基于冠状动脉CT 血管成像的深度学习模型对冠心病的诊断性能

耿冀，常玉莲，张滨*，王思雯，张番栋

1.北京大学首钢医院影像科，北京 100144；2.深睿人工智能研究院，北京 100080；*通信作者 张滨 zhangbin-m@126.com

冠心病是全球居民死亡的最主要原因[1]，诊断冠心病的存在和严重程度对于临床确定适当的治疗至关重要。冠状动脉CT血管成像（coronary computed tomography angiography，CCTA）广泛用于评估疑似但尚未确诊的冠心病患者，并且检测冠状动脉狭窄具有较高的敏感度和特异度，已成为目前诊断冠心病最常用的无创方法[2]。与“金标准”侵入性冠状动脉造影（invasive coronary angiography，ICA）相比，CCTA不仅可以评估冠状动脉狭窄，还可以显示斑块的性质，并且具有诊断准确性高、风险预测性强、无创、安全、价格低廉等优点，广泛应用于临床。然而，诊断医师准确识别冠心病仍然具有挑战性，尤其是对于不从事心血管诊断领域的医师和缺乏经验的年轻医师。

深度学习（deep learning，DL）是机器学习的一个分支，通过执行多层次结构自动学习特征，从而达到分类的目的[3]。目前DL算法已广泛应用于计算机视觉、医学影像分析等领域，并取得了显著进步。DL在冠心病CCTA诊断领域的应用多集中在斑块识别及量化[4]、自动冠状动脉钙化评分[5-6]、中心线提取[7]、血流储备分数的计算[8]等。对于冠心病的医学影像诊断，其在CCTA中可自动识别冠状动脉血管并判断冠状动脉狭窄程度，从而用于诊断冠心病[9-11]，大幅度提高了诊断效率、质量和性能。但很多研究未采用“金标准”ICA进行验证，仅与传统CCTA比较，结果存在一定的局限性。同时DL模型对不同类型斑块、不同长度斑块所致管腔狭窄的诊断性能差异目前鲜有相关报道。本研究拟以ICA为“金标准”，探讨基于CCTA的DL模型评估冠心病管腔狭窄的诊断性能，并与医师的诊断性能进行比较。

1 资料与方法

1.1 一般资料 回顾性收集2014年7月—2020年7月于北京大学首钢医院接受CCTA检查及ICA检查的疑似冠心病患者，ICA和CCTA扫描时间间隔不超过1个月。排除具有以下任何一种情况者：①图像质量不符合诊断要求，包括明显的运动伪影或冠状动脉腔内造影剂填充不足；②有经皮冠状动脉介入治疗或冠状动脉旁路移植术史；③有冠状动脉畸形或动脉瘤。最终纳入89例患者，男66例，女23例，年龄38～80岁，平均（61.6±9.9）岁。本研究获得北京大学首钢医院伦理委员会批准（IRBK-2022-029-01）。

1.2 CCTA及ICA CCTA采用东芝320排CT（Aquilion One，Toshiba）在非螺旋模式下动态容积扫描。检查前先向患者详细讲解检查过程中的注意事项，并进行屏气训练。心室率＞70次/min者给予倍他乐克维持心率。患者取仰卧位，获得自胸廓入口至心脏隔面的胸部屏气定位像后，行心脏平扫，扫描范围为气管分叉下方10～15 mm至心脏膈面。扫描参数：管电压120 kV，管电流根据患者体型设为300～450 mAs。在肘静脉埋置20G静脉留置针，采用antmed双筒高压注射器，以5～6 ml/s注入50～60 ml非离子对比剂碘帕醇（370 mgI/ml）和后续30 ml生理盐水。

ICA采用Philips Allura Xper FD20血管造影机，经皮穿刺股动脉或桡动脉置入血管鞘，将冠状动脉导管分别插入左、右冠状动脉，并固定导管头，以电影模式记录不同投照角度图像，观察左、右冠状动脉主干及分支病变节段及其狭窄程度。

1.3 图像分析 按照心血管CT协会冠状动脉树改良分段法，将管径≥1.5 mm的冠状动脉节段纳入诊断范围。参考CAD-RADS分类标准，将管腔分为无狭窄、轻微狭窄（1%～24%）、轻度狭窄（25%～49%）、中度狭窄（50%～69%）、重度狭窄（70%～99%）和闭塞[12]。以冠状动脉管腔狭窄≥50%作为有血流动力学意义的狭窄，分别在斑块类型、斑块长度、斑块累及血管水平评估DL模型的诊断性能。斑块类型分为钙化型（CCTA图像上斑块CT值≥350 Hu）、非钙化型（CCTA图像上斑块CT值＜350 Hu）和混合型（同时含有非钙化和钙化斑块2种成分）[13]。斑块长度的标准：斑块长度＜10 mm为局限性，10～20 mm为节段性，＞20 mm为弥漫性[14]。斑块累及血管包括左主干、前降支、回旋支、右冠状动脉及分支血管。由2名高年资放射科医师采用盲法根据上述标准对斑块类型、斑块长度、斑块累及血管进行划分，意见不一致时协商达成一致。2名放射科医师（在心脏成像诊断方面分别具有5年和15年经验）采用独立盲法阅片，对CCTA图像中冠状动脉狭窄进行判读，如果存在分歧，最终以协商一致的方式得出结论。医师判读时，无法参考模型判读结果和ICA结果。

ICA图像由2名经验丰富的心内科专家采用盲法独立进行评估，意见不一致时协商达成一致。专家评估冠状动脉狭窄时，无法参考CCTA图像及结果。

1.4 DL模型 本研究使用的DL模型是由北京深睿博联科技有限责任公司开发的冠状动脉CT造影影像辅助诊断软件。该软件基于DL算法开发，输入标准DICOM格式的原始数据，可以自动完成冠状动脉血管的管腔狭窄分析。该软件首先通过1个多尺度的血管分割网络完成自动冠状动脉血管提取，然后构建曲面重建图像，接着基于多角度曲面重建图像完成斑块的自动检出，最后通过多视角分析和多重建融合的深度卷积神经网络，得到斑块区域的管腔狭窄率。

1.5 统计学分析 采用Python3.6软件，计数资料以绝对数表示。以ICA为“金标准”，分别在斑块类型水平、斑块长度水平、斑块累及血管水平，计算DL模型、医师诊断阻塞性冠状动脉狭窄（≥50%）的敏感度、特异度、阳性预测值、阴性预测值、准确度，通过受试者工作特征（ROC）曲线评价DL模型和医师对阻塞性冠状动脉狭窄的诊断性能，并用曲线下面积（AUC）定量表示。采用DeLong检验比较DL模型、医师诊断阻塞性冠状动脉狭窄的AUC差异，采用χ2检验比较DL模型对不同类型斑块所致管腔狭窄、不同长度斑块所致管腔狭窄、不同累及血管腔狭窄的诊断差异，P＜0.05为差异有统计学意义。

2 结果

89例患者包含393个管腔狭窄节段。在斑块类型水平，非钙化斑块所致管腔狭窄节段123个，钙化斑块所致管腔狭窄节段221个，混合斑块所致管腔狭窄节段49个。在斑块长度水平，局限性斑块所致管腔狭窄节段283个，节段性斑块所致管腔狭窄节段84个，弥漫性斑块所致管腔狭窄节段26个。在斑块累及血管水平，左主干、右冠状动脉、前降支、回旋支以及分支血管管腔狭窄节段分别为19个、141个、143个、73个、17个。

2.1 DL模型诊断阻塞性冠状动脉狭窄的性能 以ICA为“金标准”，DL模型诊断阻塞性冠状动脉狭窄的敏感度为86.2%（75/87），特异度为87.6%（268/306），阳性预测值为66.37%（75/113），阴性预测值为95.71%（268/280），准确度为87.28%，AUC为0.92。在斑块类型水平，DL模型对混合型斑块所致管腔狭窄的敏感度最高（100%），对非钙化斑块所致管腔狭窄的特异度最高（88.9%），对非钙化斑块所致管腔狭窄的整体诊断性能最优，准确率度89.43%，AUC为0.94。在斑块长度水平，DL模型对局限性斑块与节段性斑块所致管腔狭窄的诊断性能接近，AUC分别为0.91和0.95，而对弥漫性斑块所致管腔狭窄的AUC为0.78。在斑块累及血管水平，DL模型对左主干、右冠状动脉、前降支、回旋支及分支血管的管腔狭窄诊断AUC分别为1.00、0.96、0.90、0.90和0.92，见表1和图1、2。DL模型对不同长度斑块所致管腔狭窄的诊断性能差异有统计学意义（χ2=8.43，P=0.01），对不同类型斑块所致管腔狭窄的诊断性能差异无统计学意义（χ2=0.77，P=0.68），对不同累及血管管腔狭窄的诊断性能差异无统计学意义（χ2=9.43，P=0.05）。

图1 男，49岁，冠心病。A.CCTA曲面重组图像，AI诊断前降支近中段重度狭窄（箭）；B.ICA图像示前降支近中段重度狭窄（箭）

图2 男，49岁。A.CCTA曲面重组图像，AI诊断右冠状动脉近段轻度狭窄（箭）；B.ICA图像示右冠状动脉近段轻度狭窄（箭）

表1 DL模型诊断阻塞性冠状动脉狭窄的性能

2.2 医师诊断阻塞性冠状动脉狭窄的性能 以ICA为“金标准”，医师诊断阻塞性冠状动脉狭窄的敏感度为86.2%（75/87），特异度为76.5%（234/306），阳性预测值为51.02%（75/147），阴性预测值为95.12%（234/246），准确度为78.63%，AUC为0.88。在斑块类型水平，医师对非钙化斑块所致管腔狭窄的敏感度最高（88.1%），对钙化斑块所致管腔狭窄的特异度最高（87.2%），对钙化斑块所致管腔狭窄的整体诊断性能最优，准确度为86.88%，AUC为0.90。在斑块长度水平，医师对局限性斑块所致管腔狭窄的诊断性能最优，AUC为0.89，而对节段性斑块和弥漫性斑块所致管腔狭窄的诊断AUC分别为0.83和0.88。在斑块累及血管水平，医师对左主干、右冠状动脉、前降支、回旋支及分支血管的管腔狭窄诊断AUC分别为1.00、0.94、0.89、0.84、0.86（表2）。

表2 医师诊断阻塞性冠状动脉狭窄的性能

2.3 DL模型与医师诊断阻塞性冠状动脉狭窄的性能比较 以ICA为“金标准”，DL模型与医师诊断阻塞性冠状动脉狭窄的AUC差异无统计学意义（P=0.17）。在斑块类型水平，对非钙化斑块和混合斑块所致管腔狭窄的诊断AUC差异均有统计学意义（P=0.01），对钙化斑块所致管腔狭窄的诊断AUC差异无统计学意义（P=0.29）。在斑块长度水平，对节段性斑块所致管腔狭窄的诊断AUC差异有统计学意义（P=0.01），对局限性斑块和弥漫性斑块所致管腔狭窄的诊断AUC差异无统计学意义（P＞0.05）。在斑块累及血管水平，DL模型与医师对右冠状动脉、前降支、回旋支及分支血管管腔狭窄的诊断AUC差异均无统计学意义（P均＞0.05），见表3。

表3 DL模型与医师诊断阻塞性冠状动脉狭窄的AUC比较

3 讨论

本研究构建了一个基于DL的多视角管腔狭窄判别网络，并以ICA作为参考标准，比较DL模型和医师诊断阻塞性冠状动脉狭窄的性能。结果提示，DL模型能准确、有效地识别梗阻性冠状动脉疾病，并且对于非钙化斑块、混合斑块及节段性斑块所致管腔狭窄，诊断性能高于医师。因此，DL模型可能成为检测或排除阻塞性冠状动脉疾病的可靠诊断工具。

本研究表明，DL模型评估冠状动脉疾病具有较高的诊断性能及敏感度、特异度和准确度，高于早期研究的诊断性能，与既往部分研究结果基本一致[15-16]。这可能由于本研究采用先进的深度残差网络ResNet作为骨干网络[17]，并根据血管中心线对多视角的曲面重建影像进行特征层融合，强化了管腔狭窄的特征表达能力。同时，本研究中DL模型诊断阻塞性冠状动脉狭窄的性能稍高于医师，但差异无统计学意义。然而，进行后期处理和报告的医师通常是初级放射科医师，DL模型依然可以辅助放射科医师进行CCTA诊断，有望成为未来大规模应用的诊断工具。

本研究中，DL模型与医师对于非钙化斑块及混合斑块所致管腔狭窄的诊断敏感度均高于钙化斑块所致管腔狭窄，这可能是由于钙化斑块与管腔内对比剂均为高密度，使斑块和血管腔的边界不清楚，并且钙化斑块会产生大量伪影，导致容易高估管腔狭窄。CT减影技术可以减少钙化斑块引起的伪影，可以考虑将人工智能与CT减影技术结合，进一步提高DL模型对冠状动脉疾病的诊断性能。同时，这也可能与钙化评分＞400的患者CCTA诊断冠心病的敏感度将降低[18]有关。本研究中DL模型对非钙化斑块所致管腔狭窄的整体诊断性能最优，表现出极好的特异度及准确度，并且对于所有类型斑块所致管腔狭窄，DL模型阴性预测值均高于0.90，提示可作为一种排除阻塞性冠状动脉狭窄的高效替代方法，与既往研究结果一致[19]。Xu等[20]的研究提示斑块类型不影响DL模型对冠状动脉狭窄的解释，本研究中DL模型对不同类型斑块所致管腔狭窄的诊断性能无显著差异，与既往研究基本一致，提示该模型诊断性能较稳定。

目前关于冠状动脉斑块长度的研究很少。部分研究表明，斑块长度是功能性显著冠状动脉狭窄的最强预测因子之一[21]。Ko等[21]进一步证实，斑块长度的最佳分界值为10 mm。López-Palop等[22]指出，斑块长度＞20 mm可能是冠状动脉中度狭窄病变功能性反应最重要的决定因素。Xu等[20]研究提示，斑块长度可影响DL模型对冠状动脉狭窄的解释。本研究中，DL模型对不同长度斑块所致管腔狭窄的诊断性能有显著差异，亦与既往研究基本一致。

在既往相关研究[11,23]中，DL模型主要关注左主干、右冠状动脉、前降支及回旋支，而很少涉及分支血管，这可能与诊断能力有限有关。同时，既往研究DL模型对分支血管狭窄的诊断性能明显低于左主干、右冠状动脉、前降支及回旋支[15]，这可能是由于随着冠状动脉直径减小，DL模型的分辨率和诊断能力明显降低。而本研究中，DL模型对不同累及血管（包括分支血管）的管腔狭窄诊断性能相近，且无显著差异，主要因为本研究训练了一个管腔狭窄分级模型，根据斑块影像以及其对应的管腔狭窄标签，通过深度神经网络端到端的学习，得出斑块区域管腔的狭窄程度，充分利用了影像数据，并且相比基于测量的方法，本研究模型受血管直径的影响较小。

本研究以ICA作为“金标准”，对于非钙化斑块、混合斑块及节段性斑块所致管腔狭窄，DL模型的特异度及诊断性能高于医师，提示对于这3种类型斑块所致冠状动脉狭窄，DL模型具有巨大的潜力，该模型结果可作为医师诊断管腔狭窄时的可靠依据。而对于钙化斑块、局限性斑块、弥漫性斑块所致管腔狭窄及不同累及血管的管腔狭窄，DL模型与医师之间的诊断性能无显著差异，表明对于大多数冠状动脉狭窄的诊断，DL模型的诊断性能与医师相当，基于模型结果之外的医师判读是必要的，同时，参考DL模型的结果可以提高医师的诊断准确度。这是由于人工智能的应用在一定程度上可以提高诊断中对病变的敏感度及特异度，减少医师目测判断冠状动脉狭窄的误差。

以ICA作为“金标准”，由于大量假阳性病例的存在，CCTA可能高估了管腔狭窄程度，从而导致特异度降低。与医师相比，DL模型可以提高诊断冠心病的特异度。国际多中心前瞻性研究[24-25]提示，与CCTA相比，CT冠状动脉血流储备分数对血流动力学显著的冠心病的诊断具有较高的准确度和鉴别能力，特异度显著增加。在诊断和治疗疑似冠心病[26]患者时，CT冠状动脉血流储备分数具有评估冠状动脉血流动力学的优势。因此，DL模型和CT冠状动脉血流储备分数的结合可能为疑似冠心病患者提供更加智能、高效的诊断工具。

本研究的局限性：首先，纳入样本量相对较小，且为单中心研究，今后仍需扩大样本量分析及扩展到多中心，验证其重复性及稳定性。其次，接受ICA的患者，冠状动脉病变相对较重，因此可能存在采样误差，对结果有一定影响。第三，本研究在评估DL模型和医师的诊断性能时，仅冠状动脉管腔狭窄≥50%认为是阳性，而未进行准确的血管狭窄分级，但DL模型在评估中度以上冠状动脉狭窄方面已经具有较高的诊断性能。由于以冠状动脉管腔狭窄≥50%作为有血流动力学意义的狭窄，因此这一结果依然非常有意义。同时随着数据量的增加和算法的更新，DL模型的诊断性能会越来越好。

综上所述，基于CCTA的DL模型能准确、有效地识别梗阻性冠状动脉疾病，具有较高的诊断性能，是诊断冠心病的可靠辅助工具，具有巨大的潜力。