胡小麗 向守洪 胡榮慧 周代全 陳俊源 薛雨 王政杰

1重慶醫(yī)科大學附屬第三醫(yī)院放射科 400000；2重慶醫(yī)科大學附屬第一醫(yī)院核醫(yī)學科 400000

心血管疾病嚴重威脅著全球人類的健康，據(jù)報道，2017年全球范圍內(nèi)約1700萬人病死于心血管疾病，而其中有3/4在發(fā)展中國家[1]。我國心血管疾病患者目前有2.9億，因此對于心血管疾病的早診斷和防治是刻不容緩的[2]。隨著影像技術(shù)的迅猛發(fā)展，冠狀動脈CT血管造影（coronary computed tomography angiography，CCTA）已經(jīng)成為冠狀動脈疾病危險因素的臨床評估標準，并且已應用于冠狀動脈支架植入患者的隨訪中，以評估植入支架的通暢性及判斷是否有相關(guān)并發(fā)癥[3]。但是，CCTA對心血管疾病的診斷嚴重依賴于人工圖像后處理質(zhì)量以及診斷醫(yī)師的經(jīng)驗，尤其我國的醫(yī)療資源嚴重緊缺，對所有心血管疾病患者均行CCTA臨床評估是難以實現(xiàn)的。

人工智能（artificial intelligence，AI）通俗來講就是模仿人類思維，是具有“認知”功能的機器，其通過“學習”來“解決問題”。AI作為21世紀三大尖端技術(shù)之一，在眾多領(lǐng)域均獲得了廣泛的應用，并取得了豐碩的成果。AI在醫(yī)療領(lǐng)域可用于計算患者給藥劑量、腫瘤藥物的選擇、高?；颊叩谋O(jiān)測，甚至手術(shù)的實施，且CT圖像報告解讀更是AI的優(yōu)勢所在[4]。將AI應用于CCTA圖像后處理以及診斷報告的書寫，勢必能夠緩解我國緊張的醫(yī)療資源，但是冠狀動脈AI對于CCTA圖像處理、診斷報告的準確性以及是否能夠代替臨床醫(yī)師，目前尚不明確。本研究從冠狀動脈AI與人工后處理、診斷報告等方面分別進行對比，以此評估冠狀動脈AI在CCTA的應用前景。

1 資料與方法

1.1 一般資料

選取重慶醫(yī)科大學附屬第三醫(yī)院自2019年4月至7月就診的疑似冠心病患者64例，其中男性40例、女性24例，年齡（62.16±14.13）歲。納入標準：心率正常或者輕度心率不齊的疑似冠心病患者。排除標準：嚴重心律不齊且伴心率＞200次/min；對于碘劑過敏；不能配合完成檢查。

1.2 檢查方法及AI的應用

所有患者均使用美國GE公司的revolution CT行圖像采集，選用非離子型造影劑（320 mg I/mL，江蘇恒瑞醫(yī)藥股份有限公司）50 mL，生理鹽水20 mL，流速5 mL/s；對比劑示蹤法選擇主動脈根部ROI監(jiān)測CT值（觸發(fā)掃描CT值設(shè)為150 HU），延遲4 s，采用回顧性心電門控法進行掃描。掃描參數(shù)：管電壓120 kV，管電流20 mAs，層厚0.625 mm，總掃描時間0.3 s。隨后使用冠狀動脈AI（數(shù)坤科技的冠心病智能輔助診斷系統(tǒng)，其主要功能是全自動完成冠狀動脈影像圖像后處理、AI輔助冠狀動脈診斷結(jié)果和膠片智能打印，并輸出結(jié)構(gòu)化報告）進行圖像后處理及影像診斷，分別從容積再現(xiàn)、曲面重建及AI診斷報告進行分析。CT增強檢測患者均簽署了知情同意書。

1.3 圖像分析

掃描完成后，按照李克特量表（Likert scale）評分標準，將原始圖像質(zhì)量由低到高進行評分（1～5分）。1分：差，圖像質(zhì)量過度受損，血管壁不能辨認；2分：較差，圖像質(zhì)量低，血管邊界不清晰或偽影過大，對比度分辨率低；3分：中，存在一定圖像偽影，但對比度分辨率較高，血管邊界較清晰；4分：良，血管邊界和血管壁清晰，圖像偽影很小，對比度分辨率高；5分：優(yōu)，管壁顯示清晰，分辨率好，沒有偽影。對冠狀動脈圖像分別進行人工和AI圖像后處理，參照美國心臟病協(xié)會（SCCT）冠狀動脈分段法將冠狀動脈分為18段[5]，判斷冠狀動脈三大支：左前降支、回旋支和右冠狀動脈狹窄部位及斑塊性質(zhì)。分別由兩位醫(yī)師（住院醫(yī)師和副主任醫(yī)師）進行圖像人工后處理及診斷報告，最終結(jié)果由兩位副主任醫(yī)師進行審核。

2 結(jié)果

2.1 冠狀動脈AI與人工的圖像后處理比較

在64例患者中，5例患者AI冠狀動脈重建失敗，余59例患者重建圖像合格，其中男性36例、女性 23 例，年齡（62.75±14.32）歲。

冠狀動脈AI圖像后處理耗時約3 min，而人工圖像后處理時間約為20～30 min，AI后處理耗時約為人工耗時的10%，并且冠狀動脈AI后處理的合格率為92.2%（59/64）。如圖1所示，冠狀動脈AI圖像后處理能夠?qū)Ω髦а苓M行自動命名。AI后處理（圖 1中 D～F）與人工后處理（圖 1中A～C）相比，冠狀動脈圖像分支更多、更長、管壁更光滑、細節(jié)小分支顯示更全面；在冠狀動脈拉直圖像中，發(fā)現(xiàn)冠狀動脈AI處理的圖像（圖1中H）較人工處理圖像（圖1中G）的血管更加清晰，并且能夠自動識別冠狀動脈狹窄。此外，本研究還發(fā)現(xiàn)冠狀動脈AI也能夠自動識別植入的冠狀動脈支架，這都暗示著冠狀動脈AI在圖像后處理中的應用價值。

雖然冠狀動脈AI在圖像后處理上表現(xiàn)優(yōu)異，但本研究同時發(fā)現(xiàn)，冠狀動脈AI圖像后處理有不足之處。如表1所示，冠狀動脈AI圖像后處理的合格率為92.2%（59/64），原始圖像質(zhì)量為1分及2分的病例共有5例，AI后處理全部為不合格；而圖像質(zhì)量達到3分時，AI圖像后處理合格率達到100%。AI后處理圖像（圖2中B）與人工后處理圖像（圖2中A）相比，AI分割遺漏導致右冠狀動脈血管截斷、命名錯誤，無法全面顯示血管，其后處理失敗的原因之一為鈣化斑塊周圍偽影導致管腔被掩蓋（圖2中C），而人工后處理可以通過工作站手動添加使截斷血管“再生”。這也就體現(xiàn)出冠狀動脈AI圖像后處理嚴重依賴原始圖像質(zhì)量的弊端。

圖1 CT增強掃描后冠狀動脈AI與人工處理圖像的對比 圖中，A～C：人工后處理的容積再現(xiàn)圖；D～F：AI后處理的容積再現(xiàn)圖；G：人工后處理的曲面重建圖；H：AI后處理的曲面重建圖。CT：計算機體層攝影術(shù)；AI：人工智能；LAD：左前降支；RCA：右冠狀動脈；LCX：回旋支Fig. 1 The comparison between artificial intelligence post-processing image and artificial post-processing image of coronary artery after CT enhanced scan

2.2 冠狀動脈AI與人工的診斷報告比較

冠狀動脈AI圖像的診斷報告在圖像重建后即可完成（＜1 min），而人工出具一份冠狀動脈的診斷報告通常需要耗時15 min左右。與AI后處理一樣，AI在報告的診斷上同樣高效。如表2所示，冠狀動脈AI斑塊檢出的靈敏度達93.3%，與人工報告的靈敏度（92.0%）相當。本研究中，人工報告對斑塊的檢出不存在假陽性結(jié)果，其特異度達100%，而冠狀動脈AI對其檢測的特異度為93.8%（表3）。3支分支血管中，冠狀動脈AI對左前降支病變的特異度最低（88.0%）。

本研究結(jié)果發(fā)現(xiàn)，合格的后處理圖像并不代表正確的AI診斷報告，如圖3中A、B所示，雖然冠狀動脈AI將心肌橋成功處理，但是診斷報告并未提及。從圖3中C、D發(fā)現(xiàn)，冠狀動脈AI將分布在左前降支較細管腔內(nèi)的造影劑誤報為鈣化斑塊，其他的還有管壁毛糙造成的非鈣化斑塊的誤報。

表1 64例患者CT增強掃描后冠狀動脈的原始圖像質(zhì)量評分及人工智能后處理的合格率Table 1 The original image quality score of 64 patients and the corresponding qualified rate of coronary artificial intelligence post-processing after CT enhanced scan

圖2 CT增強掃描后冠狀動脈AI處理的不合格圖像與人工處理的合格圖像的對比圖中，A：人工后處理容積再現(xiàn)圖；B：AI后處理容積再現(xiàn)圖；C：AI冠狀動脈追蹤錯誤的原始圖像，AI分割遺漏導致右冠狀動脈血管截斷、命名錯誤。CT：計算機體層攝影術(shù)；AI：人工智能；RCA：右冠狀動脈；LAD：左前降支；LCX：回旋支Fig. 2 Comparison between the artificial intelligence unqualified post-processing image and the artificial qualified post-processing images of coronary artery after CT enhanced scan

表2 人工智能與人工對冠狀動脈斑塊檢出的靈敏度Table 2 Sensitivity of artificial intelligence and the artificial to detection of coronary plaque

表3 人工智能對冠狀動脈斑塊檢出的特異度Table 3 Specificity of artificial intelligence for detection of coronary plaque

3 討論

通過對64例疑似冠心病患者的CCTA的研究發(fā)現(xiàn)：（1）冠狀動脈AI圖像后處理的工作效率是人工的10倍左右，AI后處理的冠狀動脈分支更多、更長、管壁更光滑，并且能夠識別冠狀動脈狹窄及冠狀動脈支架，后處理合格率為92.2%。（2）在診斷報告書寫方面，冠狀動脈AI的工作效率是人工書寫報告的15倍左右，冠狀動脈AI對斑塊檢出的靈敏度為93.3%、特異度為93.8%。

圖3 CT增強掃描后冠狀動脈心肌橋與鈣化斑塊的AI和人工后處理的圖像對比 圖中，A、B：冠心病患者（男性，37歲）冠狀動脈的人工和AI后處理的左前降支心肌橋；C、D：冠心病患者（男性，56歲）冠狀動脈的人工和AI后處理的左前降支曲面重建圖像；左前降支管壁未見明顯鈣化斑塊（C）；冠狀動脈AI提示左前降支管壁鈣化斑塊伴管腔輕度狹窄（D）。CT：計算機體層攝影術(shù)；AI：人工智能Fig. 3 Comparison of artificial intelligence and artificial post-processing images of myocardial bridge and calcified plaque of coronary artery after enhanced CT scanning

AI技術(shù)的迅猛發(fā)展，使其在醫(yī)療領(lǐng)域的運用已被開發(fā)，并得以應用，如疾病的診斷、治療方案的制定、個性化醫(yī)療服務以及重癥患者的監(jiān)測和護理等。在國外梅奧診所、麻省總醫(yī)院等醫(yī)療機構(gòu)都研發(fā)了各自的AI算法并應用于臨床[6]。在影像學方面，斯坦福大學研究并創(chuàng)造了一種新的算法，其檢測特定部位肺炎的表現(xiàn)優(yōu)于經(jīng)驗豐富的臨床醫(yī)師[7]。本研究結(jié)果發(fā)現(xiàn)，冠狀動脈AI的影像診斷報告已經(jīng)達到與人工報告相當?shù)撵`敏度，并且能夠發(fā)現(xiàn)人工報告中遺漏的微小鈣化斑塊。鑒于AI在放射學領(lǐng)域的出色表現(xiàn)，一些專家認為AI的出現(xiàn)是一種威脅[8]，因為與專家相比，AI基于統(tǒng)計學習指標的改進，隨著深度地學習罕見病例，其對個案的分析更具優(yōu)勢[9-10]。

與國內(nèi)外研究結(jié)果相比，本研究的冠狀動脈AI對斑塊檢出的靈敏度為93.3%、特異度為93.8%，顯著高于黃增發(fā)和王翔[11]的研究結(jié)果（靈敏度為54.35%、特異度為81.73%），其原因可能是我們的冠狀動脈AI深入學習的熟練度更高、技術(shù)更加完善。雖然既往研究報道，通過深度學習的冠狀動脈AI計算出的鈣化積分廣泛得到專家的認可[12-13]，但是本研究冠狀動脈AI對斑塊的檢出仍存在遺漏（主要是部分不明顯小鈣化斑塊的遺漏）。

本研究發(fā)現(xiàn)冠狀動脈AI存在諸多不足之處：（1）圖像重建方面。在納入的64例患者中，有5例的冠狀動脈AI由于其偽影、分割遺漏導致血管截斷和命名錯誤，我們認為造成這種結(jié)果的原因是原始圖像質(zhì)量較差（5 例患者 Likert評分為 1～2 分），因此冠狀動脈AI的圖像重建較人工圖像處理更加依賴高質(zhì)量的原始圖像，較人工后處理應變能力差。（2）診斷報告方面。冠狀動脈AI較人工報告更容易誤報軟斑及鈣化斑塊，這是造成其特異度低的主要原因：①當圖像出現(xiàn)偽影時，AI將其誤報非鈣化斑塊；②當造影劑在較細管腔內(nèi)分布不均時，AI將造影劑誤認為鈣化斑塊。因此，冠狀動脈AI正確的后處理圖像，并不一定是正確的診斷報告。同時，本研究也有一些不足之處：（1）本研究是一個單中心的研究，病例集中為重慶及其周邊地區(qū)的患者，而冠狀動脈AI的深度學習是建立在多中心的基礎(chǔ)上，因此其診斷效能受到影響；（2）受限于冠狀動脈AI在我院應用時間較短，病例總數(shù)偏少，后期隨著冠狀動脈AI在多中心的不斷深入學習，我們一定能夠得到更加完善的數(shù)據(jù)。

綜上所述，雖然AI在CCTA乃至整個影像方面取得了令人震驚的成果，其整體水平表現(xiàn)優(yōu)異，尤其是在SPECT心肌核素顯現(xiàn)中的應用[14-15]，但是AI在影像中的應用同樣也有其弊端，美國食品藥物管理局仍將AI應用于輔助診斷歸為2類（中危）設(shè)備，而將AI應用于診斷報告歸為3類（高危）設(shè)備[16]。因此，一份合格的影像報告不能僅僅依靠AI后處理及診斷，從根本上需要依賴于影像醫(yī)師的把控。我們認為AI技術(shù)并非我們影像醫(yī)師的終結(jié)者，而是我們診斷疾病的一個有效的利器。

利益沖突本研究由署名作者按以下貢獻聲明獨立開展，不涉及任何利益沖突。

作者貢獻聲明胡小麗負責數(shù)據(jù)的收集與分析、論文的撰寫；向守洪、胡榮慧負責診斷報告的書寫；周代全、陳俊源負責圖像的采集及后處理；薛雨負責數(shù)據(jù)的統(tǒng)計；王政杰負責提供論文思路與修訂。