基于深度學習的冠狀動脈CT血管成像冠狀動脈疾病報告與診斷系統(tǒng)的臨床應用

肖建偉 張樹桐 謝元亮 胡蕓 陳燕浩 陳發(fā)祥 王翔

華中科技大學同濟醫(yī)學院附屬武漢中心醫(yī)院影像診斷科（武漢430030）

冠心病，是指冠狀動脈粥樣硬化使血管管腔狹窄或閉塞，或（和）因冠狀動脈功能改變（痙攣）導致心肌缺血缺氧或壞死而引起的心臟病。近年來，冠心病的發(fā)病率在我國不斷上升，其病死率也呈現(xiàn)快速上升趨勢［1-4］。近年來，臨床多選用冠狀動脈CT 血管成像（coronary computed tomography angiography，CCTA）對冠心病進行評價和分析［5］。2016年，美國放射學學會、北美心血管影像學會和美國心血管CT 學會基于CCTA 檢查發(fā)布了最新的報告規(guī)范-冠狀動脈疾病報告與數(shù)據(jù)系統(tǒng)（CAD-RADSTM），旨在規(guī)范臨床醫(yī)療中CCTA 檢查結(jié)果的報告［6］。隨著大數(shù)據(jù)和深度學習等技術(shù)在醫(yī)療領(lǐng)域的興起，醫(yī)療輔助診斷領(lǐng)域最近被重視［7］。本研究將探討基于深度學習的CCTA 的CAD-RADSTM 在冠心病診斷中的臨床應用價值，為冠心病的規(guī)范化、智能化診斷的研究提供依據(jù)。

1 資料與方法

1.1 一般資料入選患者為2018年9-12月，經(jīng)我院臨床疑診冠心病，共226 例，其中男146 例，女80 例，年齡33～76 歲，平均（63.4±9.9）歲。納入標準：患者均為自由心率，心律變異相≤5 次/min，無明顯檢查禁忌癥；排除標準：心臟瓣膜手術(shù)病史；搭橋手術(shù)史；PCI 病史；嚴重心律不齊；碘劑過敏患者；檢查時不能配合者。同時收集觀察患者入院時的病史資料，包括首次檢查的射血分數(shù)（EF），甘油三酯（TG），總膽固醇（TC），高密度脂蛋白（HDL-c），低密度脂蛋白（LDL-c），血肌酐（Cr），尿素氮（BUN）。

1.2 檢查方法檢查前，護士向患者介紹CCTA檢查的過程，解釋可能出現(xiàn)的一過性不適以緩解患者壓力；詢問碘過敏史，并行對比劑過敏皮試，患者右上肢肘前靜脈預埋留置針，預先推入少量無菌生理鹽水（測試留置針的通暢）。排空高壓注射器（MALLINCKRODT，USA）中的少量氣體并與留置針相接，告知患者檢查過程中可能出現(xiàn)的一過性不適，并讓患者配合進行多次呼吸訓練，然后再次留置針中預推適量生理鹽水以確保其通暢。本研究的設備為西門子雙源CT，選用非離子型對比劑碘（370 mgI/mL，Bayer Schering Pharma，Germany）60～70 mL，生理鹽水30 mL，流速5.0～5.5 mL/s；選擇降主動脈層面（應用對比劑示蹤法）感興趣區(qū)（ROI）進行CT 值監(jiān)測，當監(jiān)測層面ROI 的CT 值大于預設的觸發(fā)掃描CT 值（100 HU）時，即進行CCTA 掃描，掃描方式為回顧性心電門控法，延遲8 s，掃描時間約4.0 s，掃描參數(shù)：管電流280 mAs，管電壓100 kV，層厚0.75 cm。

1.3 圖像處理和分析將掃描原始掃描圖像上傳至雙源CT 后處理工作站（Sigovia 工作站），應用工作站中CT 冠脈軟件處理圖像，包括血管探針（VP）、最大密度投影（MIP）、多平面重建（MRP）和三維曲面重建（VR），以顯示冠狀動脈18 節(jié)段，分析每個冠脈節(jié)段是否存在斑塊及狹窄，以及狹窄程度。同時，深度學習工作站（數(shù)坤科技，北京），前期已經(jīng)在我院進行超過2 000 例高質(zhì)量CCTA 檢查及報告的數(shù)據(jù)訓練學習，從雙源CT 掃描后自動重建的最佳舒張期和收縮期中抓取CCTA 圖像，通過深度學習算法自動識別冠脈中心線、管腔病變，同時自動構(gòu)建冠脈樹，MIP，VP，MRP 和VR 圖，生成報告，并根據(jù)標準投照角的需求自動排版出片。參照2014年SCCT 發(fā)布的18 段冠狀動脈分段體系進行分段［8］：（1）右冠狀動脈近段；（2）右冠狀動脈中段；（3）右冠狀動脈遠段；（4）右冠狀動脈發(fā)出后降支；（5）左主干；（6）前降支近段；（7）前降支中段；（8）前降支遠段；（9）第一對角支；（10）第二對角支；（11）回旋支近段；（12）第一鈍緣支；（13）回旋支中遠段；（14）第二鈍緣支；（15）回旋支發(fā)出后降支；（16）右冠狀動脈發(fā)出左后室支；（17）中間支；（18）回旋支發(fā)出左后室支。識別并判斷是否存在狹窄、狹窄部位、程度以及斑塊性質(zhì)。狹窄程度的判斷分級按照CAD-RADSTM報告系統(tǒng)分級［4］：CAD-RADS 0，冠狀動脈狹窄的最大程度為0；CAD-RADS 1，冠狀動脈狹窄的最大程度為1%～24%；CAD-RADS 2，冠狀動脈狹窄的最大程度為25%～49%；CAD-RADS 3，冠狀動脈狹窄的最大程度為50%～69%；CAD-RADS 4A，冠狀動脈狹窄的最大程度為70%～99%；CAD-RADS 4B，左主干狹窄的最大程度＞50%或者三支血管阻塞性病變≥70%；CAD-RADS 5，冠狀動脈狹窄的最大程度為100%；CAD-RADS N，圖像無法用于臨床診斷。所有圖像均經(jīng)過兩名心血管診斷醫(yī)師判讀（5年和10年以上工作經(jīng)驗）。

1.4 統(tǒng)計學方法采用SPSS 18.0 統(tǒng)計軟件包對數(shù)據(jù)進行統(tǒng)計學分析，計數(shù)資料率以例（%）表示，采對χ2檢驗（McNemar′s test）比較差異，計量資料以均數(shù)±標準差表示，用方差分析進行比較。P＜0.05 為差異有統(tǒng)計學意義。

2 結(jié)果

2.1 基于深度學習的CAD-RADS 分級患者圖像資料226 例患者中，有3 例患者CCTA 檢查圖像質(zhì)量不佳，最終223 例患者納入研究。按照CADRADS 分級標準，部分患者圖像見圖1。

2.2 一般資料按照CAD-RADS 分級標準，CADRADS 0 級的患者有82 例，占36.8%；CAD-RADS 1級的患者有32 例，占14.3%；CAD-RADS 2 級的患者有31 例，占13.9%；CAD-RADS 3 級的患者有42例，占18.8%；CAD-RADS 4A 級的患者有15 例，占6.7%；CAD-RADS 4B 級的患者有11 例，占4.9%；CAD-RADS 5 級的患者有10 例，占4.5%。CADRADS 分級患者中，高血壓、糖尿病病史及射血分數(shù)差異有統(tǒng)計學意義（P＜0.05）。見表1。

2.3 基于深度學習和醫(yī)師對CCTA 的CADRADS分級的比較基于深度學習對CCTA的CADRADS 分級和醫(yī)師對CCTA 的CAD-RADS 分級評價差異無統(tǒng)計學意義（Z=-0.202，P= 0.84），一致性檢驗結(jié)果顯示兩者的Kappa 值為0.687（P＜0.05），一致性較好。見表2。

3 討論

圖1 基于深度學習的CAD-RADS 分級CCTA 圖像Fig.1 Images of CCTA with CAD-RADS grades base on deep learning

表1 基于深度學習CAD-RADS 分級的患者一般資料Tab.1 Basic clinical characteristics of patients with CAD-RADS classification based on deep learning ±s

表1 基于深度學習CAD-RADS 分級的患者一般資料Tab.1 Basic clinical characteristics of patients with CAD-RADS classification based on deep learning ±s

高血壓［例（%）］糖尿?。劾?）］腎?。劾?）］EF（%）TG（mmol/L）TC（mmol/L）HDL-c（mmol/L）LDL-c（mmol/L）Cr（μmol/L）BUN（μmol/L）CAD-RADS 0（n=82）43（52.4）21（25.6）9（11.0）53±9.7 1.6±1.1 4.3±1.4 1.1±0.4 2.6±1.1 7.6±2.5 99±14 CAD-RADS 1（n=32）18（56.2）12（37.5）5（15.6）53±9.4 1.6±1.2 4.3±1.5 1±0.3 2.6±1.1 7.9±2.6 119±16 CAD-RADS 2（n=31）21（67.7）7（22.6）4（12.9）54±8.0 1.6±1.0 3.9±1.0 1±0.2 2.3±0.8 7±4.0 89±36 CAD-RADS 3（n=42）32（76.2）12（28.6）6（14.3）56±9.9 1.8±1.4 4.4±1.8 1.2±0.78 2.6±1.2 6.7±3.6 100±29 CAD-RADS 4A（n=15）13（86.7）10（66.7）1（6.7）47±9.2 2.4±2.1 4.3±1.6 1±0.5 2.6±1.3 8.3±4.6 104±39 CAD-RADS 4B（n=11）9（81.8）6（54.5）0（0.0）43±12 1.5±0.5 5.5±2.1 1.1±0.2 3.6±1.7 6.8±1.9 78±28 CAD-RADS 5（n=10）8（80.0）8（80.0）0（0.0）42±8.4 1.3±1.0 4±0.9 0.9±0.16 2.4±0.8 6.2±1.8 80±28 χ2/F 值14.532 23.704 4.082 7.013 1.543 1.835 0.731 2.046 0.341 0.426 P 值0.024 0.001 0.666 0.001 0.165 0.094 0.625 0.061 0.914 0.861

表2 基于深度學習和醫(yī)師CAD-RADS 分級比較Tab.2 Comparisons of CAD-RADS classification with based on deep learning and based on doctor 例

近年來，以冠心病為主的心臟缺血性疾病是影響中老年人健康的主要疾病之一，目前已逐漸呈現(xiàn)出年輕化的趨勢。由于冠狀動脈的狹窄是冠心病的發(fā)病最主要的形態(tài)學病因，因此，早期發(fā)現(xiàn)病變血管的狹窄以及更為精準的定位，能為臨床提供及時的治療信息。雙源CT 冠脈血管成像以其高清晰和高真性的圖像質(zhì)量能準確判斷冠脈血管數(shù)量，重建出各分段的解剖結(jié)構(gòu)，同時良好的組織對比度能增加診斷的精確度［9］。

冠心病的診斷主要依靠影像學檢查，目前，公認的“金標準”是冠狀動脈造影（ICA）。然而，ICA屬于侵入性檢查，不僅檢查費用高，而且檢查過程中存在并發(fā)癥風險，因此，ICA 在基層醫(yī)院推廣相對困難［10］。隨著CCTA 成像技術(shù)的革新與快速發(fā)展，其在臨床心血管影像學檢查中已占據(jù)了重要地位。影像學報告標準化的應用（例如肝臟LIRADS［11］，乳腺BI-RADS［12］，肺部Lung-RADS［13］，前列腺PI-RADS［14］等），推動了報告標準化及規(guī)范化的患者診斷、治療、隨訪等管理指導［6］。CADRADS 標準化報告系統(tǒng)提示：目前該系統(tǒng)僅適用于疑似或已確診為冠心病的患者的CCTA 檢查，通過標準化的報告提示CCTA 分級，提供患者有效的建議。本研究結(jié)果顯示，大部分CCTA 圖像（223/226）能被深度學習模型識別、用于重建、識別血管及病變并能作出分級診斷，用于指導臨床工作。

醫(yī)療影像大數(shù)據(jù)，各種軟硬件及算法的快速發(fā)展，帶動了人工智能在影像醫(yī)學診斷領(lǐng)域的發(fā)展應用。目前，基于深度學習的影像領(lǐng)域的研究也快速發(fā)展，包括傳統(tǒng)X 線、CT 和多模態(tài)MRI 等?；谏疃葘W習的冠心病的研究也逐漸增多［15-17］。KWON 等［15］通過基于深度學習的心臟超聲指標預測冠心病患者住院病死率，4 種深度學習模型預測ROC 曲線下面積分別為0.912、0.898、0.958 和0.913。VON KNEBEL DOEBERITZ 等［16］等通過基于深度學習的CT-FFR 模型，發(fā)現(xiàn)其較常規(guī)CCTA能更好的發(fā)現(xiàn)特異性損傷缺血。BETANCUR 等［17］通過SPECT 心肌灌注掃描，與常規(guī)方法相比，深度學習的方法對阻塞性冠心病的預測價值更優(yōu)。

本研究中深度學習和醫(yī)師對患者CCTA 圖像的CAD-RADS 分級報告評價差異不明顯，一致性較好。目前，基于深度學習的CAD-RADS 分級報告評價CCTA 的研究少見報道，大部分的研究主要針對冠脈狹窄的檢出，冠脈阻塞性病變的判斷，以及鈣化積分的評價。

本研究排除了CAD-RADS 分級報告中的支架（S）、橋血管（G）的分類描述，其原因主要是此類病例的訓練樣本量尚不足，后期將增加高質(zhì)量CCTA 數(shù)據(jù)庫的學習，多中心的驗證，以完善CADRADS 標準化報告。

綜上所述，基于深度學習的CCTA圖像的CADRADS 標準化報告能較準確評價疑似冠心病患者，與診斷醫(yī)師具有較好的一致性。并且能顯著減少醫(yī)師圖像后處理、排版出片、報告書寫時間，極大的提高了影像診斷的工作效率，具有廣闊的應用前景。