張卉，王道清，程留慧，黃方方

摘要目的：研究人工智能（AI）應(yīng)用于冠狀動(dòng)脈電子計(jì)算機(jī)斷層掃描（CT）血管成像對(duì)冠狀動(dòng)脈狹窄的診斷效能及臨床意義。方法：以2018年1月—2022年9月我院收治的168例行冠狀動(dòng)脈CT血管成像檢查病人為研究對(duì)象，所有病人均進(jìn)行冠狀動(dòng)脈造影確診，分別采用后處理軟件Syngo.via（人工組）和聯(lián)影AI冠狀動(dòng)脈智能輔助診斷系統(tǒng)軟件（AI組）對(duì)冠狀動(dòng)脈CT血管成像進(jìn)行圖像后處理，比較兩種方法評(píng)價(jià)冠狀動(dòng)脈CT血管成像圖像質(zhì)量、冠狀動(dòng)脈狹窄的檢出情況及診斷效能。結(jié)果：AI組和人工組圖像質(zhì)量評(píng)價(jià)優(yōu)、良、差病人分布及圖像缺陷原因占比差異均無(wú)統(tǒng)計(jì)學(xué)意義（P＞0.05）。168例病人共發(fā)生冠狀動(dòng)脈狹窄89例，其中人工檢出83例，AI檢出71例；無(wú)冠狀動(dòng)脈狹窄79例，其中人工檢出60例，AI檢出70例。AI診斷冠狀動(dòng)脈狹窄的敏感度低于人工組，但特異度高于人工組（P＜0.05），同時(shí)兩者曲線下面積（AUC）比較差異無(wú)統(tǒng)計(jì)學(xué)意義（P＞0.05）。結(jié)論：AI應(yīng)用于冠狀動(dòng)脈CT血管成像的圖像后處理，其圖像質(zhì)量評(píng)價(jià)及對(duì)冠狀動(dòng)脈狹窄的診斷效能與人工相當(dāng)，可用于臨床輔助影像醫(yī)師進(jìn)行冠狀動(dòng)脈狹窄的診斷。

關(guān)鍵詞冠狀動(dòng)脈狹窄；人工智能；電子計(jì)算機(jī)斷層掃描；血管成像；診斷效能

doi：10.12102/j.issn.1672-1349.2024.08.005

冠心病是臨床常見(jiàn)心血管疾病，評(píng)估冠狀動(dòng)脈狹窄情況是診斷冠心病的重要步驟，冠狀動(dòng)脈造影（CAG）是臨床診斷冠狀動(dòng)脈狹窄的金標(biāo)準(zhǔn)，但其費(fèi)用昂貴，且屬于有創(chuàng)檢查［1-2］。近年來(lái)，隨著冠狀動(dòng)脈電子計(jì)算機(jī)斷層掃描（CT）血管成像的廣泛應(yīng)用，其已經(jīng)成為臨床篩查冠狀動(dòng)脈狹窄的首選無(wú)創(chuàng)檢查方法，但影像醫(yī)師對(duì)圖像后處理和結(jié)果判讀過(guò)程所用時(shí)間較長(zhǎng)，影響工作效率的同時(shí)影響判讀結(jié)果，增加誤診、漏診的風(fēng)險(xiǎn)［3］。近年來(lái)，人工智能（AI）技術(shù)在醫(yī)療行業(yè)的應(yīng)用越來(lái)越廣泛，其借助計(jì)算機(jī)視覺(jué)、深度學(xué)習(xí)、大數(shù)據(jù)平臺(tái)等技術(shù)使得臨床診療服務(wù)更加的便捷和精確，在提高影像醫(yī)師工作效率、緩解醫(yī)師工作壓力和強(qiáng)度方面起著積極作用［4］，而目前關(guān)于AI在冠狀動(dòng)脈CT血管成像中的應(yīng)用情況尚未完全明確，基于此，本研究將AI應(yīng)用于冠狀動(dòng)脈CT血管成像，分析其對(duì)冠狀動(dòng)脈狹窄的診斷效能及臨床意義。

1資料與方法

1.1一般資料

選取2018年1月—2022年9月河南中醫(yī)藥大學(xué)第一附屬醫(yī)院收治的168例行冠狀動(dòng)脈CT血管成像檢查病人為研究對(duì)象，男89例，女79例；年齡27～85（57.41±3.72）歲；心率51～104（75.94±4.88）次/min。

1.2納入、排除、脫落與剔除標(biāo)準(zhǔn)

納入標(biāo)準(zhǔn)：參照相關(guān)文獻(xiàn)［5］進(jìn)行冠狀動(dòng)脈狹窄的診斷；無(wú)精神障礙、語(yǔ)言障礙、聽(tīng)力障礙，能配合醫(yī)師指令完成相關(guān)檢查者；冠狀動(dòng)脈CT血管成像圖像血管偽影少，不影響結(jié)果判斷者；與CAG檢查時(shí)間間隔短于2周者；AI軟件能自動(dòng)計(jì)算完成者等。排除標(biāo)準(zhǔn)：冠狀動(dòng)脈開(kāi)口異常者；行心臟搭橋術(shù)或冠狀動(dòng)脈支架置入術(shù)者等。脫落與剔除標(biāo)準(zhǔn)：相關(guān)數(shù)據(jù)丟失者。

1.3檢查方法

1）冠狀動(dòng)脈CT血管成像：使用一代雙源CT行冠狀動(dòng)脈CT血管成像檢查，先進(jìn)行氣管分叉處下1.0～1.5 cm至心臟膈面頭足方向的心電門(mén)控掃描序列掃描，無(wú)硝酸甘油禁忌病人掃描前舌下含服0.5 mg硝酸甘油，后進(jìn)行增強(qiáng)掃描，參數(shù)設(shè)定管電流為實(shí)時(shí)動(dòng)態(tài)曝光劑量調(diào)劑自動(dòng)曝光，管電壓120 kV，開(kāi)啟實(shí)時(shí)動(dòng)態(tài)曝光劑量調(diào)劑自動(dòng)曝光，旋轉(zhuǎn)時(shí)間為每周0.28 s，層間距0.5 mm，重建圖像層厚0.75 mm，重建算法采用B 26 fmedi·umsmoothAsA，注射對(duì)比劑后運(yùn)用對(duì)比劑追蹤觸發(fā)技術(shù)進(jìn)行檢查。2）圖像后處理：掃描完成后選擇圖像數(shù)據(jù)傳輸至西門(mén)子工作站，利用后處理軟件Syngo.via（人工組）和聯(lián)影AI冠狀動(dòng)脈智能輔助診斷系統(tǒng)軟件（AI組）進(jìn)行圖像后處理。人工組主要由影像科技師完成后處理，AI組由AI冠狀動(dòng)脈軟件自動(dòng)進(jìn)行。

1.4觀察指標(biāo)

1.4.1人工和AI對(duì)冠狀動(dòng)脈CT血管成像圖像質(zhì)量評(píng)價(jià)

所有圖像均經(jīng)3位專業(yè)影像醫(yī)師進(jìn)行圖像質(zhì)量評(píng)價(jià)，圖像質(zhì)量評(píng)定包括優(yōu)、良、差［6］；統(tǒng)計(jì)良和差圖像缺陷原因，包括血管遮擋、組織、靜脈干擾或雜質(zhì)污染、血管缺如或誤添加。

1.4.2人工和AI對(duì)冠狀動(dòng)脈狹窄的檢出情況

根據(jù)圖像后處理結(jié)果統(tǒng)計(jì)人工組和AI組冠狀動(dòng)脈狹窄的檢出情況。

1.4.3人工和AI對(duì)冠狀動(dòng)脈狹窄的診斷效能

采用受試者工作特征曲線（ROC）分析人工和AI對(duì)冠狀動(dòng)脈狹窄的診斷效能。

1.5統(tǒng)計(jì)學(xué)處理

數(shù)據(jù)分析使用SPSS 21.0統(tǒng)計(jì)軟件進(jìn)行，定性資料采用例數(shù)、百分比（%）表示，比較采用χ2檢驗(yàn)；繪制ROC曲線，獲取曲線下面積（AUC）分析人工和AI對(duì)冠狀動(dòng)脈狹窄的診斷效能。以P＜0.05為差異有統(tǒng)計(jì)學(xué)意義。

2結(jié)果

2.1人工和AI對(duì)冠狀動(dòng)脈CT血管成像圖像質(zhì)量評(píng)價(jià)比較

AI組和人工組圖像質(zhì)量評(píng)價(jià)優(yōu)、良、差病人分布及圖像缺陷原因分布差異均無(wú)統(tǒng)計(jì)學(xué)意義（P＞0.05）。詳見(jiàn)表1。

2.2人工和AI對(duì)冠狀動(dòng)脈狹窄的檢出情況比較

168例病人共發(fā)生冠狀動(dòng)脈狹窄89例，其中人工檢出83例，AI檢出71例；無(wú)冠狀動(dòng)脈狹窄79例，其中人工檢出60例，AI檢出70例。詳見(jiàn)表2。

2.3人工和AI對(duì)冠狀動(dòng)脈狹窄的診斷效能比較

AI診斷冠狀動(dòng)脈狹窄的敏感度低于人工組，但特異度高于人工組（P＜0.05），同時(shí)兩者AUC值比較差異無(wú)統(tǒng)計(jì)學(xué)意義（P＞0.05）。詳見(jiàn)表3及圖1。

2.4典型病例影像資料

典型病例［1］，男，45歲，Sigovia工作站冠狀動(dòng)脈軟件后處理圖見(jiàn)圖2。典型病例［2］AI自動(dòng)識(shí)別和分割后處理圖見(jiàn)圖3。

3討論

冠狀動(dòng)脈狹窄是冠心病的主要病因，近年來(lái)，隨著人們生活方式的改變，冠狀動(dòng)脈狹窄發(fā)病率逐年升高，冠狀動(dòng)脈CT血管成像對(duì)冠狀動(dòng)脈狹窄進(jìn)行準(zhǔn)確、快速的診斷，為臨床治療提供了參考和依據(jù)，但其圖像后處理工作量較大，使得影像醫(yī)師日常工作強(qiáng)度較大，工作效率較低，難以滿足現(xiàn)代醫(yī)院的需求［7-8］。AI作為計(jì)算機(jī)科學(xué)延伸的一門(mén)新興技術(shù)，在醫(yī)學(xué)影像大數(shù)據(jù)時(shí)代，將其應(yīng)用于心血管影像中有利于減輕影像醫(yī)師的工作量，提高其工作效率及診斷準(zhǔn)確率［9-10］。

在應(yīng)用AI進(jìn)行冠狀動(dòng)脈CT血管成像圖像后處理過(guò)程中發(fā)現(xiàn)，AI冠狀動(dòng)脈智能輔助診斷系統(tǒng)軟件在進(jìn)行圖像重建的過(guò)程中會(huì)刪除部分冠狀動(dòng)脈CT血管成像圖像重建步驟而縮短圖像后處理用時(shí)，但其在圖像著色和渲染方面的視覺(jué)感觀強(qiáng)于人工重建［11］。本研究中AI組和人工組圖像質(zhì)量評(píng)價(jià)優(yōu)、良、差病人分布及圖像缺陷原因分布差異均無(wú)統(tǒng)計(jì)學(xué)意義，但AI組圖像質(zhì)量?jī)?yōu)秀率高于人工組，原因在于，容積再現(xiàn)圖像中冠狀動(dòng)脈貼合緊密，且容易受靜脈血管的干擾，在人工重建過(guò)程中很難去除［12-13］，而AI在圖像局部細(xì)節(jié)的色彩渲染十分優(yōu)秀，可有效識(shí)別并去除靜脈血管，但在AI處理過(guò)程中也同樣存在組織、靜脈干擾或雜質(zhì)污染及血管缺如或誤添加等因素對(duì)圖像質(zhì)量產(chǎn)生影響，這些因素的產(chǎn)生一方面可能與病人心率過(guò)快、心律不齊、體重過(guò)大等因素有關(guān)［14］，另一方面可能與曝光劑量、重建算法等掃描參數(shù)有關(guān)［15］，結(jié)合AI冠狀動(dòng)脈智能輔助診斷系統(tǒng)軟件功能分析，當(dāng)軟件和儀器在學(xué)習(xí)的初級(jí)階段獲取諸如以上原因造成的非優(yōu)質(zhì)數(shù)據(jù)沒(méi)得到足夠的訓(xùn)練時(shí)，使得圖像后處理質(zhì)量降低［16-17］。

在現(xiàn)今大數(shù)據(jù)時(shí)代，AI應(yīng)用于影像學(xué)疾病的診斷已經(jīng)成為不可逆轉(zhuǎn)的潮流趨勢(shì)，對(duì)于心血管疾病病人，其對(duì)冠狀動(dòng)脈狹窄的診斷效能與其是否能在冠心病輔助診斷中廣泛應(yīng)用密切相關(guān)。本研究結(jié)果顯示，AI診斷冠狀動(dòng)脈狹窄的敏感度、特異度及AUC值分別為79.78%、88.61%、0.842，其中敏感度低于人工，但特異度高于人工，而兩者AUC值比較差異無(wú)統(tǒng)計(jì)學(xué)意義，說(shuō)明AI對(duì)冠狀動(dòng)脈狹窄的診斷效能良好，可輔助影像醫(yī)師進(jìn)行冠狀動(dòng)脈狹窄的診斷。但在臨床實(shí)際應(yīng)用過(guò)程中，發(fā)現(xiàn)AI在輔助診斷冠狀動(dòng)脈狹窄的過(guò)程中也存在較多不足之處：1）對(duì)于受心率或呼吸運(yùn)動(dòng)影響使得圖像有明顯錯(cuò)層及冠狀動(dòng)脈起源異常、搭橋術(shù)后病人等變量結(jié)果較多，但缺乏大樣本數(shù)據(jù)訓(xùn)練時(shí)，AI的程序算法會(huì)受到較大的限制，病人血管走行表現(xiàn)較多，導(dǎo)致AI解讀困難，因此，這類病人在進(jìn)行冠狀動(dòng)脈CT血管成像時(shí)應(yīng)避免使用AI進(jìn)行圖像后處理，以免影響結(jié)果的判讀及浪費(fèi)醫(yī)療資源［18-19］。2）AI在血管命名準(zhǔn)確率方面也存在著一定的誤差，如對(duì)于冠狀動(dòng)脈左旋支中遠(yuǎn)段、鈍緣支等血管標(biāo)示命名可能出現(xiàn)錯(cuò)誤［20］。3）冠狀動(dòng)脈鈣化情況、狹窄程度等也會(huì)對(duì)AI判斷結(jié)果產(chǎn)生影響［21］。因此，AI在冠狀動(dòng)脈狹窄診斷中應(yīng)用的有效性和安全性還需要臨床優(yōu)質(zhì)大樣本數(shù)據(jù)的支撐和質(zhì)量控制的介入。

AI應(yīng)用于冠狀動(dòng)脈CT血管成像的圖像后處理，其圖像質(zhì)量評(píng)價(jià)及對(duì)冠狀動(dòng)脈狹窄的診斷效能與人工相當(dāng)，可用于臨床輔助影像醫(yī)師進(jìn)行冠狀動(dòng)脈狹窄的診斷。本研究為小樣本、單中心研究，僅對(duì)病人是否出現(xiàn)冠狀動(dòng)脈狹窄進(jìn)行統(tǒng)計(jì)，而未具體到血管及相關(guān)節(jié)段，且未對(duì)血管鈣化情況進(jìn)行區(qū)分，可能使得研究結(jié)果存在偏倚，因此，有待后續(xù)研究進(jìn)一步擴(kuò)大樣本量，聯(lián)合其他醫(yī)院的學(xué)者進(jìn)行多中心研究，分析AI應(yīng)用于冠狀動(dòng)脈CT血管成像對(duì)冠狀動(dòng)脈狹窄的診斷效能。

參考文獻(xiàn)：

［1］KAWASHIMA H，KOGAME N，ONO M，et al.Diagnostic concordance and discordance between angiography-based quantitative flow ratio and fractional flow reserve derived from computed tomography in complex coronary artery disease［J］.J Cardiovasc Comput Tomogr，2022，16（4）：336-342.

［2］廖付軍，鮑海龍，謝登海，等.冠心病患者膽紅素血脂綜合指數(shù)與冠狀動(dòng)脈狹窄程度的相關(guān)性［J］.貴州醫(yī)科大學(xué)學(xué)報(bào)，2021，46（8）：925-930.

［3］SUN B，CHEN Z Y，DUAN Q，et al.A direct comparison of 3T contrast-enhanced whole-heart coronary cardiovascular magnetic resonance angiography to dual-source computed tomography angiography for detection of coronary artery stenosis：a single-center experience［J］.Journal of Cardiovascular Magnetic Resonance，2020，22（1）：40.

［4］李浚利，韓丹，段慧，等.AI在CCTA診斷冠狀動(dòng)脈狹窄中的準(zhǔn)確性及應(yīng)用價(jià)值［J］.中國(guó)醫(yī)學(xué)計(jì)算機(jī)成像雜志，2020，26（2）：120-124.

［5］趙勇，呂宜鳳.現(xiàn)代心血管病學(xué)［M］.天津：天津科學(xué)技術(shù)出版社，2011：55-58.

［6］馮濤，田力.產(chǎn)前超聲診斷右冠狀動(dòng)脈右房瘺1例［J］.中國(guó)超聲醫(yī)學(xué)雜志，2022，38（10）：1152.

［7］BAO W R，CHEN C H，YANG M，et al.A preliminary coronary computed tomography angiography-based study of perivascular fat attenuation index：relation with epicardial adipose tissue and its distribution over the entire coronary vasculature［J］.European Radiology，2022，32（9）：6028-6036.

［8］王曼，王怡寧，于敏，等.人工智能成像優(yōu)化技術(shù)在冠狀動(dòng)脈CT血管成像的初步應(yīng)用研究［J］.中華放射學(xué)雜志，2020，54（5）：460-466.

［9］劉珮君，王怡寧，于敏，等.人工智能優(yōu)化算法對(duì)提高大體型患者低劑量掃描冠狀動(dòng)脈圖像質(zhì)量的價(jià)值［J］.放射學(xué)實(shí)踐，2019，34（7）：760-766.

［10］黃增發(fā)，王翔.人工智能冠狀動(dòng)脈CT血管成像在冠心病診斷中的應(yīng)用［J］.放射學(xué)實(shí)踐，2018，33（10）：1017-1021.

［11］楊陽(yáng)，刁楠，黃增發(fā)，等.CAD-RADS在冠心病診斷中的應(yīng)用：人工智能與人工方法的對(duì)照研究［J］.放射學(xué)實(shí)踐，2022，37（4）：413-418.

［12］趙潤(rùn)濤，竇冠華，王凡，等.基于人工智能動(dòng)態(tài)CT心肌灌注成像分析技術(shù)的臨床應(yīng)用研究［J］.國(guó)際醫(yī)學(xué)放射學(xué)雜志，2021，44（5）： 529-534.

［13］王憲凱，賈學(xué)燕，程祥科，等.人工智能在冠狀動(dòng)脈CTA圖像后處理及狹窄評(píng)估中的應(yīng)用價(jià)值［J］.醫(yī)學(xué)影像學(xué)雜志，2022，32（4）：588-590.

［14］韋佳，鮑海華，王雪燕，等.基于人工智能的CT-FFR與冠狀動(dòng)脈狹窄的相關(guān)性分析［J］.中國(guó)動(dòng)脈硬化雜志，2022，30（9）：787-792.

［15］李浚利，黃益龍，韓丹，等.冠狀動(dòng)脈CT血管成像中人工智能診斷冠心病的準(zhǔn)確性［J］.中國(guó)醫(yī)學(xué)影像技術(shù)，2021，37（1）：59-62.

［16］張曉浩，劉軍波，范麗娟.人工智能技術(shù)應(yīng)用于冠狀動(dòng)脈CTA圖像后處理的可行性［J］.放射學(xué)實(shí)踐，2021，36（8）：994-999.

［17］孫會(huì)利，陳杰，張煥，等.基于人工智能技術(shù)的非門(mén)控胸部CT平掃對(duì)冠狀動(dòng)脈鈣化積分的準(zhǔn)確性評(píng)價(jià)［J］.CT理論與應(yīng)用研究，2021，30（1）：106-113.

［18］劉春雨，謝媛，蘇曉芹，等.基于人工智能的冠狀動(dòng)脈CT血管成像檢測(cè)阻塞性冠狀動(dòng)脈狹窄效能的研究［J］.國(guó)際醫(yī)學(xué)放射學(xué)雜志，2021，44（5）：516-522.

［19］張明多，南楠，蘭宏志，等.基于人工智能優(yōu)化與計(jì)算流體力學(xué)的無(wú)創(chuàng)血流儲(chǔ)備分?jǐn)?shù)對(duì)冠狀動(dòng)脈狹窄缺血的診斷價(jià)值［J］.心肺血管病雜志，2022，41（3）：243-247.

［20］王平，陳亮，胡磊.人工智能＋結(jié)構(gòu)化報(bào)告賦能冠脈CT血管成像臨床一體化［J］.中國(guó)數(shù)字醫(yī)學(xué)，2021，16（11）：50-54.

［21］尹偉，王敏杰，徐瑞敏，等.基于人工智能的輔助運(yùn)動(dòng)校正算法對(duì)CCTA圖像質(zhì)量的影響［J］.放射學(xué)實(shí)踐，2022，37（8）：1035-1041.

（收稿日期：2023-01-06）

（本文編輯王雅潔）