唐春香 張龍江

近年來，無創(chuàng)性心血管成像技術迅猛發(fā)展并在臨床獲得廣泛應用。冠狀動脈CT 血管成像（coronary CT angiography，CCTA）已經(jīng)發(fā)展成為心血管病病人的首選檢查方法。據(jù)統(tǒng)計，2017 年我國CCTA 檢查量已超過460 萬例并有持續(xù)升高的趨勢[1]。隨著CT 技術的快速發(fā)展，薄層各向同性數(shù)據(jù)成為常規(guī)存儲和應用要求，一次CCTA 檢查至少生成200 張影像，因此產生了海量的影像數(shù)據(jù)，大大增加了人工影像后處理和診斷的工作負荷[1]。然而，近年發(fā)展起來的人工智能（artificial intelligence，AI）技術在醫(yī)學影像領域產生了重要影響，特別是AI在該領域的應用貫穿于心血管CT 成像全流程。AI不僅可以優(yōu)化工作流程，而且有助于提升醫(yī)師閱片效率和質量[2]。因此，合理應用AI 能縮短影像采集時間，提高診斷準確性，尤其在心血管疾病預后和危險分層中有望發(fā)揮更大的作用。

利用AI 可以減少心血管CT 影像重建及圖像分割時間，提高影像質量。影像質控是檢查所有采集的影像是否符合進一步處理或分析的必要條件。目前已有多項研究致力于應用AI 改進心血管CT的影像重建，優(yōu)化影像質控流程，并應用于圖像分割與計算。一種基于三維CT 數(shù)據(jù)補丁深度卷積神經(jīng)網(wǎng)絡的圖像去噪方法，在減少輻射劑量同時可明顯縮短影像處理時間[3]；基于深度學習算法的迭代重建技術也減少了影像重建時間[4]。Shan 等[5]設計了一個模塊化的神經(jīng)網(wǎng)絡用于重建低劑量CT 影像，并證實AI 方法在噪聲抑制和結構保真度方面表現(xiàn)更好，且速度更快。深度學習方法還可用于識別和量化冠狀動脈運動偽影對CCTA 影像診斷可靠性和影像質量的影響，進而改善影像質量[6]。另外，AI算法可以全自動分割CCTA 上的非鈣化斑塊和鈣化斑塊，以及心外膜脂肪組織，與醫(yī)師手動分割的結果無顯著差異且有良好的相關性[7-8]。

基于AI 還可實現(xiàn)自動化診斷及結構化報告，且不受影像復雜性和閱片數(shù)量增加的影響，極大地提高了診斷效率。Muscogiuri 等[9]證實AI 可以在1.4 min 內區(qū)分冠狀動脈疾病報告和數(shù)據(jù)系統(tǒng)（coronary artery disease-reporting and data system，CAD-RADS）0 級與高于0 級的病人，確定是否患有冠狀動脈疾病。如何能自動區(qū)分不同級別的CADRADS 仍然存在挑戰(zhàn)，因此在未來進一步優(yōu)化報告精細程度方面還需要進一步提升。

AI 在心血管病預防、預后評估及危險分層方面也展現(xiàn)了較好的價值。最近的一些研究關注了AI在冠狀動脈鈣化積分中的應用，包括冠狀動脈鈣化積分自動化計算系統(tǒng)的開發(fā)和驗證、非門控胸部CT鈣化積分自動化檢測的驗證及預后價值，體現(xiàn)了很好的應用前景[10-11]。AI 還可用于評價冠狀動脈狹窄的血流動力學意義。相比常規(guī)通過CCTA 對冠狀動脈特異性缺血病變的診斷，由機器學習算法計算得出的CT 血流儲備分數(shù)提高了這一性能。此外，很多研究還利用機器學習算法構建疾病結局的預測模型。相比于傳統(tǒng)風險評估方法，AI 技術擁有更好的特征篩選及融合能力，因而風險評估能力更強，例如基于隨機森林構建的機器學習模型具有較好的心血管疾病不良事件預測能力[12]。

此外，基于影像組學的研究近些年來也在廣泛展開。相比于傳統(tǒng)臨床及影像特征，影像組學特征能提供更多肉眼看不到的細微信息，如在心血管CT的應用主要集中于心肌組織、斑塊特征及冠狀動脈周圍脂肪的分析。心肌影像組學紋理特征可以提示心肌瘢痕或者心肌梗死[13]；斑塊影像組學特征有助于更精準地識別高危斑塊特征[14]。目前正在開發(fā)新的應用程序自動檢測及分割血管周圍脂肪，通過特征提取可縮短計算時間至5 min。

本期專題特別報道了人工智能心血管CT 影像在心血管病診療及風險預測中的價值。例如劉等[15]的研究證實利用AI 輔助的CCTA 診斷阻塞性冠狀動脈狹窄具有較好的診斷效能，且可縮短影像后處理時間，有望成為冠心病有效的輔助診斷工具。徐[16]、尚等[17]的研究發(fā)現(xiàn)，冠狀動脈周圍脂肪影像組學特征對冠狀動脈狹窄血流動力學嚴重程度及急性冠狀動脈綜合征的預測價值優(yōu)于傳統(tǒng)統(tǒng)計學方法及傳統(tǒng)影像特征。張等[18]利用中國多中心FFRCT研究數(shù)據(jù)發(fā)現(xiàn)，基于機器學習算法能夠很好地預測冠狀動脈特異性狹窄病變引起的心肌缺血，F(xiàn)FRCT、ΔFFRCT、脂質斑塊體積及其百分比、纖維斑塊體積、非鈣化斑塊體積、狹窄程度以及斑塊復雜形態(tài)特征是影響缺血特異性狹窄的主要因素。趙等[19]利用深度學習和卷積神經(jīng)網(wǎng)絡分割法自動生成左心室心肌模型分析了動態(tài)CT 心肌灌注成像的可行性及對血流動力學顯著狹窄病變的診斷價值，并認為動態(tài)心肌灌注CT 的自動化分析穩(wěn)定、結果準確，且操作簡便，具有較好的臨床應用推廣價值。郭等[20]、陳等[21]則詳細綜述了AI 和影像組學在心血管CT 的應用。這期重點號基本反映了當前我國心血管CT 影像工作者積極探索AI 在心血管CT 影像領域研究價值的成果，對加快其臨床轉化的進程有較好的推動作用。

雖然AI 技術在心血管影像的應用與研究還處于初級階段，但隨著心血管影像數(shù)據(jù)規(guī)范程度的提高，各醫(yī)療機構的數(shù)據(jù)質量偏差會逐漸縮小，泛化性也將更強，因此AI 技術在心血管影像領域的應用會更廣泛。弄潮兒向濤頭立，讓我們站在人工智能心血管影像的浪潮之尖，上下求索，積極推進我國人工智能心血管影像的創(chuàng)新研發(fā)和轉化應用，為實現(xiàn)健康中國的國家戰(zhàn)略貢獻力量。