冠状动脉CT血流储备分数研究进展

肖亚楠 高传玉 尤世杰

RIPCORD 研究指出，稳定性胸痛患者冠状动脉（冠脉）管腔的狭窄程度和血流储备分数（FFR）的不一致率达30%[1]。与单纯冠脉造影（ICA）相比，进行FFR 测量后约26%的患者诊疗计划发生改变。FFR 作为诊断冠脉功能性狭窄的金标准，对指导后续的临床决策具有重要意义。但由于测量FFR 操作复杂、费用高、需药物负荷等，无法大规模临床应用。在此背景下，以冠脉CT 血管成像（CCTA）数据为基础，结合计算机流体力学（CFD）得出的冠脉CT 血流储备分数（CT-FFR），具有其无创、与FFR 相关性高的特点，能“一站式”评估冠脉解剖结构与功能学变化。目前正式获批临床应用的CT-FFR 软件，一是美国HeartFlow 公司基于CFD研发的CT-FFR，另一个就是我国自主研发的基于深度学习算法的深脉分数（DEEPVESSEL-FFR）。

1 CT-FFR的诊断性能

PACIFIC 研究对208 例可疑冠脉粥样硬化性心脏病（冠心病）患者、505 支血管进行了回顾性分析，所有患者均行CCTA、单光单子发射计算机断层成像术（SPECT）、正电子发射计算机断层显像（PET）检查，并于2 周内行3 支血管的FFR 测定，结果由核心实验室进行盲法分析[2]。结果表明，在血管及患者水平CT-FFR 诊断缺血性病变的曲线下面积（AUC）均优于CCTA和SPECT（P均＜0.01）。CT-FFR 在血管水平的AUC 高于PET，但在患者水平两者的AUC 值无统计学差异（0.94 对 0.91，P＝0.56）。

Wardziak 等[3]以FFR 为金标准，纳入90 例患者，96 支血管（狭窄程度50%～90%）。结果表明，在血管水平CT-FFR 诊断缺血性狭窄的AUC 为0.835，显著优于ICA（0.652）和CCTA（0.660）。CT-FFR 的诊断准确性为76%，表明在冠状动脉中等程度病变（50%～90%）中，CCTA＋CT-FFR 对冠脉缺血性狭窄的诊断准确率高于ICA。2019 年欧洲心脏学会（ESC）指南也指出，CCTA 联合CT-FFR 在识别需血运重建的目标方面效果不劣于ICA＋FFR[4]。

但较少有研究关注CT-FFR 在急性胸痛患者中的可行性及诊断价值。Chinnaiyan 等[5]回顾性分析了2 302 例无冠心病急性胸痛患者的CCTA，555 例患者进入最终分析，并随机分为CT-FFR 组（n＝297）和CCTA 组（n＝258）。结果表明，急性胸痛患者CT-FFR 的失败率仅为1.6%。在90 d 随访期内，CT-FFR 组和CCTA 组的主要不良心血管事件（MACE）发生率无显著差异。当CT-FFR＞0.8 时，血运重建推迟，但并未发生死亡或心肌梗死事件。与侵入性检查相比，两组间的诊断错误率并无显著差异。

2 CT-FFR可指导临床决策、判断预后

为了比较CT-FFR 与CCTA 在稳定型冠心病患者中的预后价值，Ihdayhid 等[6]进行了一项前瞻性亚组分析（n＝206）。结果表明，对稳定型冠心病患者CT-FFR 值每减少0.05 其主要终点事件和MACE 事件分别为原来的1.7 和1.4 倍。CT-FFR 是稳定型冠心病患者临床结局的独立预测因子。对于稳定型冠心病患者，CT-FFR 在长期临床结局上的预测价值优于CCTA。

Collet 等[7]组织A、B 两组心脏治疗团队分别对223 例有左主干病变、三支血管病变或计划行经皮冠脉介入术（PCI）或冠脉旁路移植术（CABG）的患者，在有创和无创SYNTAX Ⅱ评分基础上进行诊断，A 组依据ICA、B 组依据CCTA 和CT-FFR 结果指导临床决策。结果表明，两组间一致性高达0.82（95% CI：0.73～0.90），CT-FFR改变了7%患者的临床决策。但CT-FFR 指导临床决策的前瞻性、随机对照实验十分缺乏。

3 基于深度学习算法的CT-FFR

3.1 基于深度学习算法的DEEPVESSEL-FFR工作原理

DEEPVESSEL-FFR 通过由多级神经网络和双向递归神经网络构建的深度学习算法架构，计算冠脉树各处的FFR 值，计算过程大致分为两个阶段。第一阶段基于CCTA 图像数据重建冠脉树模型，并将模型信息输入多级神经网络，再对冠脉信息进行解译；第二阶段由双向递归神经网络组成，其中循环网络允许在数据序列链中输入历史信息，通过在训练过程中应用权重双向传递数据；输出层则可返回每个输入神经元的DEEPVESSEL-FFR 值[8]。在实际临床操作中，临床工作者仅需将患者的CCTA数据以DICOM 格式上传至DEEPVESSEL-FFR 软件即可得出患者冠脉树上任一点的FFR 值。

3.2 DEEPVESSEL-FFR的诊断性能

Wang 等[8]以ICA-FFR 为金标准，对DEEPVESSELFFR 诊断冠脉功能性狭窄的准确性进行了评估。该研究纳入63 例患者，71 支血管（左前降支占比45.1%）。所有患者均行CCTA 及FFR 检查，且至少有一支血管狭窄程度在30%～90%之间。结果表明，DEEPVESSEL-FFR 与ICA-FFR 具有良好的相关性（r＝0.686，P＜0.001）。DEEPVESSELFFR 在患者水平的准确性、敏感度、特异度分别为87.30%、97.14%、75.00%，在血管水平的准确率、敏感度、特异度分别为88.73%、97.56%、76.67%。同时，DEEPVESSEL-FFR 在患者及血管水平的AUC 值分别为0.928（95%CI：0.833～0.978）、0.933（95%CI：0.848～0.979），且其计算速度为（120± 13）s，与CFD 的CT-FFR相比，DEEPVESSELFFR 更快，更准确，更高效。

Li等[9]则以ICA-FFR为金标准，对DEEPVESSEL-FFR 诊断冠脉功能性狭窄的准确性及预后价值进行了回顾性分析。结果表明，在患者及血管水平DEEPVESSEL-FFR 的诊断准确性、敏感度、特异度均优于CCTA（90.4% 对 56.2%；88.1% 对52.4%；93.6% 对61.3%，P均＜0.05）。CT-FFR≤0.8 是患者再住院及MACE 事件的危险因素（HR＝4.51，95% CI：1.08～18.9；HR＝7.26，95% CI：0.88～59.8）。

Liu 等[10]开展的1 项针对DEEPVESSEL-FFR的回顾性研究共纳入243 例有心肌缺血、CTA＞ 50%的患者，由ICA 指导决策，回顾性测量患者的DEEPVESSEL-FFR 值，并与ICA指导治疗组的2 年临床结局进行比较。结果表明，当使用DEEPVESSEL-FFR 进行临床决策时72%的患者可避免诊断性ICA。同时，DEEPVESSEL-FFR 与ICA 指导血运重建的组间MACE 事件发生率无显著差异。

4 CT-FFR新的临床使用场景

4.1 CT-FFR在PCI术后患者中的应用

Tang 等[11]研究了基于机器学习的CT-FFR 在PCI 后患者中使用的可行性和预后价值。研究表明，在33 例患者中CT-FFR 诊断具有血流动力学意义的支架内再狭窄的准确率为85%，CT-FFR 与FFR组内相关性为0.84。

4.2 CT-FFR在钙化病变中的应用

Tesche等[12]纳入314例患者、482支血管探索了冠脉钙化（CAC）积分对基于人工智能的 CT-FFR 诊断价值，结果表明CT-FFR 在患者及血管水平的诊断准确率均高于CCTA（83% 对 73%；78%对60%）且不受CAC 积分影响。同时，在不同的CAC积分水平，CT-FFR诊断缺血性狭窄的准确率、敏感度、特异度均无显著差异。一项meta 分析指出，当CAC≥400 时其诊断特异度显著低于CAC 积分＜ 400。CAC 积分＞1 000 时其特异度仅为0.52[13]。因此CT-FFR 在严重钙化病变中的应用仍需慎重。

4.3 CT-FFR在串联病变中的价值

Modi 等[14]探索了基于CT-FFR 的PCI 规划工具（FFRCT-P）判断串联病变中单处狭窄的血流动力学的准确性。研究纳入24 例患者、19 支血管。在PCI 前进行FFR 回撤以获取每处狭窄的FFR 压力变化，并测量其中一个病变行PCI 后的真实FFR 值。以真实FFR 值为金标准，评估FFR 回撤、FFRCT 和新技术（FFRCT-P）的准确性。结果表明，FFR 回撤、CT-FFR 均低估了单个狭窄对整体血管负荷的影响。使用FFRCT-P 则可使狭窄低估率降至7%，可以更准确地判断串联病变中单处狭窄的真实FFR 值，并可在PCI 前进行虚拟手术规划，以选择最佳的血运重建策略。

4.4 CT-FFR联合斑块特点判断冠心病患者预后

研究表明，高危斑块特征（HRPC）会增加冠心病患者心血管事件的发生率，同时高风险斑块对冠心病患者预后的影响与FFR 不同。即使FFR＞0.8，HRPC≥3 的病变中血管相关的复合结局事件发生率也显著高于HRPC＜3 的病变（HR 3.964，P＝ 0.007）[15]。通过1 次CCTA 扫描可同时获取患者的斑块特征与CT-FFR 数值，将两者结合可更精准地判断患者预后。Kawasaki 等[16]通过基于机器学习的随机森林分析模型发现，与ICA-FFR 相比，整合CT-FFR 和斑块信息后重分类改善指标为0.297，综合判别改善指数为0.254。

5 CT-FFR的局限性

首先，CT-FFR 成功与否高度依赖于CCTA的图像质量，而运动伪影、CT 扫描层厚和心率均会显著影响CCTA 图像质量[17]。其次，CT-FFR在0.75～0.80 之间时，诊断性能不佳。研究表明，在血管水平当CT-FFR 值介于0.74～0.82 之间时，CT-FFR 与FFR 的诊断特异度仅为54%、40%。当CT-FFR≤0.75 或CT-FFR≥0.84 时，CT-FFR 与FFR 的诊断特异度分别为87%、91%[18]。最后，CT-FFR 能否真正降低医疗成本仍存争议。FORECAST 研究[19]是一项多中心的RCT 研究，共纳入1 400 例新发稳定性胸痛患者，随机分为标准治疗组和实验组（CCTA＋CT-FFR）。结果表明，随访9 个月内两组间的整体心脏花费无统计学差异，同时两组间的主要不良心脑血管事件、心绞痛严重程度、生活质量改善也无显著差异。但由于随访时间较短、实验组CT-FFR 检测比例仅占31%等原因，仍需理性看待这一结论。

6 小结

随着CT-FFR 临床应用证据的积累，这一技术也得到了国内外指南的认可。2017 年英国国家卫生与临床优化研究所指南[20]推荐CT-FFR 用于胸痛患者的一线筛查，并认为CT-FFR 可减少不必要的有创检查和治疗，节约医疗成本。2020 年冠脉CT 血流储备分数应用中国专家建议[21]指出：与CCTA 相比，CT-FFR 对缺血性狭窄诊断效能更高，并且CT-FFR 可作为冠心病患者近期和远期预后评估的方法，改善患者的危险分层能力。2021 年国际心血管CT 协会冠脉CT 专家共识[22]中指出，对于有中重度单支或多支血管病变的患者，CT-FFR 可用于指导临床决策。

最早的HeartFlow CT-FFR 软件尽管较为准确，但由于计算复杂、耗时长，无法满足临床需求。而近年来出现的降维CT-FFR[23]以及基于机器学习和人工智能的CT-FFR[9]，不仅诊断性能优越，而且可进行现场计算。但迄今为止，国内外所有针对CTFFR 的研究更着重于判断其诊断性能，其主要终点多为非临床终点，缺少随机对照研究，观察时间短，证据级别相对较低。