人工智能冠狀動脈CT 血管成像在冠心病診斷中的作用分析

張梅舜 蔡浩軒 彭意春

（博羅縣人民醫院，廣東 惠州 516100）

當前，冠心病患病率呈現逐年升高趨勢，已經成為威脅人類健康的主要“殺手”。據相關報道得知，2020年，在世界范圍內由心血管疾病致死的人數達到700 萬，其中發展中國家占比達到了3/4[1]。對于我國而言，當前約有0.5 億的冠心病患者，故做好對心血管疾病的早診斷、早防治，刻不容緩[2]。伴隨影像技術的持續推新與完善，冠狀動脈CT 血管造影（Coronary artery CT angiography，CCTA）作為一種新型診斷手段，在評估冠狀動脈疾病的危險因素上，發揮著重要效能，且已成為其評估標準。但需指出的是，采用CCTA 診斷心血管疾病時，無論是對人工圖像后處理質量，還是診斷醫師的臨床經驗，均有嚴重依賴性，特別是我國存在著嚴重的醫療資源緊缺情況，難以做到對全部心血管疾病患者都實施CCTA臨床評估。人工智能（artificial intelligence，AI）是科學技術發展的產物，其主要是對人類思維進行模仿，且具有“認知”功能，可通過“學習”來達到“解決問題”的目的。AI 作為新世紀以來的一種尖端技術，已被廣泛應用在許多領域當中，且成果豐碩。在醫療領域中應用AI，不僅能對患者的給藥劑量進行計算，選擇腫瘤藥物，而且還能監測高危患者，甚至輔助手術的進行[3]；除此之外，在解讀CT 圖像報告上，AI 技術還能夠提供輔助。在CCTA 圖像后處理及書寫診斷報告上，如果能夠應用AI，那么有助于我國醫療資源緊張情況的緩解，但冠狀動脈AI 在診斷報告的準確性上，對CCTA 圖像進行處理的質量上，以及能否對臨床醫師進行替代上，均尚未完全明確。對此，本文圍繞冠心病患者，在實施CCTA 診斷時，分別采用人工后處理、冠狀動脈AI 后處理，對比其診斷效能，現報道如下。

1 資料與方法

1.1 一般資料

在特定期間：2021年4月至2023年4月，把來本院就診的疑似冠心病患者作為對象，共選取30例。依據李克特量表評分標準對原始圖像質量實施評分，分別實施人工組（放射科醫生）與AI 組（數坤科技的冠心病智能輔助診斷系統）圖像后處理。納入標準：（1）CCTA 圖像血管連續，且有著清晰的邊緣，不存在偽影情況；（2）AI 軟件可以對冠狀動脈血管樹進行自動且正確的識別；（3）心率正常，或者存在輕微的心率不齊。排除標準：（1）對碘劑過敏；（2）難以配合完成檢查；（3）嚴重臟器功能異常（如腎、腦等）。

1.2 方法

全部患者都采用GE optima CT660（美國GE 公司）采集圖像，選擇由江蘇恒瑞醫藥股份有限公司生產的50 mL 非離子型造影劑（320 mgI/mL），20 mL生理鹽水，流速控制在5 mL/s；采用對比劑示蹤法，圍繞主動脈根部，ROI 監測CT 值（將觸發掃描CT值設定成150 HU），延遲4 s，以回顧性心電門控法實施掃描。具體的掃描參數：管電流為20 mAs，管電壓為120 kV，層厚為0.625 mm，螺旋掃描時間約6 s。后采用冠狀動脈AI（即為數坤科技的冠心病智能輔助診斷系統，其功能為：對冠狀動脈影像圖像后處理工作全自動完成，AI 輔助冠狀動脈診斷結果，智能打印膠片，且輸出所需要的結構化報告）實施圖像后處理，且開展影像診斷，分析曲面重建、容積再現以及AI 診斷報告。

1.3 圖像分析

完成掃描工作后，依據李克特量表評分標準[4]，從低到高對原始圖像質量實施評分，即1-5 分。其中，圖像質量存在過度受損情況，并且血管壁難以辨認，即1 分（差）；如果存在較低的圖像質量，血管邊界模糊，或者存在過大的偽影，同時還存在較低的對比度分辨率，即2 分（較差）；如果存在一定的圖像偽影情況，卻存在較高的對比度分辨率，血管有著比較清晰的邊界，即3 分（中）；如果血管的邊界、血管壁均清晰，存在著非常小的圖像偽影，同時還有比較高的對比度分辨率，即4 分（良）；如果管壁能夠清晰顯示出來，存在較好的分辨率，無偽影，即5 分（優）。

以美國心臟病協會（American heart association，SCCT）所制定的冠狀動脈分段法為參照[5]，把冠狀動脈劃分成18 段，對冠狀動脈三大支進行判斷，即回旋支、左前降支與右冠狀動脈的狹窄部位以及斑塊性質。由2 名醫師對圖像實施人工后處理，同時生成診斷報告。另以CAG 結果當作金標準，實施一致性檢驗，評定人工與AI 圖像后處理診斷冠狀動脈斑塊的一致性，如果Kappa≥0.75，即存在好的診斷一致性；Kappa＞0.40，但＜0.75，即存在較好的一致性；若Kappa≤0.40，即存在差的一致性。

1.4 統計學方法

用SPSS 25.0 軟件進行統計描述與分析，計量資料進行t 檢驗，計數資料進行McNemar 檢驗，組間一致性采用Kappa 檢驗；P＜0.05 提示差異有統計學意義。

2 結 果

2.1 冠狀動脈人工與AI 的圖像后處理對比

在30 例患者中，最小年齡30 歲，最大78 歲，平均為（56.71±3.26）歲，男性17 例，其余均為女性（13例）。AI 冠狀動脈重建失敗為2 例，其余重建圖像均合格。針對冠狀動脈AI 圖像后處理而言，其整個過程總的耗時約為3 min，而人工為20-30 min，AI 后處理的耗時僅為10%的人工耗時，且冠狀動脈AI后處理在具體的合格率上，達到了93.33%（28/30）。從圖1 可知，在面對各支血管時，冠狀動脈AI 圖像后處理可以做到自動命名。較之人工后處理（圖1 當中的A-C），AI 后處理（圖1 當中的D-F）的冠狀動脈圖像有著更多且更長的分支，而且管壁也更為光滑，此外，在顯示細節小分支上，也更為全面；于冠狀動脈拉直圖像當中，得知冠狀動脈AI 處理的圖像（圖1 當中的E）相比于人工處理圖像（圖1 當中的B），有著更清晰的血管，且可以對冠狀動脈狹窄進行自動辨識。

圖1 對比人工與冠狀動脈AI 的圖像后處理結果

需指出的是，盡管在圖像后處理上，冠狀動脈AI 有著較好的表現，但本文發現，其也有不足。從表1 中得知，冠狀動脈AI 圖像后處理相對應的合格率是93.33%，原始圖像質量1-2 分的患者為2 例，AI后處理均不合格；而圖像質量達3 分時，AI 圖像后處理的相應合格率為100%。較之人工后處理圖像，AI 后處理圖像存在AI 分割遺漏情況，造成右冠狀動脈血管截斷，而且在命名上也出現錯誤，難以將血管全面顯示出來，其后處理失敗的主要原因是鈣化斑塊周圍存在偽影，造成管腔被嚴重掩蓋，而人工后處理放射科醫師能夠通過工作站，進行手動添加，以此可以使截斷的血管“再生”。這也提示冠狀動脈AI圖像后處理對原始圖像質量存在依賴性的不足。

表1 原始圖像質量評分以及AI 后處理的合格率

2.2 冠狀動脈人工與AI 的診斷報告對比

在診斷報告上，冠狀動脈AI 組在圖像重建后，便能完成（＜1 min），而人工組出具一份診斷報告耗時為15 min 左右。如同AI 后處理那樣，在報告診斷上，AI 也高效。從見表2 得知，針對冠狀動脈AI 組而言，其在斑塊檢出靈敏度上，相比于人工組報告，基本相當。本文中，人工組報告在檢出斑塊上，無假陽性，特異性為100.00%，而冠狀動脈AI 組報告的特異性為90.91%，見表3。在三支分支血管當中，冠狀動脈AI 組對于左前降支病變，存在著最低的特異度。

表2 冠狀動脈人工與AI 檢出冠狀動脈斑塊的靈敏度

表3 AI 對冠狀動脈斑塊檢出的特異度

2.3 一致性檢驗結果

將CAG 結果當作金標準，對冠狀動脈人工組與AI 組診斷冠狀動脈斑塊檢出的一致性進行檢驗，得知人工與CAG 之間的有著好的一致率（Kappa=0.83，P＜0.001），AI 與CAG 之間也有好的一致率（Kappa=0.80，P＜0.001）。

3 討論

通過分析30 例疑似冠心病患者相對應的CCTA，從中得知：（1）對于冠狀動脈AI 圖像后處理來分析，其在相應工作效率上，實為人工的10 倍之多，另外AI 后處理的冠狀動脈，有著更長且更多的分支，而且還有更為光滑的管壁，可以對冠狀動脈狹窄情況進行準確識別，后處理的合格率是93.33%。（2）于診斷報告的書寫上，冠狀動脈AI 在具體的工作效率上，實為人工的15 倍。

當前，AI 技術呈現出快速發展勢頭，現已在醫學領域中得到廣泛應用，主要應用方向有重癥患者的監護、個性化醫療服務、輔助制定治療方案及診斷疾病等。許多醫療機構（比如麻省總醫院等）均已結合自身情況，成功研發出專屬自身的AI 算法，且在臨床中得以應用[6]。基于影像學層面來分析，斯坦福大學經過深入研究后，最終創造出一種新算法，用其對特定部位肺炎進行檢測，總體表現優于臨床醫師（擁有豐富的臨床經驗）[7]。本文得知，在具體的影像診斷報告上，冠狀動脈AI 的靈敏度，與人工的報告基本相當，且可以將人工報告當中可能會遺漏的一些微小鈣化斑塊給予發現。因在放射學領域當中AI應有不錯的表現，許多學者認為AI 的出現實為一種內在威脅，因為其較之人工專家，以統計學習指標的改進為基礎，伴隨對罕見病例的深度化學習，其在分析個案上，優勢更為明顯[8-9]。

從本文結果發現，在斑塊檢出方面，AI 的靈敏度、特異度分別是94.12%、90.91%，較相關研究[10]（特異度是81.72%，靈敏度則為54.82%）的結果高。究其原因，可能與本文的冠狀動脈AI 有著更高的深入學習熟練度，且技術更為健全相關。需指出的是，從既往研究中得知，基于深度學習的冠狀動脈AI，經計算而得到的鈣化積分，已被許多學者、專家所認可，但本文采用冠狀動脈AI 在檢出斑塊方面，仍出現遺漏情況，原因是一些微小鈣化斑塊被遺漏[11-12]。此外，本文以CAG 為金標準，圍繞冠狀動脈人工與AI，就其在診斷冠狀動脈斑塊檢出中的一致性實施檢驗，結果得知，無論是人工與CAG 之間，還是AI與CAG 之間，均有著好的一致率。研究表明冠狀動脈AI 在診斷冠心病方面，可獲得相近于人工的診斷效果。但需強調的是，本文也存在不足的地方：（1）本文屬于單中心研究，所選取病例多在本地，而對于冠狀動脈AI 相對應的深度學習，通常基于多中心而構建，故會影響到其診斷效能；（2）本院在使用冠狀動脈AI 上，有著較短的時間，而且選取的例數較少，后期伴隨對冠狀動脈AI 多中心研究的持續深化，會對數據不斷給予完善。

綜上，AI 在CCTA 等影像學方面表現出良好效能，整體水平理想，但其在影像當中的應用，也有不足，因此，一份合格的影像報告不可單純依據AI 后處理及診斷，仍需影像醫師的操作與把控。筆者認為，AI 技術并不是我們影像醫師的終結者，而是我們對疾病進行診斷的一個有效輔助工具。