AI对非门控胸部LDCT平扫冠状动脉钙化积分危险分层的预测价值

樊荣荣 刘凯 夏晨 张慧玲 沈宏 周舒畅 萧毅 刘士远

冠状动脉钙化积分（coronary artery calcium score,CACS）是独立于传统心血管疾病危险分层的预测因素，能够有效评估心血管事件的风险，临床上常将心电门控CT平扫获得的CACS作为金标准[1-2]。但CACS的测量是基于冠状动脉CT血管成像（coronary CT angiography,CCTA）检查，而CCTA检查辐射剂量较高且需要注射对比剂，不太适用于常规的人群筛查[3]。胸部非门控低剂量CT（low-dose computed tomography,LDCT）能够避免较多的辐射暴露，且与心电门控CT平扫评估的钙化积分具有较好的一致性，因此可用于测量CACS，进而预测心血管疾病的风险。但非门控LDCT的CACS评估需要医生使用三维后处理软件半自动测量，增加了医生工作量，临床推广存在困难。近年来，人工智能（artificial intelligence，AI）已成功应用于医学成像领域[4]，其可以自动化分析影像，减轻医生的工作量，提高工作效率，但AI模型能否评估非门控LDCT纵隔窗获得的CACS有待研究。因此，本研究建立了基于非门控LDCT的AI模型，比较AI模型与影像医师评估的CACS及其危险分层，探讨AI在非门控LDCT中预测CACS危险分层的价值。

1 资料与方法

1.1 一般资料 回顾性纳入同时接受CCTA检查和胸部非门控LDCT检查的疑有冠状动脉疾病的病人152例（训练集与测试集比例为2∶1[5]）。训练集用于AI模型的训练，纳入2016年12月—2017年10月于上海长征医院就诊的102例病人，男66例，女36例，年龄40～82岁，心率55～76次/min。测试集用于AI模型的外部测试和性能评估，纳入2016年2—10月于武汉同济医院就诊的50例病人，男26例，女24例，年龄25～85岁，心率58～74次/min。纳入标准：①CCTA检查前1周内行胸部非门控LDCT检查；②CCTA检查中发现冠状动脉钙化；③病人体质量指数（BMI）≤28 kg/m2。排除标准：①影像质量不佳；②有冠状动脉支架置入者。

1.2 设备与方法 训练集和测试集分别采用Philips iCT 256层CT、GE BrightSpeed 16层CT设备完成扫描，扫描范围自胸廓入口至膈肌。扫描参数：①心电门控CT，管电压120 kV，管电流80 mA，层厚2.5 mm，层间距2.5mm，视野（FOV）250 mm×250 mm，准直分别为32×0.625 mm（Philips）、16×0.625 mm（GE），螺距分别为0.33（Philips）、0.938（GE），均采用滤过反投影（FBP）进行影像重建组。②非门控LDCT，管电压120 kV，管电流50 mA，层厚2.5 mm，层间距2.5 mm，FOV 350 mm×350 mm，准直分别为128×0.625 mm（Philips）、16×0.625 mm（GE），螺距分别为0.758（Philips）、1.375（GE），均采用迭代重建iDose4算法进行影像重建。纵隔窗窗宽、窗位分别为400 HU、40 HU。

1.3 钙化标注与CACS计算 所有影像均由2名有10年工作经验的放射科医生独立在纵隔窗上手动标注冠状动脉各支的钙化区域（钙化定义：CT值>130 HU、面积>0.5 mm2）（图1），结果不一致时由另一名有25年工作经验的放射科医生确定最终结果。心电门控CT平扫影像均导入Philips星云工作站，使用Heart-Beat CS Agatston积分分析软件进行处理，人工标注钙化区域后软件自动计算获得CACS，随后进行危险度分层，将其定义为标准CACS及标准危险度分层。记录2名医师标注钙化区域至软件自动生成CACS所需的时间并取平均值进行后续分析。训练集的非门控LDCT影像导入ITK-SNAP软件进行分析，数据用于AI模型的训练。将测试集数据导入AI模型进行验证，与心电门控CT平扫获得的标准CACS及其危险分层进行对比分析，评估AI模型对CACS及危险分层的准确度。记录AI模型预测CACS所需时间，即每组CACS危险分层总时间除以该组的病例数。

图1 同一病人的心电门控CT（A图）和非门控LDCT（B图）纵隔窗影像，测得CACS分别为145.75、80.01。

1.4 CACS危险度分层 依据CACS评分进行危险度分层[6]：①低危，1～100分；②中危，101～400分；③高危，>400分。评估AI模型与心电门控CT平扫对CACS危险度分层的一致性。

1.5 AI钙化危险分层模型 采用MxNet框架构建基于AI的非门控LDCT数据CACS危险分层模型，如图2所示。非门控LDCT数据进行预处理后输入到神经网络中，数据预处理包括窗宽、窗位调整，噪声去除，背景去除，尺寸调整，随机裁剪等。AI模型以UNet为主干网络，采用交替训练法对非门控LDCT数据自动分割钙化区域。模型采用密集卷积网络（DenseNet）编码，并采用空间/通道压缩与提取（spatial and channel squeeze&excitation,scSE）网络解码[7]。AI模型可以根据自动分割的钙化区域进行结果量化，计算出相应区域的CACS并进行危险分层。

图2 CACS危险分层的AI模型流程图

1.6 统计学方法 采用SPSS 23.0软件进行数据分析。符合正态分布的计量资料用均数±标准差（±s）表示，2组间比较采用t检验；非正态分布的计量资料用中位数（四分位间距）[M（P25，P75）]表示。计算AI模型预测危险分层的分类准确度。采用组内相关系数（interclass correlation coefficient，ICC）、Bland-Altman一致性分析对AI模型与心电门控CT获得的CACS进行一致性分析。采用Wilcoxon符号秩检验比较AI模型与标准CACS危险分层间的差异。采用Kappa检验评价AI模型预测与标准CACS危险度分层的一致性，κ≤0.4为一致性差，0.4<κ≤0.6为一致性中等，0.6<κ≤1.0为一致性较好。P<0.05表示差异有统计学意义。

2 结果

2.1 一般资料比较 训练集及测试集的病人年龄、心率及BMI间差异均无统计学意义（P＞0.05），详见表1。

表1 训练集与测试集病人一般资料的比较

2.2 AI模型测得CACS与标准CACS的一致性分析 在训练集和测试集中，标准CACS的中位数分别为165.89（36.04，425.76）、96.50（25.75，346.75），AI模型测得CACS的中位数分别为167.07（43.17，449.11）、75.51（24.30，250.74），两者一致性均 较 好 [ICC分 别 为0.977（0.965，0.984）、0.989（0.980，0.994）]。

在测试集中进行Bland-Altman一致性分析，结果显示AI模型测得的CACS与标准CACS具有很好的一致性，差值在95%一致性界限内的病例有48例，界限外的只有2例（图3）。

图3 测试集中AI模型和心电门控CT测量CACS的Bland-Altman散点图

2.3 AI模型CACS危险分层与标准CACS危险分层的一致性分析 在训练集和测试集中，AI模型预测的CACS危险度分层与标准CACS危险度分层的一致性均较好（κ分别为0.895、0.899，均P<0.001）。

2.4 AI模型预测CACS危险分层的分类准确度 训练集中，标准CACS将病人分为高危、中危、低危，分别有32、41、29例，AI模型分别有31、39、29例，AI模型CACS危险分层的准确度为97.1%，其中对高危、中危、低危分类的准确度分别为96.9%、95.1%、100.0%。测试集中，标准CACS将病人分为高危、中危、低危，分别有7、17、26例，AI模型分别有7、14、26例，AI模型CACS危险分层的准确度为94.0%，对高危、中危、低危病人分类的准确度分别为100.0%、82.4%、100.0%。测试集中，AI模型预测CACS危险分层与标准CACS危险分层进行比较，两者间的差异无统计学意义（Z=2.00，P=0.564），详见表2。

表2 心电门控CT与AI模型对测试集CACS危险度分层结果

2.5 AI模型与医师评估测试集CACS危险分层所需时间比较 采用AI模型评估不同CACS危险分层（低危、中危、高危）所需时间均较放射科医师少（均P＜0.05），分别缩短了88%、94%、96%，详见表3。

表3 AI模型与放射科医师评估测试集不同危险分层所需时间比较

3 讨论

冠心病的基本病理改变是冠状动脉粥样硬化，其标志和早期征象为冠状动脉钙化。冠状动脉钙化的量化值为CACS，主要依赖心电门控CT测量，但非门控CT扫描在临床应用更加普遍。美国心血管CT协会和胸部放射学协会发布的指南[8]也建议对进行了非门控CT扫描的病人评估冠状动脉钙化，并测量CACS。

3.1 AI模型构建 本研究基于MxNet框架构建了一个非门控LDCT的CACS危险分层模型。该模型可以实现非门控LDCT数据冠状动脉钙化区域的自动分割与提取。模型利用三维卷积神经网络UNet对冠状动脉血管整体拓扑结构和局部细节特征进行识别，同时可以校准影像特征采样区域，从而提升模型的分割精度。该系统不仅能够对病人非门控LDCT影像的钙化区域进行较为精准的分割，同时可以通过钙化区域的面积和CT值实现钙化积分的自动计算，并最终确定病人CACS危险分层。相比传统非门控CT数据的CACS测量及其危险分层评估，AI模型能够优化工作流程，有助于提高医师的阅片效率和准确度[9-10]。既往研究多关注心电门控CT自动预测CACS的AI模型[11-12]，非门控CT自动评估CACS有待研究，因此本研究以心电门控CT为参照，使训练出的AI模型接近金标准。

3.2 AI模型的CACS及危险度分层分析 本研究结果表明，AI模型评估的测试集CACS与标准CACS的ICC值为0.989，一致性较好，与David等[11]研究结果相似。测试集中，AI模型评估的CACS危险度分层与标准CACS危险度分层的κ值为0.899，高于既往研究[13]中放射医师半自动测量的非门控LDCT与心电门控CT平扫评估的CACS危险分层的一致性κ值，提示基于AI模型的非门控LDCT评估的CACS更准确，可能是由于AI模型能够避免放射科医师疲劳或其他因素导致部分钙化区域漏检。因此，AI模型能够较为准确地评估非门控CT平扫的CACS和危险度分层。

在测试集中，中危组有2例存在低估，1例存在高估。其中1例模型低估的原因可能为非门控扫描过程中，心脏搏动导致钙化的部分层面遗漏；另1例低估者的CACS属于中危临界点，推测是由于在低剂量条件下采用迭代重组技术会使Agatston评分偏低[14]。1例模型高估原因为心包钙化误判为冠状动脉钙化。

3.3 AI模型分类准确度及所需时间 本研究采用分类准确度评估AI模型对危险度分层的预测效能。结果表明，AI模型对非门控LDCT测试集的CACS危险分层评估的分类准确度达94%，较以往放射科医师采用半自动软件评估CACS准确度明显提高[13]。本研究训练的AI模型平均耗时仅为10 s，较放射科医师手动勾画钙化区域评估CACS所需时间明显减少，极大地提高了工作效率。由此可见，AI模型能够以较高的准确度和较少的时间成本预测非门控CT平扫的CACS危险度分层。因此，AI模型能够有效地辅助影像医师进行后处理，减轻医师的工作负担。这预示着本研究的结论将有利于非门控LDCT筛查一站式评估CACS的临床推广。

3.4 局限性 本研究尚存在一些局限性。第一，本研究模型测试集病例数偏小，且为单中心，以后将加大样本量，争取纳入多中心数据，更加客观评估模型价值，并进一步优化该模型。第二，所选取的病例均为有冠状动脉钙化者，无法评估AI模型的假阳性及假阴性。在以后的研究中，我们将采用现实场景中的病例进行模型测试，更加全面地评估模型的稳定性。

3.5 小结 本研究训练的基于非门控LDCT的CACS AI模型能够较为准确地评估CACS及其危险分层，明显提高放射科医师的工作效率，具有一定的临床应用价值。