基于冠狀動脈CT 血管成像的深度學(xué)習(xí)模型對冠心病的診斷性能

耿冀，常玉蓮，張濱*，王思雯，張番棟

1.北京大學(xué)首鋼醫(yī)院影像科，北京 100144；2.深睿人工智能研究院，北京 100080；*通信作者 張濱 zhangbin-m@126.com

冠心病是全球居民死亡的最主要原因[1]，診斷冠心病的存在和嚴(yán)重程度對于臨床確定適當(dāng)?shù)闹委熤陵P(guān)重要。冠狀動脈CT血管成像（coronary computed tomography angiography，CCTA）廣泛用于評估疑似但尚未確診的冠心病患者，并且檢測冠狀動脈狹窄具有較高的敏感度和特異度，已成為目前診斷冠心病最常用的無創(chuàng)方法[2]。與“金標(biāo)準(zhǔn)”侵入性冠狀動脈造影（invasive coronary angiography，ICA）相比，CCTA不僅可以評估冠狀動脈狹窄，還可以顯示斑塊的性質(zhì)，并且具有診斷準(zhǔn)確性高、風(fēng)險預(yù)測性強(qiáng)、無創(chuàng)、安全、價格低廉等優(yōu)點，廣泛應(yīng)用于臨床。然而，診斷醫(yī)師準(zhǔn)確識別冠心病仍然具有挑戰(zhàn)性，尤其是對于不從事心血管診斷領(lǐng)域的醫(yī)師和缺乏經(jīng)驗的年輕醫(yī)師。

深度學(xué)習(xí)（deep learning，DL）是機(jī)器學(xué)習(xí)的一個分支，通過執(zhí)行多層次結(jié)構(gòu)自動學(xué)習(xí)特征，從而達(dá)到分類的目的[3]。目前DL算法已廣泛應(yīng)用于計算機(jī)視覺、醫(yī)學(xué)影像分析等領(lǐng)域，并取得了顯著進(jìn)步。DL在冠心病CCTA診斷領(lǐng)域的應(yīng)用多集中在斑塊識別及量化[4]、自動冠狀動脈鈣化評分[5-6]、中心線提取[7]、血流儲備分?jǐn)?shù)的計算[8]等。對于冠心病的醫(yī)學(xué)影像診斷，其在CCTA中可自動識別冠狀動脈血管并判斷冠狀動脈狹窄程度，從而用于診斷冠心病[9-11]，大幅度提高了診斷效率、質(zhì)量和性能。但很多研究未采用“金標(biāo)準(zhǔn)”ICA進(jìn)行驗證，僅與傳統(tǒng)CCTA比較，結(jié)果存在一定的局限性。同時DL模型對不同類型斑塊、不同長度斑塊所致管腔狹窄的診斷性能差異目前鮮有相關(guān)報道。本研究擬以ICA為“金標(biāo)準(zhǔn)”，探討基于CCTA的DL模型評估冠心病管腔狹窄的診斷性能，并與醫(yī)師的診斷性能進(jìn)行比較。

1 資料與方法

1.1 一般資料 回顧性收集2014年7月—2020年7月于北京大學(xué)首鋼醫(yī)院接受CCTA檢查及ICA檢查的疑似冠心病患者，ICA和CCTA掃描時間間隔不超過1個月。排除具有以下任何一種情況者：①圖像質(zhì)量不符合診斷要求，包括明顯的運動偽影或冠狀動脈腔內(nèi)造影劑填充不足；②有經(jīng)皮冠狀動脈介入治療或冠狀動脈旁路移植術(shù)史；③有冠狀動脈畸形或動脈瘤。最終納入89例患者，男66例，女23例，年齡38～80歲，平均（61.6±9.9）歲。本研究獲得北京大學(xué)首鋼醫(yī)院倫理委員會批準(zhǔn)（IRBK-2022-029-01）。

1.2 CCTA及ICA CCTA采用東芝320排CT（Aquilion One，Toshiba）在非螺旋模式下動態(tài)容積掃描。檢查前先向患者詳細(xì)講解檢查過程中的注意事項，并進(jìn)行屏氣訓(xùn)練。心室率＞70次/min者給予倍他樂克維持心率。患者取仰臥位，獲得自胸廓入口至心臟隔面的胸部屏氣定位像后，行心臟平掃，掃描范圍為氣管分叉下方10～15 mm至心臟膈面。掃描參數(shù)：管電壓120 kV，管電流根據(jù)患者體型設(shè)為300～450 mAs。在肘靜脈埋置20G靜脈留置針，采用antmed雙筒高壓注射器，以5～6 ml/s注入50～60 ml非離子對比劑碘帕醇（370 mgI/ml）和后續(xù)30 ml生理鹽水。

ICA采用Philips Allura Xper FD20血管造影機(jī)，經(jīng)皮穿刺股動脈或橈動脈置入血管鞘，將冠狀動脈導(dǎo)管分別插入左、右冠狀動脈，并固定導(dǎo)管頭，以電影模式記錄不同投照角度圖像，觀察左、右冠狀動脈主干及分支病變節(jié)段及其狹窄程度。

1.3 圖像分析 按照心血管CT協(xié)會冠狀動脈樹改良分段法，將管徑≥1.5 mm的冠狀動脈節(jié)段納入診斷范圍。參考CAD-RADS分類標(biāo)準(zhǔn)，將管腔分為無狹窄、輕微狹窄（1%～24%）、輕度狹窄（25%～49%）、中度狹窄（50%～69%）、重度狹窄（70%～99%）和閉塞[12]。以冠狀動脈管腔狹窄≥50%作為有血流動力學(xué)意義的狹窄，分別在斑塊類型、斑塊長度、斑塊累及血管水平評估DL模型的診斷性能。斑塊類型分為鈣化型（CCTA圖像上斑塊CT值≥350 Hu）、非鈣化型（CCTA圖像上斑塊CT值＜350 Hu）和混合型（同時含有非鈣化和鈣化斑塊2種成分）[13]。斑塊長度的標(biāo)準(zhǔn)：斑塊長度＜10 mm為局限性，10～20 mm為節(jié)段性，＞20 mm為彌漫性[14]。斑塊累及血管包括左主干、前降支、回旋支、右冠狀動脈及分支血管。由2名高年資放射科醫(yī)師采用盲法根據(jù)上述標(biāo)準(zhǔn)對斑塊類型、斑塊長度、斑塊累及血管進(jìn)行劃分，意見不一致時協(xié)商達(dá)成一致。2名放射科醫(yī)師（在心臟成像診斷方面分別具有5年和15年經(jīng)驗）采用獨立盲法閱片，對CCTA圖像中冠狀動脈狹窄進(jìn)行判讀，如果存在分歧，最終以協(xié)商一致的方式得出結(jié)論。醫(yī)師判讀時，無法參考模型判讀結(jié)果和ICA結(jié)果。

ICA圖像由2名經(jīng)驗豐富的心內(nèi)科專家采用盲法獨立進(jìn)行評估，意見不一致時協(xié)商達(dá)成一致。專家評估冠狀動脈狹窄時，無法參考CCTA圖像及結(jié)果。

1.4 DL模型 本研究使用的DL模型是由北京深睿博聯(lián)科技有限責(zé)任公司開發(fā)的冠狀動脈CT造影影像輔助診斷軟件。該軟件基于DL算法開發(fā)，輸入標(biāo)準(zhǔn)DICOM格式的原始數(shù)據(jù)，可以自動完成冠狀動脈血管的管腔狹窄分析。該軟件首先通過1個多尺度的血管分割網(wǎng)絡(luò)完成自動冠狀動脈血管提取，然后構(gòu)建曲面重建圖像，接著基于多角度曲面重建圖像完成斑塊的自動檢出，最后通過多視角分析和多重建融合的深度卷積神經(jīng)網(wǎng)絡(luò)，得到斑塊區(qū)域的管腔狹窄率。

1.5 統(tǒng)計學(xué)分析 采用Python3.6軟件，計數(shù)資料以絕對數(shù)表示。以ICA為“金標(biāo)準(zhǔn)”，分別在斑塊類型水平、斑塊長度水平、斑塊累及血管水平，計算DL模型、醫(yī)師診斷阻塞性冠狀動脈狹窄（≥50%）的敏感度、特異度、陽性預(yù)測值、陰性預(yù)測值、準(zhǔn)確度，通過受試者工作特征（ROC）曲線評價DL模型和醫(yī)師對阻塞性冠狀動脈狹窄的診斷性能，并用曲線下面積（AUC）定量表示。采用DeLong檢驗比較DL模型、醫(yī)師診斷阻塞性冠狀動脈狹窄的AUC差異，采用χ2檢驗比較DL模型對不同類型斑塊所致管腔狹窄、不同長度斑塊所致管腔狹窄、不同累及血管腔狹窄的診斷差異，P＜0.05為差異有統(tǒng)計學(xué)意義。

2 結(jié)果

89例患者包含393個管腔狹窄節(jié)段。在斑塊類型水平，非鈣化斑塊所致管腔狹窄節(jié)段123個，鈣化斑塊所致管腔狹窄節(jié)段221個，混合斑塊所致管腔狹窄節(jié)段49個。在斑塊長度水平，局限性斑塊所致管腔狹窄節(jié)段283個，節(jié)段性斑塊所致管腔狹窄節(jié)段84個，彌漫性斑塊所致管腔狹窄節(jié)段26個。在斑塊累及血管水平，左主干、右冠狀動脈、前降支、回旋支以及分支血管管腔狹窄節(jié)段分別為19個、141個、143個、73個、17個。

2.1 DL模型診斷阻塞性冠狀動脈狹窄的性能 以ICA為“金標(biāo)準(zhǔn)”，DL模型診斷阻塞性冠狀動脈狹窄的敏感度為86.2%（75/87），特異度為87.6%（268/306），陽性預(yù)測值為66.37%（75/113），陰性預(yù)測值為95.71%（268/280），準(zhǔn)確度為87.28%，AUC為0.92。在斑塊類型水平，DL模型對混合型斑塊所致管腔狹窄的敏感度最高（100%），對非鈣化斑塊所致管腔狹窄的特異度最高（88.9%），對非鈣化斑塊所致管腔狹窄的整體診斷性能最優(yōu)，準(zhǔn)確率度89.43%，AUC為0.94。在斑塊長度水平，DL模型對局限性斑塊與節(jié)段性斑塊所致管腔狹窄的診斷性能接近，AUC分別為0.91和0.95，而對彌漫性斑塊所致管腔狹窄的AUC為0.78。在斑塊累及血管水平，DL模型對左主干、右冠狀動脈、前降支、回旋支及分支血管的管腔狹窄診斷AUC分別為1.00、0.96、0.90、0.90和0.92，見表1和圖1、2。DL模型對不同長度斑塊所致管腔狹窄的診斷性能差異有統(tǒng)計學(xué)意義（χ2=8.43，P=0.01），對不同類型斑塊所致管腔狹窄的診斷性能差異無統(tǒng)計學(xué)意義（χ2=0.77，P=0.68），對不同累及血管管腔狹窄的診斷性能差異無統(tǒng)計學(xué)意義（χ2=9.43，P=0.05）。

圖1 男，49歲，冠心病。A.CCTA曲面重組圖像，AI診斷前降支近中段重度狹窄（箭）；B.ICA圖像示前降支近中段重度狹窄（箭）

圖2 男，49歲。A.CCTA曲面重組圖像，AI診斷右冠狀動脈近段輕度狹窄（箭）；B.ICA圖像示右冠狀動脈近段輕度狹窄（箭）

表1 DL模型診斷阻塞性冠狀動脈狹窄的性能

2.2 醫(yī)師診斷阻塞性冠狀動脈狹窄的性能 以ICA為“金標(biāo)準(zhǔn)”，醫(yī)師診斷阻塞性冠狀動脈狹窄的敏感度為86.2%（75/87），特異度為76.5%（234/306），陽性預(yù)測值為51.02%（75/147），陰性預(yù)測值為95.12%（234/246），準(zhǔn)確度為78.63%，AUC為0.88。在斑塊類型水平，醫(yī)師對非鈣化斑塊所致管腔狹窄的敏感度最高（88.1%），對鈣化斑塊所致管腔狹窄的特異度最高（87.2%），對鈣化斑塊所致管腔狹窄的整體診斷性能最優(yōu)，準(zhǔn)確度為86.88%，AUC為0.90。在斑塊長度水平，醫(yī)師對局限性斑塊所致管腔狹窄的診斷性能最優(yōu)，AUC為0.89，而對節(jié)段性斑塊和彌漫性斑塊所致管腔狹窄的診斷AUC分別為0.83和0.88。在斑塊累及血管水平，醫(yī)師對左主干、右冠狀動脈、前降支、回旋支及分支血管的管腔狹窄診斷AUC分別為1.00、0.94、0.89、0.84、0.86（表2）。

表2 醫(yī)師診斷阻塞性冠狀動脈狹窄的性能

2.3 DL模型與醫(yī)師診斷阻塞性冠狀動脈狹窄的性能比較 以ICA為“金標(biāo)準(zhǔn)”，DL模型與醫(yī)師診斷阻塞性冠狀動脈狹窄的AUC差異無統(tǒng)計學(xué)意義（P=0.17）。在斑塊類型水平，對非鈣化斑塊和混合斑塊所致管腔狹窄的診斷AUC差異均有統(tǒng)計學(xué)意義（P=0.01），對鈣化斑塊所致管腔狹窄的診斷AUC差異無統(tǒng)計學(xué)意義（P=0.29）。在斑塊長度水平，對節(jié)段性斑塊所致管腔狹窄的診斷AUC差異有統(tǒng)計學(xué)意義（P=0.01），對局限性斑塊和彌漫性斑塊所致管腔狹窄的診斷AUC差異無統(tǒng)計學(xué)意義（P＞0.05）。在斑塊累及血管水平，DL模型與醫(yī)師對右冠狀動脈、前降支、回旋支及分支血管管腔狹窄的診斷AUC差異均無統(tǒng)計學(xué)意義（P均＞0.05），見表3。

表3 DL模型與醫(yī)師診斷阻塞性冠狀動脈狹窄的AUC比較

3 討論

本研究構(gòu)建了一個基于DL的多視角管腔狹窄判別網(wǎng)絡(luò)，并以ICA作為參考標(biāo)準(zhǔn)，比較DL模型和醫(yī)師診斷阻塞性冠狀動脈狹窄的性能。結(jié)果提示，DL模型能準(zhǔn)確、有效地識別梗阻性冠狀動脈疾病，并且對于非鈣化斑塊、混合斑塊及節(jié)段性斑塊所致管腔狹窄，診斷性能高于醫(yī)師。因此，DL模型可能成為檢測或排除阻塞性冠狀動脈疾病的可靠診斷工具。

本研究表明，DL模型評估冠狀動脈疾病具有較高的診斷性能及敏感度、特異度和準(zhǔn)確度，高于早期研究的診斷性能，與既往部分研究結(jié)果基本一致[15-16]。這可能由于本研究采用先進(jìn)的深度殘差網(wǎng)絡(luò)ResNet作為骨干網(wǎng)絡(luò)[17]，并根據(jù)血管中心線對多視角的曲面重建影像進(jìn)行特征層融合，強(qiáng)化了管腔狹窄的特征表達(dá)能力。同時，本研究中DL模型診斷阻塞性冠狀動脈狹窄的性能稍高于醫(yī)師，但差異無統(tǒng)計學(xué)意義。然而，進(jìn)行后期處理和報告的醫(yī)師通常是初級放射科醫(yī)師，DL模型依然可以輔助放射科醫(yī)師進(jìn)行CCTA診斷，有望成為未來大規(guī)模應(yīng)用的診斷工具。

本研究中，DL模型與醫(yī)師對于非鈣化斑塊及混合斑塊所致管腔狹窄的診斷敏感度均高于鈣化斑塊所致管腔狹窄，這可能是由于鈣化斑塊與管腔內(nèi)對比劑均為高密度，使斑塊和血管腔的邊界不清楚，并且鈣化斑塊會產(chǎn)生大量偽影，導(dǎo)致容易高估管腔狹窄。CT減影技術(shù)可以減少鈣化斑塊引起的偽影，可以考慮將人工智能與CT減影技術(shù)結(jié)合，進(jìn)一步提高DL模型對冠狀動脈疾病的診斷性能。同時，這也可能與鈣化評分＞400的患者CCTA診斷冠心病的敏感度將降低[18]有關(guān)。本研究中DL模型對非鈣化斑塊所致管腔狹窄的整體診斷性能最優(yōu)，表現(xiàn)出極好的特異度及準(zhǔn)確度，并且對于所有類型斑塊所致管腔狹窄，DL模型陰性預(yù)測值均高于0.90，提示可作為一種排除阻塞性冠狀動脈狹窄的高效替代方法，與既往研究結(jié)果一致[19]。Xu等[20]的研究提示斑塊類型不影響DL模型對冠狀動脈狹窄的解釋，本研究中DL模型對不同類型斑塊所致管腔狹窄的診斷性能無顯著差異，與既往研究基本一致，提示該模型診斷性能較穩(wěn)定。

目前關(guān)于冠狀動脈斑塊長度的研究很少。部分研究表明，斑塊長度是功能性顯著冠狀動脈狹窄的最強(qiáng)預(yù)測因子之一[21]。Ko等[21]進(jìn)一步證實，斑塊長度的最佳分界值為10 mm。López-Palop等[22]指出，斑塊長度＞20 mm可能是冠狀動脈中度狹窄病變功能性反應(yīng)最重要的決定因素。Xu等[20]研究提示，斑塊長度可影響DL模型對冠狀動脈狹窄的解釋。本研究中，DL模型對不同長度斑塊所致管腔狹窄的診斷性能有顯著差異，亦與既往研究基本一致。

在既往相關(guān)研究[11,23]中，DL模型主要關(guān)注左主干、右冠狀動脈、前降支及回旋支，而很少涉及分支血管，這可能與診斷能力有限有關(guān)。同時，既往研究DL模型對分支血管狹窄的診斷性能明顯低于左主干、右冠狀動脈、前降支及回旋支[15]，這可能是由于隨著冠狀動脈直徑減小，DL模型的分辨率和診斷能力明顯降低。而本研究中，DL模型對不同累及血管（包括分支血管）的管腔狹窄診斷性能相近，且無顯著差異，主要因為本研究訓(xùn)練了一個管腔狹窄分級模型，根據(jù)斑塊影像以及其對應(yīng)的管腔狹窄標(biāo)簽，通過深度神經(jīng)網(wǎng)絡(luò)端到端的學(xué)習(xí)，得出斑塊區(qū)域管腔的狹窄程度，充分利用了影像數(shù)據(jù)，并且相比基于測量的方法，本研究模型受血管直徑的影響較小。

本研究以ICA作為“金標(biāo)準(zhǔn)”，對于非鈣化斑塊、混合斑塊及節(jié)段性斑塊所致管腔狹窄，DL模型的特異度及診斷性能高于醫(yī)師，提示對于這3種類型斑塊所致冠狀動脈狹窄，DL模型具有巨大的潛力，該模型結(jié)果可作為醫(yī)師診斷管腔狹窄時的可靠依據(jù)。而對于鈣化斑塊、局限性斑塊、彌漫性斑塊所致管腔狹窄及不同累及血管的管腔狹窄，DL模型與醫(yī)師之間的診斷性能無顯著差異，表明對于大多數(shù)冠狀動脈狹窄的診斷，DL模型的診斷性能與醫(yī)師相當(dāng)，基于模型結(jié)果之外的醫(yī)師判讀是必要的，同時，參考DL模型的結(jié)果可以提高醫(yī)師的診斷準(zhǔn)確度。這是由于人工智能的應(yīng)用在一定程度上可以提高診斷中對病變的敏感度及特異度，減少醫(yī)師目測判斷冠狀動脈狹窄的誤差。

以ICA作為“金標(biāo)準(zhǔn)”，由于大量假陽性病例的存在，CCTA可能高估了管腔狹窄程度，從而導(dǎo)致特異度降低。與醫(yī)師相比，DL模型可以提高診斷冠心病的特異度。國際多中心前瞻性研究[24-25]提示，與CCTA相比，CT冠狀動脈血流儲備分?jǐn)?shù)對血流動力學(xué)顯著的冠心病的診斷具有較高的準(zhǔn)確度和鑒別能力，特異度顯著增加。在診斷和治療疑似冠心病[26]患者時，CT冠狀動脈血流儲備分?jǐn)?shù)具有評估冠狀動脈血流動力學(xué)的優(yōu)勢。因此，DL模型和CT冠狀動脈血流儲備分?jǐn)?shù)的結(jié)合可能為疑似冠心病患者提供更加智能、高效的診斷工具。

本研究的局限性：首先，納入樣本量相對較小，且為單中心研究，今后仍需擴(kuò)大樣本量分析及擴(kuò)展到多中心，驗證其重復(fù)性及穩(wěn)定性。其次，接受ICA的患者，冠狀動脈病變相對較重，因此可能存在采樣誤差，對結(jié)果有一定影響。第三，本研究在評估DL模型和醫(yī)師的診斷性能時，僅冠狀動脈管腔狹窄≥50%認(rèn)為是陽性，而未進(jìn)行準(zhǔn)確的血管狹窄分級，但DL模型在評估中度以上冠狀動脈狹窄方面已經(jīng)具有較高的診斷性能。由于以冠狀動脈管腔狹窄≥50%作為有血流動力學(xué)意義的狹窄，因此這一結(jié)果依然非常有意義。同時隨著數(shù)據(jù)量的增加和算法的更新，DL模型的診斷性能會越來越好。

綜上所述，基于CCTA的DL模型能準(zhǔn)確、有效地識別梗阻性冠狀動脈疾病，具有較高的診斷性能，是診斷冠心病的可靠輔助工具，具有巨大的潛力。