European Radiology：基于CT的人工智能冠状动脉钙化评分模型的应用

时间：2022-11-21 11:59:30   热度：37.1℃   作者：网络

冠状动脉疾病（CAD）是世界范围内人群死亡和残疾的主要原因，给医疗支出带来了巨大的负担。因此，早期识别无症状的心血管高危人群对于优化预防性药物治疗（如他汀类药物）的使用非常重要。冠状动脉钙化（CAC）评分是衡量冠状动脉内动脉粥样硬化斑块负荷的替代指标，可以预测CAD事件的发生。

目前，CAC是由放射技师利用CT图像的轴位层面进行手动评估，然后使用市面上的半自动软件进行量化。CAC通常采用Agatston方法进行量化，该方法考虑钙化斑块面积和单个钙化病变的最大密度，但不考虑位置和分布模式。Agatston评分可根据得分分为心血管风险类别：0（无CAC）、1-10（最小CAC）、11-100（轻度CAC）、101-400（中度CAC）以及>400（严重CAC）。CAC评分尽管简单明了，但却增加了成本，对于大规模的研究来说十分耗时且不切实际。

现阶段，临床上已经引入了基于机器学习和深度学习方法使用心脏CT评估CAC的自动化模型。全自动化评分方法的一个挑战是如何区分真正的CAC和周围结构的钙化，如二尖瓣环、心脏瓣膜和主动脉的钙化。

近日，发表在European Radiology杂志的一项研究开发并评估了一种新型的基于人工智能（AI）全自动模型，该模型可利用心脏CT对CAC进行自动识别和量化，为临床增加了时间效率并降低了成本。

本研究在2439张心脏CT扫描图像上开发和训练了用于自动CAC评分的完全卷积神经网络，并使用771张扫描进行了验证。该模型在一组独立的1849张心脏CT扫描片上进行了测试。Agatston CAC评分被进一步分为五个风险类别（0、1-10、11-100、101-400和>400）。并使用自动得分与人工参考标准（3级专家读者）进行了比较。 
在用于模型测试的1849次扫描中（平均年龄55.7±10.5岁，49%为男性），自动模型在867次（47%）扫描中检测到了CAC的存在，而人工阅读者为815次（44%）（P = 0.09）。模型的CAC得分与人工得分有很强的相关性（Spearman's r = 0.90，95%置信区间[CI] 0.89-0.91，p < 0.001；类内相关系数 = 0.98，95% CI 0.98-0.99，p < 0.001）。该模型将1646人（89%）归入与人工相同的风险类别。Bland-Altman分析显示差异不大（1.69，95%的协议范围：-41.22，44.60），而且几乎有很好的协议（Cohen's κ = 0.90，95% CI 0.88-0.91，p < 0.001）。模型分析时间为13.1±3.2秒/扫描。 

图 检测到钙化的示例。成功检测到的冠状动脉钙化见于（A）左主冠状动脉、（B）左前降支冠状动脉、（C）左环状冠状动脉、（D）右冠状动脉。在(E)主动脉根部和(F)二尖瓣环中成功检测到不会对钙质评分有贡献的钙化

本研究表明，本研究所提出的基于人工智能的全自动心脏CT评分模型是一项快速识别钙化的技术，与目前的人工CAC评分方法相比，显示出较高的准确性。

原文出处：

Abdul Rahman Ihdayhid,Nick S R Lan,Michelle Williams,et al.Evaluation of an artificial intelligence coronary artery calcium scoring model from computed tomography.DOI:10.1007/s00330-022-09028-3