在所有与心血管疾病（CVD）相关的死亡中，约有50%与先前的心脏症状或诊断无关，因此对无症状者进行适当的风险分层十分必要。冠状动脉钙（CAC）扫描是心血管风险分层的重要工具，也是确定无症状的中度或不明确的心血管风险患者适当预防治疗的重要工具。现阶段，CAC通常使用Agatston评分进行量化。目前Agatston评分的方法是通过120千伏的非增强心电图（electrocardiogram）引导的钙质评分CT（CSCT）进行。

最近，使用非心电图门控的低剂量胸部CT（LDCT）成功的进行了冠状动脉钙化的评估，且与CSCT有很好的相关性。此外，采用优化方案的LDCT对于预测CAC的存在和划分四个主要的Agatston评分等级准确性很高。

然而，传统的CSCT测量需要专家手动输入以确定每个图像部分的冠状动脉钙化病变，过程十分耗时、耗力。然而，最近开发的用于CSCT中CAC评分的人工智能（AI）自动算法，有助于工作量的减少，并提高CSCT的临床适用性。此外，LDCT中CAC评分的自动技术已经被开发和验证，与参考标准相比显示出良好的相关性。然而据我们所知，目前还没有公开的研究调查基于深度学习的CAC评分在LDCT中的表现。

近日，发表在European Radiology杂志的一项研究评估了基于深度学习的商业软件在不同层厚LDCT中进行全自动Agatston评分的能力，并与CSCT中的人工CAC评分进行了比较。

本项回顾性研究纳入了567名同时接受了LDCT和CSCT的患者。所有的LDCT图像都是以2.5毫米的层厚（LDCT_2.5mm）重建的，453张LDCT扫描是以1.0毫米的层厚（LDCT_1.0mm）重建的。对CSCT（CSCT_auto）、LDCT_1.0-mm和LDCT_2.5-mm图像进行自动CAC评分。使用类内相关系数（ICCs）和Bland-Altman分析，比较了CSCT_auto、LDCT_1.0-mm和LDCT_2.5-mm与手工CSCT评分（CSCT_manual）的可靠性。使用加权卡帕统计分析了CAC严重程度类别的一致性。还计算了各种Agatston评分截断值的诊断性能。

CSCT_auto、LDCT_1.0-mm和LDCT_2.5-mm与CSCT_manual表现出很好的一致性（ICC[95%置信区间，CI]：1.000 [1.000, 1.000], 0.937 [0.917, 0.952], 0.955 [0.946, 0.963],）。LDCT_1.0-mm的平均差异与95%的同意限度低于LDCT_2.5-mm（19.94 [95% CI, -244.0, 283.9] vs. 45.26 [-248.2, 338.7]）。关于CAC的严重程度，LDCT_1.0-mm几乎达到完全一致，LDCT_2.5-mm达到相当一致（卡帕[95%CI]：0.809[0.776, 0.838]，0.776[0.740, 0.809]，分别）。LDCT_1.0-mm检测Agatston评分≥400的诊断性能也高于LDCT_2.5-mm（F1得分，0.929 vs. 0.855）。

图 A CSCT_auto、B LDCT_2.5mm和C LDCT_1.0mm中Agatston总分的混淆矩阵与CSCT_manual的比较

本研究对CSCT和LDCT的全自动软件进行了验证及评估，该软件显示出了出色的可靠性和与参考标准的一致性。使用全自动商业软件，1.0毫米层厚的LDCT比2.5毫米层厚的LDCT能得到更准确的Agatston评分。

原文出处：

Hyun Woo Kang,Woo Jin Ahn,Ju Hyun Jeong,et al.Evaluation of fully automated commercial software for Agatston calcium scoring on non-ECG-gated low-dose chest CT with different slice thickness.DOI:10.1007/s00330-022-09143-1