiovascular computed tomography （SCCT）， the American College of Cardiology （ACC）， the American College of Radiology （ACR）， and the North America Society of Cardiovascular Imaging （NASCI）[J].J Cardiovasc Comput Tomogr，2022，16（6）：536-557.

[5] CADEMARTIRI F，CASOLO G，CLEMENTE A，et al.Coronary CT angiography：a guide to examination， interpretation， and clinical indications[J].Expert Rev Cardiovasc Ther，2021，19（5）：413-425.

[6] CURY R C，ABBARA S，ACHENBACH S，et al.Coronary artery disease-reporting and data system （CAD-RADS）： an expert consensus document of SCCT，ACR and NASCI：endorsed by the ACC[J].JACC Cardiovasc Imaging，2016，9（9）：1099-1113.

[7] FISCHER A M，EID M，DE CECCO C N，et al.Accuracy of an artificial intelligence deep learning algorithm implementing a recurrent neural network with long short-term memory for the automated detection of calcified plaques from coronary computed tomography angiography[J].J Thorac Imaging，2020，1（1）：S49-S57.

[8]马方伟，张蕾，陈首名，等.64层CCTA对冠心病患者冠状动脉狭窄的诊断价值[J].西部医学，2023，35（7）：1079-1082，1088.

[9]朱轶，陈旭锋，李伟，等.早期全身CT联合冠状动脉造影术在体外心肺复苏中的应用[J].中华急诊医学杂志，2022，31（12）：1603-1607.

[10] QIAO H Y，TANG C X，SCHOEPF U J，et al.Impact of machine learning-based coronary computed tomography angiography fractional flow reserve on treatment decisions and clinical outcomes in patients with suspected coronary artery disease[J].Eur Radiol，2020，30（11）：5841-5851.

[11]文雨婷，李万江，李真林，等.超低管电压联合DLIR-H算法在冠脉CT血管成像“双低”扫描中的应用价值[J].中国医疗设备，2022，37（2）：78-81，88.

[12]左晨，刘畅，付丽媛.人工智能冠状动脉CT血管造影检测冠状动脉狭窄的应用价值研究[J].中国医学装备，2022，19（12）：11-14.

[13]宋丹丹，齐星亮，刘佳林，等.人工智能技术在胸部CT恶性及非钙化结节检出中的价值[J].医学影像学杂志，2023，33（1）：154-157.

[14] LUO N，HE Y，FAN J，et al.Performance evaluation of deep learning-based post-processing and diagnostic reporting system for coronary CT angiography： a clinical comparative study[J].Chin Med J （Engl），2022，135（19）：2366-2368.

[15] PAUL J F，ROHNEAN A，GIROUSSENS H，et al.Evaluation of a deep learning model on coronary CT angiography for automatic stenosis detection[J].Diagn Interv Imaging，2022，103（6）：316-323.

[16] LIN A，MANRAL N，MCELHINNEY P，et al.Deep learning-enabled coronary CT angiography for plaque and stenosis quantification and cardiac risk prediction： an international multicentre study[J/OL].Lancet Digit Health，2022，4（4）：e256-e265.https：//pubmed.ncbi.nlm.nih.gov/35337643/.

[17] LIU C Y，TANG C X，ZHANG X L，et al.Deep learning powered coronary CT angiography for detecting obstructive coronary artery disease：the effect of reader experience，calcification and image quality[J].Eur J Radiol，2021，142（1）：109835.

[18]张晓浩，刘军波，范丽娟.人工智能技术应用于冠状动脉CTA图像后处理的可行性[J].放射学实践，2021，36（8）：994-999.

[19]罗南，张婷婷，原媛，等.冠状动脉CT血管成像人工智能系统对冠状动脉旁路移植术后桥血管的重建及评估能力分析[J].实用放射学杂志，2023，39（8）：1244-1248.

[20]王宪凯，贾学燕，程祥科，等.人工智能在冠状动脉CTA图像后处理及狭窄评估中的应用价值[J].医学影像学杂志，2022，32（4）：588-590，720.

（收稿日期：2024-03-14） （本文编辑：何玉勤）