人工智能冠状动脉CT 血管成像在冠心病诊断中的作用分析

张梅舜 蔡浩轩 彭意春

（博罗县人民医院，广东 惠州 516100）

当前，冠心病患病率呈现逐年升高趋势，已经成为威胁人类健康的主要“杀手”。据相关报道得知，2020年，在世界范围内由心血管疾病致死的人数达到700 万，其中发展中国家占比达到了3/4[1]。对于我国而言，当前约有0.5 亿的冠心病患者，故做好对心血管疾病的早诊断、早防治，刻不容缓[2]。伴随影像技术的持续推新与完善，冠状动脉CT 血管造影（Coronary artery CT angiography，CCTA）作为一种新型诊断手段，在评估冠状动脉疾病的危险因素上，发挥着重要效能，且已成为其评估标准。但需指出的是，采用CCTA 诊断心血管疾病时，无论是对人工图像后处理质量，还是诊断医师的临床经验，均有严重依赖性，特别是我国存在着严重的医疗资源紧缺情况，难以做到对全部心血管疾病患者都实施CCTA临床评估。人工智能（artificial intelligence，AI）是科学技术发展的产物，其主要是对人类思维进行模仿，且具有“认知”功能，可通过“学习”来达到“解决问题”的目的。AI 作为新世纪以来的一种尖端技术，已被广泛应用在许多领域当中，且成果丰硕。在医疗领域中应用AI，不仅能对患者的给药剂量进行计算，选择肿瘤药物，而且还能监测高危患者，甚至辅助手术的进行[3]；除此之外，在解读CT 图像报告上，AI 技术还能够提供辅助。在CCTA 图像后处理及书写诊断报告上，如果能够应用AI，那么有助于我国医疗资源紧张情况的缓解，但冠状动脉AI 在诊断报告的准确性上，对CCTA 图像进行处理的质量上，以及能否对临床医师进行替代上，均尚未完全明确。对此，本文围绕冠心病患者，在实施CCTA 诊断时，分别采用人工后处理、冠状动脉AI 后处理，对比其诊断效能，现报道如下。

1 资料与方法

1.1 一般资料

在特定期间：2021年4月至2023年4月，把来本院就诊的疑似冠心病患者作为对象，共选取30例。依据李克特量表评分标准对原始图像质量实施评分，分别实施人工组（放射科医生）与AI 组（数坤科技的冠心病智能辅助诊断系统）图像后处理。纳入标准：（1）CCTA 图像血管连续，且有着清晰的边缘，不存在伪影情况；（2）AI 软件可以对冠状动脉血管树进行自动且正确的识别；（3）心率正常，或者存在轻微的心率不齐。排除标准：（1）对碘剂过敏；（2）难以配合完成检查；（3）严重脏器功能异常（如肾、脑等）。

1.2 方法

全部患者都采用GE optima CT660（美国GE 公司）采集图像，选择由江苏恒瑞医药股份有限公司生产的50 mL 非离子型造影剂（320 mgI/mL），20 mL生理盐水，流速控制在5 mL/s；采用对比剂示踪法，围绕主动脉根部，ROI 监测CT 值（将触发扫描CT值设定成150 HU），延迟4 s，以回顾性心电门控法实施扫描。具体的扫描参数：管电流为20 mAs，管电压为120 kV，层厚为0.625 mm，螺旋扫描时间约6 s。后采用冠状动脉AI（即为数坤科技的冠心病智能辅助诊断系统，其功能为：对冠状动脉影像图像后处理工作全自动完成，AI 辅助冠状动脉诊断结果，智能打印胶片，且输出所需要的结构化报告）实施图像后处理，且开展影像诊断，分析曲面重建、容积再现以及AI 诊断报告。

1.3 图像分析

完成扫描工作后，依据李克特量表评分标准[4]，从低到高对原始图像质量实施评分，即1-5 分。其中，图像质量存在过度受损情况，并且血管壁难以辨认，即1 分（差）；如果存在较低的图像质量，血管边界模糊，或者存在过大的伪影，同时还存在较低的对比度分辨率，即2 分（较差）；如果存在一定的图像伪影情况，却存在较高的对比度分辨率，血管有着比较清晰的边界，即3 分（中）；如果血管的边界、血管壁均清晰，存在着非常小的图像伪影，同时还有比较高的对比度分辨率，即4 分（良）；如果管壁能够清晰显示出来，存在较好的分辨率，无伪影，即5 分（优）。

以美国心脏病协会（American heart association，SCCT）所制定的冠状动脉分段法为参照[5]，把冠状动脉划分成18 段，对冠状动脉三大支进行判断，即回旋支、左前降支与右冠状动脉的狭窄部位以及斑块性质。由2 名医师对图像实施人工后处理，同时生成诊断报告。另以CAG 结果当作金标准，实施一致性检验，评定人工与AI 图像后处理诊断冠状动脉斑块的一致性，如果Kappa≥0.75，即存在好的诊断一致性；Kappa＞0.40，但＜0.75，即存在较好的一致性；若Kappa≤0.40，即存在差的一致性。

1.4 统计学方法

用SPSS 25.0 软件进行统计描述与分析，计量资料进行t 检验，计数资料进行McNemar 检验，组间一致性采用Kappa 检验；P＜0.05 提示差异有统计学意义。

2 结 果

2.1 冠状动脉人工与AI 的图像后处理对比

在30 例患者中，最小年龄30 岁，最大78 岁，平均为（56.71±3.26）岁，男性17 例，其余均为女性（13例）。AI 冠状动脉重建失败为2 例，其余重建图像均合格。针对冠状动脉AI 图像后处理而言，其整个过程总的耗时约为3 min，而人工为20-30 min，AI 后处理的耗时仅为10%的人工耗时，且冠状动脉AI后处理在具体的合格率上，达到了93.33%（28/30）。从图1 可知，在面对各支血管时，冠状动脉AI 图像后处理可以做到自动命名。较之人工后处理（图1 当中的A-C），AI 后处理（图1 当中的D-F）的冠状动脉图像有着更多且更长的分支，而且管壁也更为光滑，此外，在显示细节小分支上，也更为全面；于冠状动脉拉直图像当中，得知冠状动脉AI 处理的图像（图1 当中的E）相比于人工处理图像（图1 当中的B），有着更清晰的血管，且可以对冠状动脉狭窄进行自动辨识。

图1 对比人工与冠状动脉AI 的图像后处理结果

需指出的是，尽管在图像后处理上，冠状动脉AI 有着较好的表现，但本文发现，其也有不足。从表1 中得知，冠状动脉AI 图像后处理相对应的合格率是93.33%，原始图像质量1-2 分的患者为2 例，AI后处理均不合格；而图像质量达3 分时，AI 图像后处理的相应合格率为100%。较之人工后处理图像，AI 后处理图像存在AI 分割遗漏情况，造成右冠状动脉血管截断，而且在命名上也出现错误，难以将血管全面显示出来，其后处理失败的主要原因是钙化斑块周围存在伪影，造成管腔被严重掩盖，而人工后处理放射科医师能够通过工作站，进行手动添加，以此可以使截断的血管“再生”。这也提示冠状动脉AI图像后处理对原始图像质量存在依赖性的不足。

表1 原始图像质量评分以及AI 后处理的合格率

2.2 冠状动脉人工与AI 的诊断报告对比

在诊断报告上，冠状动脉AI 组在图像重建后，便能完成（＜1 min），而人工组出具一份诊断报告耗时为15 min 左右。如同AI 后处理那样，在报告诊断上，AI 也高效。从见表2 得知，针对冠状动脉AI 组而言，其在斑块检出灵敏度上，相比于人工组报告，基本相当。本文中，人工组报告在检出斑块上，无假阳性，特异性为100.00%，而冠状动脉AI 组报告的特异性为90.91%，见表3。在三支分支血管当中，冠状动脉AI 组对于左前降支病变，存在着最低的特异度。

表2 冠状动脉人工与AI 检出冠状动脉斑块的灵敏度

表3 AI 对冠状动脉斑块检出的特异度

2.3 一致性检验结果

将CAG 结果当作金标准，对冠状动脉人工组与AI 组诊断冠状动脉斑块检出的一致性进行检验，得知人工与CAG 之间的有着好的一致率（Kappa=0.83，P＜0.001），AI 与CAG 之间也有好的一致率（Kappa=0.80，P＜0.001）。

3 讨论

通过分析30 例疑似冠心病患者相对应的CCTA，从中得知：（1）对于冠状动脉AI 图像后处理来分析，其在相应工作效率上，实为人工的10 倍之多，另外AI 后处理的冠状动脉，有着更长且更多的分支，而且还有更为光滑的管壁，可以对冠状动脉狭窄情况进行准确识别，后处理的合格率是93.33%。（2）于诊断报告的书写上，冠状动脉AI 在具体的工作效率上，实为人工的15 倍。

当前，AI 技术呈现出快速发展势头，现已在医学领域中得到广泛应用，主要应用方向有重症患者的监护、个性化医疗服务、辅助制定治疗方案及诊断疾病等。许多医疗机构（比如麻省总医院等）均已结合自身情况，成功研发出专属自身的AI 算法，且在临床中得以应用[6]。基于影像学层面来分析，斯坦福大学经过深入研究后，最终创造出一种新算法，用其对特定部位肺炎进行检测，总体表现优于临床医师（拥有丰富的临床经验）[7]。本文得知，在具体的影像诊断报告上，冠状动脉AI 的灵敏度，与人工的报告基本相当，且可以将人工报告当中可能会遗漏的一些微小钙化斑块给予发现。因在放射学领域当中AI应有不错的表现，许多学者认为AI 的出现实为一种内在威胁，因为其较之人工专家，以统计学习指标的改进为基础，伴随对罕见病例的深度化学习，其在分析个案上，优势更为明显[8-9]。

从本文结果发现，在斑块检出方面，AI 的灵敏度、特异度分别是94.12%、90.91%，较相关研究[10]（特异度是81.72%，灵敏度则为54.82%）的结果高。究其原因，可能与本文的冠状动脉AI 有着更高的深入学习熟练度，且技术更为健全相关。需指出的是，从既往研究中得知，基于深度学习的冠状动脉AI，经计算而得到的钙化积分，已被许多学者、专家所认可，但本文采用冠状动脉AI 在检出斑块方面，仍出现遗漏情况，原因是一些微小钙化斑块被遗漏[11-12]。此外，本文以CAG 为金标准，围绕冠状动脉人工与AI，就其在诊断冠状动脉斑块检出中的一致性实施检验，结果得知，无论是人工与CAG 之间，还是AI与CAG 之间，均有着好的一致率。研究表明冠状动脉AI 在诊断冠心病方面，可获得相近于人工的诊断效果。但需强调的是，本文也存在不足的地方：（1）本文属于单中心研究，所选取病例多在本地，而对于冠状动脉AI 相对应的深度学习，通常基于多中心而构建，故会影响到其诊断效能；（2）本院在使用冠状动脉AI 上，有着较短的时间，而且选取的例数较少，后期伴随对冠状动脉AI 多中心研究的持续深化，会对数据不断给予完善。

综上，AI 在CCTA 等影像学方面表现出良好效能，整体水平理想，但其在影像当中的应用，也有不足，因此，一份合格的影像报告不可单纯依据AI 后处理及诊断，仍需影像医师的操作与把控。笔者认为，AI 技术并不是我们影像医师的终结者，而是我们对疾病进行诊断的一个有效辅助工具。