劉春雨 謝媛 蘇曉芹 楊振悅 陳隨 周長圣 李建華 徐峰

阻塞性冠狀動脈疾病（coronary artery disease，CAD）是全球人口死亡的主要原因[1-2]。早期篩查和診斷阻塞性CAD 對于病人后續(xù)治療及預(yù)后具有重要價值。冠狀動脈CT 血管成像（coronary CT angiography，CCTA）在排除冠狀動脈狹窄及風(fēng)險預(yù)測方面有很好的性能，且快速、無創(chuàng)，已成為首選的檢查方法[3-4]。然而，常規(guī)CCTA 的圖像后處理工作量大、過程繁瑣、耗時久，而且醫(yī)師主要通過目測對血管狹窄程度進行判斷，因此診斷經(jīng)驗不足的低年資醫(yī)師對此容易出現(xiàn)診斷錯誤。近年來，人工智能（artificial intelligence，AI）技術(shù)已成功應(yīng)用于影像學(xué)領(lǐng)域[5-6]，它提供了一種自動化醫(yī)學(xué)影像分析與診斷方法，可以提高醫(yī)師的工作效率。在診斷冠狀動脈狹窄方面，已有研究表明AI 可以在較短時間內(nèi)對CCTA 數(shù)據(jù)進行圖像后處理和狹窄的自動化檢測，診斷性能近似于人工分析，且時間效率明顯提高[7-9]。但是，目前關(guān)于AI 與不同年資醫(yī)師、AI+不同年資醫(yī)師對于冠狀動脈狹窄的診斷效能比較的研究還較少；此外，鈣化對AI 軟件診斷準確性是否有影響也有待研究。因此，本研究以有創(chuàng)冠狀動脈造影（invasive coronary angiography，ICA）為診斷金標準，探究以AI 為基礎(chǔ)的CCTA 診斷阻塞性冠狀動脈狹窄的效能，并將AI 與不同年資醫(yī)師診斷的性能進行對比分析，以進一步驗證AI 軟件輔助診斷阻塞性冠狀動脈狹窄的診斷水平。

1 資料與方法

1.1 一般資料 回顧性納入2018 年1—7 月在中國人民解放軍東部戰(zhàn)區(qū)總醫(yī)院行CCTA 和ICA 檢查的50 例懷疑有冠狀動脈疾病的病人，其中男34例，女 16 例，年齡 20~90 歲，平均（61.8±8.5）歲。排除標準：①CCTA 與ICA 檢查時間間隔＞3 個月；②CCTA 影像質(zhì)量差（即不可評價，血管結(jié)構(gòu)不可區(qū)分）；③CCTA 檢查前行血運重建術(shù)者。50 例病人中30 例有胸痛，12 例有心悸，33 例有高血壓病史，5例有高血脂癥，11 例有糖尿病史，5 例有吸煙史。

1.2 CCTA 掃描 采用西門子 SOMATOM Definition Flash 第二代雙源CT 掃描設(shè)備，前瞻性心電門控序列掃描技術(shù)。掃描前2~3 min 給予所有受檢者舌下含服硝酸甘油以擴張冠狀動脈。CT 掃描經(jīng)定位相確定掃描范圍后，先行鈣化積分掃描，范圍從氣管分叉下1.0 cm 至心臟膈面。平掃完成后進行CCTA 掃描，利用Lrich 雙筒高壓注射器經(jīng)病人肘前靜脈注射非離子對比劑碘普羅胺（含碘370 mg/mL，德國先靈公司）60 mL，注射流率4.5~5.0 mL/s；延遲時間應(yīng)用AI 觸發(fā)掃描系統(tǒng)確定，將興趣區(qū)放置在升主動脈，當(dāng)CT 值達到100 HU 即可觸發(fā)掃描。CT掃描參數(shù)：管電壓120 kV，管電流280 mA，準直器寬度 64×2×0.6 mm，機架旋轉(zhuǎn)時間 0.28 s，球管旋轉(zhuǎn)時間0.33 s/r，鈣化積分掃描層厚3 mm，CCTA 掃描層厚0.75 mm。

1.3 冠狀動脈鈣化積分計算 應(yīng)用西門子Syngo.via 軟件（VB20A_HF06），采用 Agatston 積分法計算冠狀動脈鈣化積分，用不同顏色標記冠狀動脈各分支的鈣化區(qū)域，自動獲得冠狀動脈各分支的鈣化積分值以及總積分值。以病人水平總鈣化積分100 作為分組閾值[10]，將病人分為低鈣化組（鈣化積分＜100）和高鈣化組（鈣化積分≥100）。

1.4 影像質(zhì)量評分 由1 位中年資醫(yī)師在西門子Syngo.via 軟件（VB20A_HF06）上閱片并進行評價1次，采用5 分法對CCTA 的影像質(zhì)量進行評分[11]：5分，無運動偽影，冠狀動脈輪廓清晰；4 分，有輕微偽影和輕微模糊；3 分，存在中度偽影和中度模糊，無結(jié)構(gòu)不連續(xù)性；2 分，存在嚴重偽影或不連續(xù)；1 分，不可評價，血管結(jié)構(gòu)不可區(qū)分。

1.5 冠狀動脈狹窄程度判斷 參照美國心臟病學(xué)會建議的冠狀動脈樹18 段分段法[12]進行冠狀動脈節(jié)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）及右冠狀動脈（right coronary artery，RCA），將管徑≥2 mm 的冠狀動脈節(jié)段納入研究。參考冠狀動脈疾病報告與數(shù)據(jù)系統(tǒng)（coronary artery disease reporting and data system，CAD-RADS）的分類標準[13]，記錄CCTA 上的冠狀動脈管腔狹窄程度：無狹窄（0）；輕微狹窄（1%~24%）；輕度狹窄（25%~49%）；中度狹窄（50%~69%）；重度狹窄（70%~99%）；閉塞（100%）。將冠狀動脈管腔狹窄≥50%定義為阻塞性冠狀動脈狹窄。

1.6 影像分析 采用AI、醫(yī)師和AI+醫(yī)師這3 種分析模式，記錄每個病例的閱片結(jié)果（包括病變狹窄程度、狹窄節(jié)段），同時記錄每例病人圖像后處理時間（從圖像調(diào)入到最終報告結(jié)果時間）及解讀時間。

1.6.1 AI 分析 將CCTA 的DICOM 數(shù)據(jù)傳至深睿醫(yī)療DeepWise（V3.0.0.1）AI 系統(tǒng)。該系統(tǒng)能自動進行圖像后處理，對冠狀動脈狹窄進行檢測，并給出結(jié)構(gòu)化診斷報告。

1.6.2 醫(yī)師分析 在西門子Syngo.Via. VB20A_HF06 后處理工作站上評估CCTA 影像。由低、中、高年資（分別對應(yīng)1~2、4~5 和10 年心血管影像診斷經(jīng)驗）放射科醫(yī)師各2 名在不知道ICA 和AI 結(jié)果的情況下獨立評估，同年資醫(yī)師結(jié)果不一致時，共同協(xié)商后得出判斷結(jié)果。

1.6.3 AI+醫(yī)師分析 在醫(yī)師閱片1 個月后，進行AI+醫(yī)師分析模式。AI 軟件自動輸出冠狀動脈狹窄結(jié)果后，由低、中、高年資放射科醫(yī)師各1 名分別獨立評價AI 輸出的狹窄程度。醫(yī)師將AI 的結(jié)果與目測評估相結(jié)合，做出最終決定并報告，即為AI+醫(yī)師共同的冠狀動脈狹窄程度結(jié)果。

1.7 ICA 檢查 采用 Siemens Artis Zee Floor 數(shù)字血管造影系統(tǒng)進行ICA 檢查。對比劑采用碘佛醇（含碘320 mg /mL，恒瑞醫(yī)藥有限公司），每個投照體位團注5 mL 對比劑，注射流率1.0~1.5 mL/s。經(jīng)皮穿刺右股動脈或右橈動脈置入血管鞘，選擇冠狀動脈導(dǎo)管分別插入左、右冠狀動脈并固定導(dǎo)管頭，電影模式記錄圖像；通過不同投照角度明確左右冠狀動脈主干及分支的病變節(jié)段及狹窄程度。將ICA 顯示冠狀動脈管腔狹窄≥50%視為阻塞性冠狀動脈狹窄。

1.8 統(tǒng)計學(xué)方法 采用SPSS 23.0 軟件、MedCalc 17.6 軟件進行數(shù)據(jù)分析。符合正態(tài)分布的計量資料以均數(shù)±標準差（）表示，2 組間比較采用獨立樣本t 檢驗。非正態(tài)分布的計量資料采用中位數(shù)和四分位數(shù)[M（P25，P75）]表示。以 ICA 為金標準，分別以病人、血管及節(jié)段為單位，計算AI、醫(yī)師、AI+醫(yī)師在CCTA 中對阻塞性冠狀動脈狹窄診斷的敏感度、特異度、陽性預(yù)測值（positive predicitive value, PPV）、陰性預(yù)測值（negative predicitive value，NPV）和準確度，繪制受試者操作特征（ROC）曲線，計算曲線下面積（AUC）及其95%可信區(qū)間（CI）。采用Pearson卡方檢驗或Fisher 精確概率檢驗比較組間差異，采用DeLong 檢驗比較AUC。P＜0.05 為差異有統(tǒng)計學(xué)意義。

2 結(jié)果

2.1 冠狀動脈血管及節(jié)段 50 例病人共分析195支血管424 個節(jié)段，其中LM 50 支血管（50 個節(jié)段）；LAD 50 支血管（145 個節(jié)段，包括近段 50 個、中段 49 個、遠段 46 個）；LCX 45 支血管（83 個節(jié)段，其中近段 45 個、中遠段 38 個）；RCA 50 支血管（146 個節(jié)段，其中近段50 個、中段48 個、遠段48個）。有 48 例病人（48/50，96%）、77 支血管（77/195，39.5%）和 99 個節(jié)段（99/424，23.3%）存在阻塞性冠狀動脈狹窄（ICA 顯示狹窄≥50%）。

2.2 冠狀動脈鈣化積分及影像質(zhì)量 50 例病人的冠狀動脈鈣化積分為0~1 529.6，中位數(shù)為89.5（13.4，409.43）。其中，低鈣化組26 例，高鈣化組24例。鈣化積分為 0 有 12 例（24%），0＜鈣化積分≤100有 14 例 （28%），100 ＜鈣化積分≤300 有 10 例（20%），鈣化積分＞300 有 14 例（28%）。影像質(zhì)量評分為 3~5 分，3 分 4 例（8%），4 分 24 例（48%），5 分22 例（44%）。AI 軟件診斷阻塞性冠狀動脈狹窄1 例病人呈假陽性，鈣化積分為687.5，影像質(zhì)量為3分，ICA 顯示LAD 近段30%狹窄；3 例病人呈假陰性，影像質(zhì)量分別為3、5、4 分，鈣化積分分別為0、0、104，ICA 狹窄分別為 LAD 近段 50%狹窄、LAD近段70%狹窄、RCA 近段50%狹窄。

2.3 3 種診斷模式的圖像后處理和解讀時間比較 采用AI 軟件診斷的平均后處理和解讀時間較低/中/高年資醫(yī)師均減少（均P<0.05），分別減少了80%、76.8%和 75%。在 AI 輔助之后，AI+低/中/高年資醫(yī)師的時間較單獨醫(yī)師的時間均減少（均P＜0.05），分別減少了 67%、64%、57.9%。詳見表 1。

表1 3 種診斷模式的圖像后處理和解讀時間比較

2.4 AI 在不同研究水平的診斷效能 以ICA 作為診斷標準，在病人、血管及節(jié)段水平，AI 診斷阻塞性冠狀動脈狹窄的敏感度、特異度、準確度、陽性預(yù)測值、陰性預(yù)測值和AUC 見表2。AI 軟件輔助診斷冠狀動脈狹窄后處理圖像見圖1。

表2 不同研究水平下AI 對阻塞性冠狀動脈狹窄的診斷效能

圖1 基于機器學(xué)習(xí)的CCTA 檢測冠狀動脈狹窄與ICA 對照圖。A、B 圖為冠狀動脈的AI 軟件容積再現(xiàn)重組影像。C圖，AI 曲面重組影像，示左前降支近段一混合斑塊，管腔呈中度狹窄。D 圖，ICA 影像，示左前降支近段70%狹窄（箭頭）。

2.5 AI 對不同鈣化組的診斷效能 在血管及節(jié)段水平，低鈣化組的特異度高于高鈣化組（均P<0.05）。在病人、血管及節(jié)段水平，低鈣化組的敏感度較高鈣化組有降低趨勢，AUC 值較高鈣化組有增高趨勢，但2 組間差異均無統(tǒng)計學(xué)意義（均P＞0.05）。詳見表3。

表3 不同研究水平高低鈣化組間AI 診斷阻塞性冠狀動脈狹窄的效能

2.6 AI 與醫(yī)師的診斷效能比較 在病人水平，AI與低/中/高年資醫(yī)師診斷的AUC 值差異均無統(tǒng)計學(xué)意義（均 P＞0.05）。在血管水平，AI 診斷的 AUC 值均低于中/高年資醫(yī)師（均P＜0.05），但與低年資醫(yī)師診斷的AUC 值差異無統(tǒng)計學(xué)意義（P＞0.05）。在節(jié)段水平，AI 與低/中/高年資醫(yī)師診斷的AUC 值差異均無統(tǒng)計學(xué)意義（均P＞0.05）。詳見表4。

表4 不同研究水平不同年資醫(yī)師對阻塞性冠狀動脈狹窄的診斷效能

2.7 AI+醫(yī)師與醫(yī)師的診斷效能比較 在病人、血管和節(jié)段水平AI+醫(yī)師診斷阻塞性冠狀動脈狹窄的AUC 值與單獨醫(yī)師診斷的AUC 值差異均無統(tǒng)計學(xué)意義（均 P＞0.05）。詳見表 5。

表5 不同研究水平AI+不同年資醫(yī)師診斷阻塞性冠狀動脈狹窄的效能

3 討論

本研究探討了AI 輔助CCTA 診斷阻塞性冠狀動脈狹窄的效能，發(fā)現(xiàn)AI 輔助CCTA 診斷的平均后處理和解讀時間為1.9 min，較傳統(tǒng)后處理時間（8.5 min）減少了約77%，AI＋醫(yī)師的合作模式后處理和解讀時間（3.1 min）也比傳統(tǒng)后處理時間減少了約63%。更重要的是，AI 具有較高的診斷準確性，以ICA 為診斷標準，在病人、血管及節(jié)段水平，AI 診斷阻塞性冠狀動脈狹窄敏感度分別為93.7%、83.1%、67.7%，AUC 分別為 0.87、0.89、0.83，與中年資或更有經(jīng)驗的影像科醫(yī)師相當(dāng)。因此，AI 作為CCTA 輔助診療系統(tǒng)能提高醫(yī)師的工作效率，在檢測冠狀動脈狹窄方面可作為醫(yī)師可靠的輔助診斷工具。

本研究所使用的機器學(xué)習(xí)分析系統(tǒng)訓(xùn)練了一個多尺度3D UNet[14]進行冠狀動脈血管樹的自動分割提取，該網(wǎng)絡(luò)可以同時利用血管的整體解剖結(jié)構(gòu)和局部細節(jié)特征，然后基于三維卷積網(wǎng)絡(luò)的自動追蹤算法進行中心線的提取，最后本研究利用圖網(wǎng)絡(luò)模型捕捉血管拓撲特征，實現(xiàn)了血管分支的準確命名[15]。完成冠狀動脈重建之后，構(gòu)建一個基于多尺度多視角的曲面重組影像檢測網(wǎng)絡(luò)和一個局部分割網(wǎng)絡(luò)，從而實現(xiàn)斑塊的自動提取和狹窄分析。此前，Han 等[8]基于 CCTA 影像，采用 AI 的深度學(xué)習(xí)（deep learning，DL）算法進行冠狀動脈狹窄評估研究，以ICA 作為診斷標準，在病人水平診斷≥50%冠狀動脈狹窄時發(fā)現(xiàn)，AI 的診斷準確度優(yōu)于傳統(tǒng)的CCTA（AUCAI=0.870,AUCCCTA=0.781）。本研究提出的機器學(xué)習(xí)方法在病人水平顯示診斷阻塞性冠狀動脈狹窄的敏感度為93.7%，AUC 為0.87，這與Han 等的DL 模型診斷性能相當(dāng)；但本研究中AI 與不同年資醫(yī)師比較AUC 差異無統(tǒng)計學(xué)意義。另外，Han 等的研究沒有從血管和節(jié)段水平進一步評估，也沒有與不同經(jīng)驗的醫(yī)師進行分層比較。Chen 等[9]也進行了基于DL 的CCTA 對冠心病診斷性能的研究，該研究僅對比分析了DL 模型與一組醫(yī)師（5 年和16年心血管診斷經(jīng)驗）共同診斷的結(jié)果，結(jié)果顯示在病人、血管及節(jié)段水平DL 模型診斷阻塞性CAD 的AUC 分別為 0.78、0.87、0.84，診斷醫(yī)師的 AUC 分別為0.74、0.89、0.89，與本研究結(jié)果基本一致，表明AI軟件診斷阻塞性CAD 具有較好的診斷準確性。此外，本研究采用低中高年資醫(yī)師的分層對比，表明AI 可潛在提高低年資醫(yī)師的診斷準確性，增加中高年資醫(yī)師的診斷信心，明顯提高工作效率。Kang等[16]在基于AI 的自動檢測非阻塞性和阻塞性冠狀動脈病變的研究中，通過3 名醫(yī)師共同閱片的方法將≥25%的狹窄病變作為診斷參考標準，發(fā)現(xiàn)其在節(jié)段水平的敏感度（83%）高于本研究（67.7%），考慮可能為Kang 等以基于CCTA 影像的目測而非ICA作為參考標準。此外，在病人水平，本研究AI 檢測阻塞性冠狀動脈狹窄的特異度（50%）和陰性預(yù)測值（25%）較低，這可能與本研究樣本量較少及納入研究對象中阻塞性冠狀動脈狹窄陽性率高有關(guān)。

傳統(tǒng)CCTA 對冠狀動脈狹窄的評估依賴于識別節(jié)段性管腔直徑縮小的程度，因此鈣化很大程度地影響了CCTA 診斷CAD 的準確性[17-18]。本研究分析鈣化對AI 診斷效能影響的結(jié)果顯示，AI 軟件從病人、血管及節(jié)段水平，高鈣化組的AUC 值較低鈣化組有降低的趨勢，但2 組間差異無統(tǒng)計學(xué)意義，表明鈣化在本研究中不影響AI 軟件的診斷性能；但限于本研究樣本量較少，且本研究僅以鈣化積分100 為閾值分組，僅檢測血管狹窄≥50%的診斷準確性，因此鈣化對于AI 準確判斷狹窄程度的影響還有待進一步研究。

本研究中，在病人水平出現(xiàn)1 例假陽性，3 例假陰性，分析錯判病例的特點可以發(fā)現(xiàn)，1 例假陽性病人主要為LAD 近段鈣化斑塊，影像質(zhì)量為3 分，AI假陽性錯判可能由于血管鈣化較重及影像質(zhì)量欠佳所致。3 例假陰性病人包括2 例有非鈣化斑塊（鈣化積分為0）和1 例有部分鈣化斑塊（鈣化積分104），ICA 狹窄有 2 例為 50%狹窄。AI 假陰性錯判原因可能為AI 軟件算法對非鈣化斑塊識別及檢測敏感度不足，其次血管狹窄50%位于阻塞性CAD的臨界值。因此，AI 軟件算法對于影像質(zhì)量以及鈣化的耐受性還有待進一步研究。

本研究尚存在一些局限性：①為回顧性單中心研究，樣本量偏少，尤其是嚴重鈣化的病例很少。②入組病人ICA 均在CCTA 檢查后進行，可能存在選擇偏倚。③CAD-RADS 僅用于確定冠狀動脈狹窄程度，未將醫(yī)師和AI 根據(jù)CAD-RADS 分級評價冠狀動脈狹窄的結(jié)果進行比較。今后需要前瞻性、多中心、大樣本研究來評估AI 在實際臨床研究中的診斷效能。

綜上，本研究顯示AI 輔助的CCTA 在診斷阻塞性冠狀動脈狹窄方面具有媲美中高年資醫(yī)師的診斷準確性，可明顯縮短圖像后處理時間，提高工作效率，有望成為診斷冠狀動脈狹窄的有效輔助工具。