人工智能應用于冠狀動脈CT血管成像對冠狀動脈狹窄的診斷效能及臨床意義

張卉，王道清，程留慧，黃方方

摘要目的：研究人工智能（AI）應用于冠狀動脈電子計算機斷層掃描（CT）血管成像對冠狀動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例行冠狀動脈CT血管成像檢查病人為研究對象，所有病人均進行冠狀動脈造影確診，分別采用后處理軟件Syngo.via（人工組）和聯影AI冠狀動脈智能輔助診斷系統軟件（AI組）對冠狀動脈CT血管成像進行圖像后處理，比較兩種方法評價冠狀動脈CT血管成像圖像質量、冠狀動脈狹窄的檢出情況及診斷效能。結果：AI組和人工組圖像質量評價優、良、差病人分布及圖像缺陷原因占比差異均無統計學意義（P＞0.05）。168例病人共發生冠狀動脈狹窄89例，其中人工檢出83例，AI檢出71例；無冠狀動脈狹窄79例，其中人工檢出60例，AI檢出70例。AI診斷冠狀動脈狹窄的敏感度低于人工組，但特異度高于人工組（P＜0.05），同時兩者曲線下面積（AUC）比較差異無統計學意義（P＞0.05）。結論：AI應用于冠狀動脈CT血管成像的圖像后處理，其圖像質量評價及對冠狀動脈狹窄的診斷效能與人工相當，可用于臨床輔助影像醫師進行冠狀動脈狹窄的診斷。

關鍵詞冠狀動脈狹窄；人工智能；電子計算機斷層掃描；血管成像；診斷效能

doi：10.12102/j.issn.1672-1349.2024.08.005

冠心病是臨床常見心血管疾病，評估冠狀動脈狹窄情況是診斷冠心病的重要步驟，冠狀動脈造影（CAG）是臨床診斷冠狀動脈狹窄的金標準，但其費用昂貴，且屬于有創檢查［1-2］。近年來，隨著冠狀動脈電子計算機斷層掃描（CT）血管成像的廣泛應用，其已經成為臨床篩查冠狀動脈狹窄的首選無創檢查方法，但影像醫師對圖像后處理和結果判讀過程所用時間較長，影響工作效率的同時影響判讀結果，增加誤診、漏診的風險［3］。近年來，人工智能（AI）技術在醫療行業的應用越來越廣泛，其借助計算機視覺、深度學習、大數據平臺等技術使得臨床診療服務更加的便捷和精確，在提高影像醫師工作效率、緩解醫師工作壓力和強度方面起著積極作用［4］，而目前關于AI在冠狀動脈CT血管成像中的應用情況尚未完全明確，基于此，本研究將AI應用于冠狀動脈CT血管成像，分析其對冠狀動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月河南中醫藥大學第一附屬醫院收治的168例行冠狀動脈CT血管成像檢查病人為研究對象，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、脫落與剔除標準

納入標準：參照相關文獻［5］進行冠狀動脈狹窄的診斷；無精神障礙、語言障礙、聽力障礙，能配合醫師指令完成相關檢查者；冠狀動脈CT血管成像圖像血管偽影少，不影響結果判斷者；與CAG檢查時間間隔短于2周者；AI軟件能自動計算完成者等。排除標準：冠狀動脈開口異常者；行心臟搭橋術或冠狀動脈支架置入術者等。脫落與剔除標準：相關數據丟失者。

1.3檢查方法

1）冠狀動脈CT血管成像：使用一代雙源CT行冠狀動脈CT血管成像檢查，先進行氣管分叉處下1.0～1.5 cm至心臟膈面頭足方向的心電門控掃描序列掃描，無硝酸甘油禁忌病人掃描前舌下含服0.5 mg硝酸甘油，后進行增強掃描，參數設定管電流為實時動態曝光劑量調劑自動曝光，管電壓120 kV，開啟實時動態曝光劑量調劑自動曝光，旋轉時間為每周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，注射對比劑后運用對比劑追蹤觸發技術進行檢查。2）圖像后處理：掃描完成后選擇圖像數據傳輸至西門子工作站，利用后處理軟件Syngo.via（人工組）和聯影AI冠狀動脈智能輔助診斷系統軟件（AI組）進行圖像后處理。人工組主要由影像科技師完成后處理，AI組由AI冠狀動脈軟件自動進行。

1.4觀察指標

1.4.1人工和AI對冠狀動脈CT血管成像圖像質量評價

所有圖像均經3位專業影像醫師進行圖像質量評價，圖像質量評定包括優、良、差［6］；統計良和差圖像缺陷原因，包括血管遮擋、組織、靜脈干擾或雜質污染、血管缺如或誤添加。

1.4.2人工和AI對冠狀動脈狹窄的檢出情況

根據圖像后處理結果統計人工組和AI組冠狀動脈狹窄的檢出情況。

1.4.3人工和AI對冠狀動脈狹窄的診斷效能

采用受試者工作特征曲線（ROC）分析人工和AI對冠狀動脈狹窄的診斷效能。

1.5統計學處理

數據分析使用SPSS 21.0統計軟件進行，定性資料采用例數、百分比（%）表示，比較采用χ2檢驗；繪制ROC曲線，獲取曲線下面積（AUC）分析人工和AI對冠狀動脈狹窄的診斷效能。以P＜0.05為差異有統計學意義。

2結果

2.1人工和AI對冠狀動脈CT血管成像圖像質量評價比較

AI組和人工組圖像質量評價優、良、差病人分布及圖像缺陷原因分布差異均無統計學意義（P＞0.05）。詳見表1。

2.2人工和AI對冠狀動脈狹窄的檢出情況比較

168例病人共發生冠狀動脈狹窄89例，其中人工檢出83例，AI檢出71例；無冠狀動脈狹窄79例，其中人工檢出60例，AI檢出70例。詳見表2。

2.3人工和AI對冠狀動脈狹窄的診斷效能比較

AI診斷冠狀動脈狹窄的敏感度低于人工組，但特異度高于人工組（P＜0.05），同時兩者AUC值比較差異無統計學意義（P＞0.05）。詳見表3及圖1。

2.4典型病例影像資料

典型病例［1］，男，45歲，Sigovia工作站冠狀動脈軟件后處理圖見圖2。典型病例［2］AI自動識別和分割后處理圖見圖3。

3討論

冠狀動脈狹窄是冠心病的主要病因，近年來，隨著人們生活方式的改變，冠狀動脈狹窄發病率逐年升高，冠狀動脈CT血管成像對冠狀動脈狹窄進行準確、快速的診斷，為臨床治療提供了參考和依據，但其圖像后處理工作量較大，使得影像醫師日常工作強度較大，工作效率較低，難以滿足現代醫院的需求［7-8］。AI作為計算機科學延伸的一門新興技術，在醫學影像大數據時代，將其應用于心血管影像中有利于減輕影像醫師的工作量，提高其工作效率及診斷準確率［9-10］。

在應用AI進行冠狀動脈CT血管成像圖像后處理過程中發現，AI冠狀動脈智能輔助診斷系統軟件在進行圖像重建的過程中會刪除部分冠狀動脈CT血管成像圖像重建步驟而縮短圖像后處理用時，但其在圖像著色和渲染方面的視覺感觀強于人工重建［11］。本研究中AI組和人工組圖像質量評價優、良、差病人分布及圖像缺陷原因分布差異均無統計學意義，但AI組圖像質量優秀率高于人工組，原因在于，容積再現圖像中冠狀動脈貼合緊密，且容易受靜脈血管的干擾，在人工重建過程中很難去除［12-13］，而AI在圖像局部細節的色彩渲染十分優秀，可有效識別并去除靜脈血管，但在AI處理過程中也同樣存在組織、靜脈干擾或雜質污染及血管缺如或誤添加等因素對圖像質量產生影響，這些因素的產生一方面可能與病人心率過快、心律不齊、體重過大等因素有關［14］，另一方面可能與曝光劑量、重建算法等掃描參數有關［15］，結合AI冠狀動脈智能輔助診斷系統軟件功能分析，當軟件和儀器在學習的初級階段獲取諸如以上原因造成的非優質數據沒得到足夠的訓練時，使得圖像后處理質量降低［16-17］。

在現今大數據時代，AI應用于影像學疾病的診斷已經成為不可逆轉的潮流趨勢，對于心血管疾病病人，其對冠狀動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用密切相關。本研究結果顯示，AI診斷冠狀動脈狹窄的敏感度、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值比較差異無統計學意義，說明AI對冠狀動脈狹窄的診斷效能良好，可輔助影像醫師進行冠狀動脈狹窄的診斷。但在臨床實際應用過程中，發現AI在輔助診斷冠狀動脈狹窄的過程中也存在較多不足之處：1）對于受心率或呼吸運動影響使得圖像有明顯錯層及冠狀動脈起源異常、搭橋術后病人等變量結果較多，但缺乏大樣本數據訓練時，AI的程序算法會受到較大的限制，病人血管走行表現較多，導致AI解讀困難，因此，這類病人在進行冠狀動脈CT血管成像時應避免使用AI進行圖像后處理，以免影響結果的判讀及浪費醫療資源［18-19］。2）AI在血管命名準確率方面也存在著一定的誤差，如對于冠狀動脈左旋支中遠段、鈍緣支等血管標示命名可能出現錯誤［20］。3）冠狀動脈鈣化情況、狹窄程度等也會對AI判斷結果產生影響［21］。因此，AI在冠狀動脈狹窄診斷中應用的有效性和安全性還需要臨床優質大樣本數據的支撐和質量控制的介入。

AI應用于冠狀動脈CT血管成像的圖像后處理，其圖像質量評價及對冠狀動脈狹窄的診斷效能與人工相當，可用于臨床輔助影像醫師進行冠狀動脈狹窄的診斷。本研究為小樣本、單中心研究，僅對病人是否出現冠狀動脈狹窄進行統計，而未具體到血管及相關節段，且未對血管鈣化情況進行區分，可能使得研究結果存在偏倚，因此，有待后續研究進一步擴大樣本量，聯合其他醫院的學者進行多中心研究，分析AI應用于冠狀動脈CT血管成像對冠狀動脈狹窄的診斷效能。

參考文獻：

［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與冠狀動脈狹窄程度的相關性［J］.貴州醫科大學學報，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診斷冠狀動脈狹窄中的準確性及應用價值［J］.中國醫學計算機成像雜志，2020，26（2）：120-124.

［5］趙勇，呂宜鳳.現代心血管病學［M］.天津：天津科學技術出版社，2011：55-58.

［6］馮濤，田力.產前超聲診斷右冠狀動脈右房瘺1例［J］.中國超聲醫學雜志，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.人工智能成像優化技術在冠狀動脈CT血管成像的初步應用研究［J］.中華放射學雜志，2020，54（5）：460-466.

［9］劉珮君，王怡寧，于敏，等.人工智能優化算法對提高大體型患者低劑量掃描冠狀動脈圖像質量的價值［J］.放射學實踐，2019，34（7）：760-766.

［10］黃增發，王翔.人工智能冠狀動脈CT血管成像在冠心病診斷中的應用［J］.放射學實踐，2018，33（10）：1017-1021.

［11］楊陽，刁楠，黃增發，等.CAD-RADS在冠心病診斷中的應用：人工智能與人工方法的對照研究［J］.放射學實踐，2022，37（4）：413-418.

［12］趙潤濤，竇冠華，王凡，等.基于人工智能動態CT心肌灌注成像分析技術的臨床應用研究［J］.國際醫學放射學雜志，2021，44（5）： 529-534.

［13］王憲凱，賈學燕，程祥科，等.人工智能在冠狀動脈CTA圖像后處理及狹窄評估中的應用價值［J］.醫學影像學雜志，2022，32（4）：588-590.

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

［15］李浚利，黃益龍，韓丹，等.冠狀動脈CT血管成像中人工智能診斷冠心病的準確性［J］.中國醫學影像技術，2021，37（1）：59-62.

［16］張曉浩，劉軍波，范麗娟.人工智能技術應用于冠狀動脈CTA圖像后處理的可行性［J］.放射學實踐，2021，36（8）：994-999.

［17］孫會利，陳杰，張煥，等.基于人工智能技術的非門控胸部CT平掃對冠狀動脈鈣化積分的準確性評價［J］.CT理論與應用研究，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脈CT血管成像檢測阻塞性冠狀動脈狹窄效能的研究［J］.國際醫學放射學雜志，2021，44（5）：516-522.

［19］張明多，南楠，蘭宏志，等.基于人工智能優化與計算流體力學的無創血流儲備分數對冠狀動脈狹窄缺血的診斷價值［J］.心肺血管病雜志，2022，41（3）：243-247.

［20］王平，陳亮，胡磊.人工智能＋結構化報告賦能冠脈CT血管成像臨床一體化［J］.中國數字醫學，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動校正算法對CCTA圖像質量的影響［J］.放射學實踐，2022，37（8）：1035-1041.

（收稿日期：2023-01-06）

（本文編輯王雅潔）