全自动的基于人工智能的冠状动脉CT血管造影图像处理：效率、诊断能力和风险分层｜健心知著
文摘
教育
2024-10-16 07:30
北京
健心知著
![]()
全自动的基于人工智能的冠状动脉CT血管造影图像处理：效率、诊断能力和风险分层
![]()
刘健、毕鹏飞、孙宇彤
北京大学人民医院
缺血性冠状动脉疾病（CAD）已成为全世界极大的公共卫生负担。根据各类国际指南，高质量的冠状动脉CT血管造影（CCTA）图像处理对于准确诊断CAD 至关重要，目前，CCTA的图像处理任务是半自动化的，既依赖于图像处理算法，也需要人工手动操作辅助，且大多数人工智能研究集中在特殊任务分析上，但对全自动图像处理的关注较少。
本研究是一项前瞻性多中心观察性研究，连续纳入了2019年10月至12月在两家学术医院接受CCTA治疗的患者、旨在实现基于全自动人工智能（FAAI）的CCTA图像处理，并评估其对工作效率的影响，以及对有CCTA适应症患者的诊断和风险分层的影响，该研究于2024年3月发表在European Radiology杂志。
本研究纳入了2019年10月至12月在两家学术医院连续接受CCTA治疗的成年患者，其中，接受CCTA的指征包括：(1)活动后出现胸闷、胸痛、心前不适等症状；(2)心电图异常；(3)动脉粥样硬化常规CCTA检查。并排除了其中接受过冠状动脉搭桥术（CABG）的患者。受试者在接受CCTA后会被随机分到基于FAAI的图像处理组，两组的人数比为1:1。同时，本研究还收集了接受CCTA后接受冠脉造影的数据，患者图像处理的时间以及2年内远端血运重建和预后的数据，以分析FFAI图像处理对诊断能力、效率和患者预后的影响，图1展示了该研究的工作流程。![]()
图1：基于人工智能和半自动模式下的CCTA图像处理流程
![]()
本研究从两家医院筛选出1829例患者进行分析，其中13例（0.7%）因CABG病史被排除，将剩余1816例病例随机分配到基于FAAI的（n = 908）图像处理模式组和半自动的（n = 908）图像处理模式组，在FAAI-based模式中，893/908（98.3%）符合本研究条件，但15/908（1.7%）因冠状动脉分割不准确而被排除。最后，1801名受试者（平均年龄62.7 ± 11.1岁，男性1128人[62.6%]）被纳入，其中基于FAAI和半自动模式的人数分别为893（49.6%）和908（50.4%）。在两种模式下，患者在年龄、性别、BMI、总胆固醇、高密度脂蛋白、高血压、糖尿病和吸烟状况等方面均无显著差异（p > 0.05）（表1）。![]()
表1：研究人群的基线特征
基于FAAI模式的图像处理时间为121.0 ± 18.6 s，显著小于半自动模式的433.5±68.4s（p<0.001）（表2）。其中，图像分割、狭窄分析和图像重建时间分别为17.1 ± 4.9、24.7 ± 18.8和80.6 ± 21.2 s。此外，扫描-报告发布时间从半自动模式的10.5 ± 3.8 h减少到基于FAAI模式的6.4 ± 2.7 h，减少了39.0%（p<0.001）。![]()
表2：冠状动脉CT血管造影在全自动人工智能（FAAI）和半自动模式下的工作效率
在入组患者中，FAAI组和半自动模式组诊断为阻塞性冠状动脉疾病的患者分别为152名（8.4%）和159名（8.8%），在基于FAAI图像识别的的152例患者中，诊断阻塞性CAD（狭窄≥50%）的敏感性、特异性和准确性分别为96.3%（95%CI 91.6–98.8%）、82.4%（56.6–96.2%）和94.7%（89.9–97.7%）（表3）。在冠脉节段水平上，其敏感性、特殊性和准确性分别为97.5%（96.6–98.2%）、85.2%（79.9–89.6%）和96.1%（95.1-96.9%）（表S3）。图2显示了基于FAAI的CCTA图像和相应的阻塞性冠状动脉疾病。在半自动化模式下的159例患者中，诊断的敏感性、特异性和准确性分别为96.5%（92.0-98.9%）、76.5%（50.1–93.2%）和94.3%（89.5–97.4%）。在冠脉节段水平上，其敏感性、特异性和准确性分别为97.6%（96.7–98.2%）、74.9%（68.3–80.7%）和95.3%（94.2–96.2%）。在患者水平和节段水平上，基于FAAI的模式和半自动模式之间的诊断准确率的差异分别为0.4%和0.6%。![]()
表3：以冠状动脉造影为金标准的冠状动脉CT血管造影对阻塞性冠状动脉疾病（≥50%狭窄）的诊断性能
![]()
图2：基于全自动人工智能（FAAI）的冠状动脉CT血管造影图像与有创冠状动脉造影（ICA）的比较
在使用FAAI图像处理的893例CCTA患者中，CCTA诊断为重度、中度、轻度和无狭窄的患者分别为83例、178例、318例和312例。其中，分别有70/85例（82.4%）、63/178例（35.4%）、19/318例（6.0%）和0/312例进行了有创冠脉造影检查。最后，81例患者接受了PCI治疗，4例接受了CABG治疗。在半自动模式的908例患者中，经CCTA诊断为重度、中度、轻度、无狭窄的患者分别为82例、187例、350例和289例。随后，分别有72/82（87.8%）、69/187（36.9%）、18/350（5.1%）和0/298例进行了有创冠脉造影检查。最后，84例患者接受PCI治疗，3例接受CABG治疗。在基于FAAI和半自动模式下，CCTA后接受ICA、PCI和CABG治疗的患者比例没有显著差异（p 均＞ 0.05）。在纳入的1801例患者中，1563例（86.8%）有随访结果，随访时间为589± 182天，其中基于FAAI和半自动模式的患者分别为779例和784例（表S4）。在基于FAAI图像处理模式的779例患者中，重度、中度和轻度狭窄患者的心脏事件数分别为21/76（27.6%）、8/150（5.3%）和5/299（1.7%）。Cox比例风险回归显示，较高的狭窄类别与较高的心脏事件发生率相关，其中心脏事件的HR分别为9.7(3.1 to 15.3), 3.5 (1.5 to 6.1), 和1.8 (0.6 to 3.4)（表4）。在半自动模式的784例患者中，心脏事件分别为22/68（32.4%）、10/144（6.9%）和5/285（1.8%）。严重的冠脉的狭窄与较高的心脏事件发生率相关，HR分别为8.4（2.9 to 14.5）、3.9（1.4 to 7.2）和1.7（0.5 to 3.5）。![]()
表4：在调整混杂因素后，图像处理模式和心血管事件的COX比例风险回归分析
与半自动图像处理模式相比，基于FAAI的CCTA图像处理显著提高了工作效率，但是在诊断阻塞性CAD的能力与对心血管事件进行风险分层方面并无显著差异。
本研究是一项观察性研究，证明与半自动图像处理模式相比，FFAI的图像处理能在不影响诊断效能和患者预后的基础上显著提高工作效率，相比于现有的半自动图像处理流程，大大减少了放射科医生的工作量，减少了疾病诊断-处理的空窗期，对于缓解现有医疗环境中医生的高负荷具有较大意义。随着人工智能的发展，越来越精确的AI图像识别与处理技术横空出世，对于CCTA等影像学手段具有开拓性的意义，未来人工智能的发展会进一步提升FFAI在图像处理方面的精确性、细致性，克服人眼的生理缺陷，并推动医疗与新兴科学技术相结合。本研究同时也存在以下局限性：1.由于CABG术后患者具有复杂的冠脉结构，目前AI图像处理具有一定的难度，因此被排除在本研究范围之外；2.由于研究对象仅限于两家医院的患者，对于其他地区无法进行推广；3.由于MACE在整体样本中发生率较低，样本量不足，难以评估FFAI对MACE患者预后的影响。未来研究要进一步扩大研究中心，增大样本量，并与新兴AI技术相结合，以提升对AI对复杂血管影响状态的评估能力。
![]()
