楊陽，刁楠，黃增發(fā)，孫瑞紅，王翔

冠狀動脈粥樣硬化性心臟病是全球最常見的死亡原因，早期診斷對于減少并發(fā)癥及改善預后至關重要[1]。侵入性冠狀動脈造影(invasive coronary angiography，ICA)是評估冠狀動脈解剖結構及狹窄程度的金標準，但為有創(chuàng)檢查且費用較高，且目前多種非侵入性檢查能達到相似的診斷和預后評估準確性，因此非侵入性檢查是更合適的一線檢查方法[2]。近年來隨著CT技術的不斷發(fā)展，臨床多采用冠脈CT血管成像(CCTA)對冠心病進行篩查及心功能分析。因此，CCTA報告評價內容及術語的標準化，成為迫切需要解決的問題。國際心血管CT協(xié)會于2016年提出了冠狀動脈病變影像報告與數(shù)據(jù)系統(tǒng)(Coronary Artery Disease Reporting and Data System，CAD-RADS)[3]，指導臨床醫(yī)師結合CCTA表現(xiàn)和臨床信息對患者的病變情況進行分級評估，并提出進一步的處理建議，適應于門診、住院或者急診中對懷疑或已知為冠心病患者的診療。CAD-RADS的目的是通過對CCTA報告的標準化，改善影像診斷醫(yī)師與內科醫(yī)師的溝通，最終提高醫(yī)療質量。近年來，人工智能(artificial intelligence，AI)在冠狀動脈病變性心臟病診斷中的作用日益增強[4]，CCTA聯(lián)合AI技術可以為目前冠狀動脈病變性心臟病的篩查及診斷提供快速高效的方法。本研究旨在評估基于AI軟件的CCTA后處理圖像及其自動生成的CAD-RADS標準化報告在冠狀動脈病變診斷中的應用價值，并評價AI軟件與影像診斷醫(yī)師基于CCTA的CAD-RADS分級評價是否具有良好一致性。

材料與方法

1.臨床資料

搜集2018年11月-2020年12月我院PACS系統(tǒng)中有同期冠脈CTA及ICA檢查資料且符合條件的175例冠心病患者的病例資料。其中，男105例，女70例；年齡31～83歲，平均(64.2±9.2)歲；身體質量指數(shù)為(24.1±2.7)kg/m2。冠脈狹窄程度≥50%者154例，<50%者21例。鈣化積分<400者142例，≥400者33例。

納入標準：①臨床疑似冠心病患者，年齡大于18周歲；②掃描時心率低于90次/分，高心率患者在排除藥物禁忌證后服用降心率藥物(β受體阻滯劑)，將心率控制在90次/分以下。排除標準：①心律失?；蛐穆刹积R；②腎功能不全；③CTA檢查時無法配合屏氣；④因鈣化或運動偽影導致圖像質量無法滿足診斷要求；⑤既往行冠脈支架或搭橋術。

2.檢查方法

冠脈CTA檢查前向患者告知檢查過程及注意事項，詢問過敏史，并行碘過敏實驗，檢查開始前反復對患者進行屏氣訓練。使用Siemens Somatom Definition Flash雙源CT機，患者取仰臥位，掃描范圍自氣管隆突下至心臟膈面水平。行心臟CT平掃及增強掃描，采用回顧性心電門控掃描，掃描參數(shù)：100 kV，280 mAs，層厚0.75 mm，采用自動螺距技術(隨患者心率自動調整)，球管旋轉一周時間0.28 s。經(jīng)前臂靜脈注射非離子型對比劑碘普羅胺注射液(370 mg I/mL，Bayer Schering Pharma，Germany)60～70 mL及生理鹽水30 mL，注射流率5.0～5.5 mL/s，采用對比劑示蹤技術，選擇主動脈根部水平設置ROI監(jiān)測CT值，觸發(fā)閾值為100 HU，延遲8 s后啟動掃描。

3.后處理方法

將原始圖像傳輸至冠脈CTA AI分析軟件(1150.1150.1151-rc3)。此AI軟件系統(tǒng)自動對冠脈原始圖像進行后處理，獲得最大密度投影、曲面重組、容積再現(xiàn)及血管探針等后處理圖像，自動評估病變程度并進行CAD-RADS分級。另外，由3位診斷醫(yī)師(參考AI后處理圖像)采用盲法對冠脈病變進行診斷、冠脈鈣化積分(coronary artery calcium score,CACs)的評估和CAD-RADS分級。三位醫(yī)師分別具有10年(醫(yī)生A)、5年(醫(yī)生B)和3年(醫(yī)生C)診斷經(jīng)驗。冠脈狹窄程度的評估方法：測量每支狹窄冠脈最窄處管徑(S)，并以狹窄遠端及近端管徑平均值(M)作為正常管徑，1-S/M即為血管狹窄程度[5]。參照2014年SC-CT發(fā)布冠脈分段法[5]，共分為18個節(jié)段，排除管腔直徑<1.5 mm的冠脈血管。CAD-RADS分級標準[3]：0級，冠脈無狹窄(狹窄程度0%)；1級，冠脈輕微狹窄(狹窄程度1%～24%)；2級，冠脈輕度狹窄(狹窄程度25%～49%)； 3級，冠脈中度狹窄(狹窄程度50%～69%)；4A級，冠脈重度狹窄(狹窄程度70%～99%)；4B級，冠脈重度狹窄(左主干狹窄程度>50%或3支血管狹窄程度均≥70%)；5級，冠脈閉塞(狹窄程度100%)。根據(jù)CACs，將患者分為重度鈣化組(CACs≥400)和非重度鈣化組(CACs<400)。

4.ICA檢查方法及圖像分析

所有患者均于CCTA檢查后3個月內完成ICA檢查。使用Siemens Artis Q Ceiling醫(yī)用血管造影機和6F MP導管，常規(guī)經(jīng)橈動脈穿刺，標準投照體位，可根據(jù)實際情況增加投照體位，并采用電影模式記錄不同投照體位的圖像。由兩位具有5年以上工作經(jīng)驗的心臟介入醫(yī)師采用盲法(ICA評估醫(yī)師對CCTA報告結果不知情)對獲取圖像獨立進行評估，意見不一致時經(jīng)協(xié)商達成共識。亦采用18段冠脈分段法，選取狹窄部位相互垂直視圖進行觀察，采用管腔最狹窄處直徑來評估冠脈狹窄程度，并參照CAD-RADS分級標準對冠脈血管病變進行分級。

5.統(tǒng)計學方法

使用SPSS 17.0統(tǒng)計軟件對數(shù)據(jù)進行統(tǒng)計學分析，采用MedCacl軟件繪制ROC曲線。計數(shù)資料以例數(shù)(百分比)表示，計量資料以均數(shù)±標準差表示。以ICA為金標準，在全部樣本、重度鈣化組和非重度鈣化組中分別比較AI診斷軟件與各年資影像診斷醫(yī)師對管腔狹窄程度≥50%的阻塞性冠脈狹窄(obstructive coronary stenosis，OCS)的診斷效能。采用Kappa檢驗分別評價AI診斷系統(tǒng)與3位影像診斷醫(yī)師CAD-RADS分級的一致性。Kappa值評價標準：Kappa值<0.40為一致性差；0.40～0.59為一致性中等；0.60～0.74為一致性良好；0.75～1.00為一致性高[6]。

結 果

1.AI軟件及3位醫(yī)師對OCS的診斷效能

基于CCTA圖像，以ICA結果為金標準，AI軟件和3位放射診斷醫(yī)師對OCS的診斷結果和效能指標值見表1。在總樣本中，AI軟件的敏感度略低于高、中年資醫(yī)師，但高于低年資醫(yī)師；特異度和AUC雖低于高年資醫(yī)師，但高于中、低年資醫(yī)師。在非重度鈣化組，AI軟件與高、中、低年資醫(yī)師各項診斷效能指標比較，趨勢基本與總樣本一致。而在冠脈嚴重鈣化組，AI軟件的敏感度及特異度分別為96.6%和25.0%，低于各年資醫(yī)師，AUC值亦低于各年資醫(yī)師。上述各組中AI軟件與各年資醫(yī)師AUC值間的差異均無統(tǒng)計學意義(P>0.05)。

表1 AI與放射診斷醫(yī)師對OCS診斷效能對比

2.AI軟件及影像醫(yī)師CAD-RADS分級結果及一致性分析

AI軟件、3位醫(yī)師基于CCTA及ICA對冠狀動脈病變的CAD-RADS分級結果見表2。

表2 ICA及AI軟件、放射醫(yī)師基于CCTA的CAD-RADS分級結果 /例

AI軟件的CAD-RADS分級分別與3位醫(yī)師進行一致性分析，結果顯示：與醫(yī)師A的的一致性良好(Kappa=0.677，P<0.001)，與醫(yī)生B的一致性中等(Kappa=0.466，P<0.001)，與醫(yī)生C的一致性中等(Kappa=0.428，P<0.001)。

圖1 AI診斷軟件及高、中、低年資診斷醫(yī)師評估阻塞性冠脈狹窄的ROC曲線。a)總樣本組(175例)，AUC分別為0.764、0.858、0.747和0.731； b) CACs<400組(142例)，AUC分別為0.801、0.884、0.776和0.756； c) CACs≥400組(33例)，AUC分別為0.608、0.750、0.625和0.625。

討 論

隨著成像技術及后處理技術的飛速發(fā)展及革新，CCTA在診斷冠心病中的地位及作用不斷提高。人工智能的不斷發(fā)展，基于深度學習的AI軟件系統(tǒng)結合CCTA也已開始應用于冠心病的診斷和預后預測[7]。但需要指出，隨著CCTA在冠心病診斷中的廣泛應用，數(shù)量倍增的CCTA圖像后處理及診斷分析也給影像診斷醫(yī)師帶來了前所未有的壓力。研究表明AI系統(tǒng)可明顯縮短圖像后處理的時間，僅需10～30 s即可完成，并可即刻生成診斷報告，而診斷醫(yī)師圖像后處理及書寫報告的平均時間為13.6～18.0 min[8-9]。因此AI系統(tǒng)可顯著提高CCTA圖像的后處理及診斷的時間效率。在加快速度的同時，對于CCTA圖像診斷分析的準確性尤為重要。AI系統(tǒng)如能兼顧時間與診斷效能，就能夠減輕放射醫(yī)師的工作負荷，并在一定程度上能縮短患者的診斷時間，從而得到更快速的診斷和治療。

本研究中，AI軟件與高年資醫(yī)師基于CCTA圖像的CAD-RADS分級一致性良好，而與中、低級年資醫(yī)師的分級一致性一般，這與此前本院的一項相關研究結果基本一致[10]。其中對于CAD-RADS分級≥3的阻塞性冠脈狹窄，AI診斷系統(tǒng)的診斷性能良好，AUC高于中、低年資診斷醫(yī)師，略低于高年資診斷醫(yī)師。在嚴重鈣化組(CACs≥400)，AI診斷系統(tǒng)的AUC減小，低于各年資診斷醫(yī)師。在非嚴重鈣化組(CACs<400)，AI診斷系統(tǒng)的AUC仍高于中、低年資診斷醫(yī)師，略低于高年資診斷醫(yī)師，但AI診斷系統(tǒng)的AUC在排除嚴重鈣化后有所增高，與高年資醫(yī)師之間AUC值的差距縮小。由此筆者認為重度鈣化影響AI診斷系統(tǒng)對于阻塞性冠脈狹窄的診斷，這與許麗雪等[11]和Tesche等[12]的研究結果一致。許麗雪等[11]的研究結果顯示隨著鈣化負荷的增加，無論是基于深度學習算法的AI系統(tǒng)還是診斷醫(yī)師的視覺評估，雖然對冠脈狹窄的診斷敏感度增高，但特異度減低，對狹窄程度的診斷符合率減低；其中，AI軟件對分支血管病變的診斷特異度降低更明顯，是造成AI軟件對狹窄程度判斷準確性減低的主要原因。

本研究中AI診斷軟件診斷阻塞性冠脈狹窄的敏感度、特異度、PPV和NPV與Chen等[13]和Xu等[14]的研究結果基本一致，可見AI軟件的診斷效能是穩(wěn)定的。本研究中AI系統(tǒng)及診斷醫(yī)師對于阻塞性冠脈狹窄的陰性預測值不高，筆者認為這與納入本研究的受試者中阻塞性冠脈狹窄的陽性率較高(88%)有關。AI診斷軟件對OCS產(chǎn)生誤判的共有22例患者。其中，4例鈣化積分>400，AI對其中的3例(3/4)存在狹窄程度的高估，1例為低估；8例狹窄位于血管分叉處，多位于左主干或第一對角支分叉處，狹窄程度高估與低估均為4例；5例混合斑塊導致的管腔閉塞及1例回旋支遠段閉塞，AI系統(tǒng)未識別；余4例AI診斷系統(tǒng)能夠識別狹窄節(jié)段，但存在狹窄程度的低估，這4例中1例CCTA顯示局部肌橋形成，前降支受壓呈大于50%狹窄，ICA未提示該狹窄，1例為兩枚鈣化斑塊距離較近，血管局部迂曲，ICA提示該區(qū)大于70%狹窄，AI診斷系統(tǒng)存在低估，1例為左主干分叉處非鈣化斑塊導致局限性大于70%狹窄，緊鄰前降支呈動脈瘤樣擴張，AI低估狹窄程度，另1例無特殊，狹窄程度有所低估。AI診斷系統(tǒng)誤判的血管類型與李浚利等[15]的研究結果有類似之處，對血管分叉處狹窄及閉塞節(jié)段管腔的識別應引起AI診斷系統(tǒng)研發(fā)者的關注，在模型及訓練數(shù)據(jù)上進行優(yōu)化，以提高對阻塞性冠脈狹窄的診斷準確性。

圖2 患者，女,76歲，三位不同年資醫(yī)生均準確判斷冠脈狹窄程度，且評估為CAD-RADS 4A級，與ICA診斷結果一致。a)ICA右前斜位，左前降支近段可見局限性重度狹窄(黃箭)；b)ICA左前斜位，左前降支近段可見局限性重度狹窄(黃箭)，第1對角支可見局限性中度狹窄(黑箭)；c)CCTA左前降支MPR圖像，可見左前降支近段局限性重度狹窄(黃箭)；d)CCTA第1對角支MPR圖像，可見第1對角支局限性中度狹窄(黃箭)；e)CCTA圖像AI軟件工作流程，AI軟件可準確識別左前降支重度狹窄(黃箭)，評估為CAD-RADS 4A級，與ICA的診斷結果一致。

綜上所述，本研究中AI軟件基于CCTA圖像的CAD-RADS分級評價與高年資影像診斷醫(yī)師之間具有良好的一致性，對于阻塞性冠脈狹窄的診斷效能良好，與診斷醫(yī)師相當。目前，大型醫(yī)院中負責冠脈后處理及報告書寫的多為中、低年資醫(yī)師，由高年資醫(yī)師審核修改，因此我們可以初步推斷AI系統(tǒng)不論從時間效率，還是診斷效能上均可勝任CCTA圖像的后處理及診斷報告的輸出，這與Xu等[14]的研究結論也是一致的。但需注意，較為嚴重的冠脈鈣化會顯著影響AI軟件對冠脈病變的診斷準確性，因此AI系統(tǒng)需要進一步優(yōu)化，提高對嚴重鈣化血管狹窄程度的識別能力。

本研究局限性在于該研究為回顧性研究，且因多數(shù)患者都是在CCTA診斷至少一條冠脈狹窄≥50%后，才會進行ICA檢查，因此阻塞性冠脈狹窄患者的占比較高，可能造成樣本的選擇偏倚，特定疾病在人群中的患病率是任何疾病檢測診斷性能的重要因素。因此，尚需要在多樣化及更大樣本量人群中進行前瞻性研究，來評估AI診斷系統(tǒng)的診斷性能。對于AI自動化CAD-RADS報告的評價中，排除了CAD-RADS中對支架、橋血管及易損斑塊的分類描述，因這幾類病變在本研究中使用的AI系統(tǒng)中訓練樣本量仍不足，后期會增加此類病例用于機器深度學習和多中心驗證，完善AI診斷系統(tǒng)的自動化CAD-RADS分級報告系統(tǒng)。