CAD-RADS在冠心病诊断中的应用：人工智能与人工方法的对照研究

目的:探讨基于冠状动脉CT血管成像(CCTA)的人工智能(AI)软件在检出冠状动脉病变及评估其CAD-RADS分级中的价值。方法:回顾性分析2018年11月-2020年12月本院临床疑诊为冠心病且行CCTA和冠状动脉血管造影(ICA)检查的175例患者的病例资料。由AI软件及3位不同年资影像诊断医师基于CCTA图像分别进行CAD-RADS分级,以ICA为金标准,计算AI软件和不同年资医师对阻塞性冠脉病变(冠脉狭窄程度≥50%)的诊断效能。采用Kappa检验分别评价AI软件与高、中、低年资医师基于CCTA对冠脉病变CAD-RADS分级评估的一致性。结果:(1)AI及高、中、低年资诊断医师评估冠脉狭窄≥50%的AUC值分别为0.764、0.858、0.747和0.731。其中,在钙化积分≥400组,相应的AUC值分别为0.608、0.750、0.625和0.625;在钙化积分<400组,相应的AUC值分别为0.801、0.884、0.776和0.756。AI软件及各年资医师AUC值的差异无统计学意义(P>0.05)。(2)AI软件与高年资医师基于CCTA的CAD-RADS分级一...     

AI在CCTA诊断冠状动脉狭窄中的准确性及应用价值

目的:探讨人工智能(AI)在冠状动脉CT血管成像(CCTA)中诊断冠状动脉狭窄的准确性及应用价值。方法:收集2019年4月至10月110例同时行CCTA及有创冠状动脉造影(ICA)病人的影像资料,110例共1484段血管纳入评价范围。狭窄程度分为无狭窄、轻度狭容(<50%)、中度狭(50%~70%)重度狭窄(>70%).AI软件自动对CCTA图像进行重建及计算分析。以ICA结果为金标准,计算AI在CCTA中诊断冠状动脉狭容的敏感度、特异度、阳性预测值及阴性预测值。对AI与ICA结果进行Kappa值一致性检验。结果:①AI检出冠状动脉狭窄的敏感度、特异度、阳性预测值及阴性预测值分别为92.97%.97.91%,88.53%,96.36%,准确性为93.60%,AI与ICA检出冠状动脉狭窄一致性好(Kappa值0.86).②AI诊断冠状动脉狭窄程度准确性为66.13%,与ICA一致性一般(Kappa值0.58)。诊断轻度狭窄准确性较高,诊断中重度狭窄特异度较高。结论:AI在CCTA中对冠状动脉狭窄节段的检出及诊断轻度狭窄具有较高准确性,诊断中重度狭窄特异度较高,可作为医师辅助诊断手段.     

冠状动脉管腔内对比度衰减梯度对钙化斑块诊断价值的研究

目的：以侵入性冠状动脉造影（ICA）为金标准,评价冠状动脉CT血管成像（CCTA）时管腔内对比度衰减梯度（TAG）诊断钙化斑块所致冠状动脉狭窄的价值。方法：回顾性分析78例冠状动脉有钙化斑块的患者,共112支血管,所有患者均做了CCTA （采用320排容积CT）和ICA检查。以血管为单位,计算TAG;并以CCTA目测法评价钙化斑块处管腔的狭窄程度。以ICA结果将狭窄程度分为轻度组（<50%）、中度组（50%～69%）和重度组（≥70%）。比较TAG在3组间的差异;计算并对比分析TAG、CCTA和TAG+CCTA诊断钙化斑块处狭窄程度的灵敏度、特异度、阳性预测值、阴性预测值和ROC曲线下面积。结果：轻度组85支,中度组40支,重度组14支。3组的TAG分别为-14.400±7.024、-27.307±6.222和-37.325±11.187,3组间有显著性差异（P<0.001）。判断中度及以上狭窄时,TAG的灵敏度和特异度为94.44%和81.03%,TAG、CCTA和TAG+CCTA的ROC曲线下面积分别为0.930、0.579和0.934,其中TAG与CCTA (P<...     

人工智能冠状动脉CT血管成像在冠心病诊断中的应用

【摘要】目的：探讨人工智能（artificial intelligence,AI）冠状动脉CT血管成像（CCTA）在冠心病诊断中的应用价值。方法：选取本院2018年3-8月,临床疑诊为冠心病的患者50例,对所有患者常规行CCTA扫描,对上传至后处理Sigovia工作站的图像分别由两位高年资医生进行手动冠状动脉分析软件的图像处理、完成报告和由冠心病智能辅助诊断工作站的自动识别图像中的血管和病变并生成报告。评价AI在冠心病中的诊断价值。结果：冠心病诊断中,与常规高年资医生相比,AI对冠心病诊断的阳性预测值为80%,阴性预测值为70%,敏感度为80%,特异度为70%。AI对冠脉病变定位识别的敏感度和特异度分别为73.91%,82.69%。AI对冠脉病变斑块性质识别的敏感度和特异度分别为54.35%,81.73%。在冠脉病变管腔狭窄程度的诊断中,AI和高年资医生对冠脉狭窄的总检出率分别为30.67%、32%,差异无统计学意义（P＞0.05）,AI对冠脉病变管腔狭窄程度识别的敏感度和特异度分别为60.87%,80.77%。结论：与高年资医生相比,AI辅助CCTA对冠心病的诊断具有一定的价值。     

FFR CT对CCTA判定冠状动脉临界狭窄病变血流动力学变化的分析

目的评价基于冠状动脉CT血管成像（CCTA）的冠状动脉血流储备分数（FFR_CT）对CCTA判定临界狭窄病变冠状动脉血流动力学变化的诊断价值。方法回顾性分析了18例同时进行CCTA和有创冠状动脉造影（ICA）的病人,男13例,女5例,年龄49~76岁,平均（61±9）岁。选择冠状动脉临界狭窄病变（狭窄率为50%~70%）为靶血管,经ICA测定血流储备分数（FFR）;记录CCTA影像数据,计算FFR_CT。FFR及FFR_CT均以≤0.80表示受累冠状动脉出现血流动力学改变并需要进一步治疗。以FFR为金标准,计算CCTA及FFR_CT的诊断准确度、敏感度、特异度、阴性预测值及阳性预测值,通过绘制受试者操作特征（ROC）曲线并采用Bland-Altman分析及Spearman相关分析评价CCTA狭窄及FFR_CT对冠状动脉缺血的诊断效能。结果18例病人共27段冠状动脉接受评价,以FFR为金标准,FFR_CT诊断准确度88.9%,敏感度100%,特异度62.5%,阳性预测值86.4%,阴性预测值100%;FFR_CT与FFR呈中等程度相关（r=0.663,P<0.001）;Bland-Altman分析显示FFR_CT与FFR的一致性较好（95%CI：-0.23~0.20）,96.3%（26/27）的点落在一致性界限内,3.7%（1/27）的点在?95%一致性界限外。FFR_CT?ROC曲线下面积大于CCTA的（分别为0.947、0.500,P<0.001）。结论对于冠状动脉临界狭窄病变血流动力学变化的评价,FFR_CT能够提高CCTA在冠状动脉临界狭窄病变缺血方面的诊断能力。     

CCTA技术对冠状动脉狭窄及其钙化斑块的评估

冠状动脉CT血管成像（CCTA）是一种可无创检测冠状动脉粥样硬化性疾病的成像手段,已成为临床筛查及诊断冠心病的首要检查方法。但对于钙化严重的冠状动脉节段,CCTA的特异性及阳性预测值偏低,可导致病人过度治疗,因此限制了CCTA的临床应用。综述钙化斑块伪影对CCTA的影响,并就CCTA对冠状动脉狭窄准确评估的相关技术进展进行分析,以利于临床诊断中提高CCTA对冠状动脉狭窄率的评估。     

基于机器学习的FFRCT对冠状动脉功能性狭窄的诊断准确性研究

目的以有创性冠状动脉血流储备分数（FFR）为金标准,探讨不同区间内基于机器深度学习的CT冠状动脉血流储备分数（FFR_CT）对冠状动脉功能性狭窄的诊断准确性。方法?回顾性收集先后行冠状动脉CT血管成像（CCTA）及FFR检查的病人125例（162处病变）,年龄42.0~88.0岁,平均（61.0±8.2）岁,男79例,女46例。两项检查时间间隔≤2周。在CCTA影像上获得病变直径狭窄程度,采用西门子cFFR原型软件（cFFR,version3.0.0）计算FFR_CT数值。以FFR≤0.8为具有血流动力学意义的狭窄,绘制FFR_CT及CCTA的受试者操作特征曲线,获得曲线下面积（AUC）。并计算两种方法的敏感度、特异度、阳性预测值、阴性预测值及准确度。结果FFR_CT及CCTA对于诊断功能性狭窄的AUC分别为0.85、0.76（P<0.05）。基于病人水平分析,CCTA和FFR_CT的诊断敏感度、特异度、准确度分别为77.6%、69.7%、76.8%和85.7%、78.9%和86.1%。当FFR_CT数值≤0.69、0.7~0.8、0.81~0.89、≥0.9时,FFR_CT诊断功能性狭窄的准确度分别为86.4%、61.2%、88.6%、98.2%。结论以FFR为金标准,FFR_CT数值在0.7~0.8之外的病变结果具有良好的诊断准确性,而数值在0.7~0.8区域内的病变诊断准确性欠佳。     

新型256层螺旋CT自由心率CCTA评价高心率冠状动脉狭窄患者诊断准确性

【摘要】目的：探讨新型256层螺旋CT自由心率下CCTA对高心率冠心病患者冠状动脉管腔狭窄程度的诊断准确性。方法：回顾性分析40例高心率（≥80bpm）冠心病患者,均采用自适应前瞻性心电门控且自由心率下扫描,均在CCTA检查3周内行冠状动脉造影（CGA）检查,且以CAG为金标准,计算其冠状动脉狭窄程度的敏感度、特异度、阳性预测值、阴性预测值及准确性,用Kappa检验对CCTA及CAG检测冠状动脉狭窄程度进行一致性分析。结果：40例患者共检出467个冠状动脉节段,其CCTA图像质量可诊断率达到98.93%,CAG与CCTA对诊断冠状动脉狭窄的一致性显著,kappa系数均>0.8;CCTA诊断冠状动脉狭窄节段的敏感度、特异度、阳性预测值、阴性预测值及准确度分别为96.80%、92.93%、90.30%、97.71%、94.50%,对中度狭窄、重度狭窄及闭塞的冠状动脉的诊断准确度分别为97.27%、99.03%、98.92%。结论：新型256层螺旋CT自由心率下CCTA对高心率冠心病患者冠状动脉管腔狭窄程度有较好的诊断准确性。     

CCTA-AI联合FFR-CT诊断冠状动脉狭窄病变的价值

目的 以冠状动脉造影(CAG)为金标准,探讨人工智能(AI)冠状动脉CT血管成像(CCTA-AI)联合基于冠状动脉CT的血流储备分数(FFR-CT)诊断冠状动脉狭窄病变的价值。方法 选取先后行冠状动脉CT血管成像(CCTA)及冠状动脉造影(CAG)检查的90例患者的资料,两项检查时间间隔≤2周。利用AI算法获得CCTA病变直径的狭窄程度,并采用科亚医疗深脉软件计算FFR-CT数值。以CAG为金标准,血管狭窄≥70%为重度狭窄,绘制CCTA-AI、FFR-CT以及联合两种AI软件的受试者操作特征曲线,获得曲线下面积(AUC),并计算CCTA-AI联合FFR-CT的敏感度、特异度。结果 将同时获得CCTA-AI及FFR-CT结果的90例患者的266支血管纳入分析。CCTA-AI、FFR-CT及两者联合诊断血管狭窄的AUC分别为0.817、0.850、0.883。CCTA-AI联合FFR-CT的诊断敏感度、特异度分别为82.09%和81.08%。结论 CCTA-AI联合FFR-CT对冠状动脉狭窄的诊断效能得到提高。     

冠状动脉CTA腔内密度校正差诊断冠脉支架后再狭窄的价值

目的:以有创冠状动脉造影(ICA)为金标准,评估冠状动脉CTA(CCTA)腔内密度校正差(DCCO)诊断冠状动脉支架后再狭窄(ISR)的价值。方法:回顾性分析于1个月内相继行CCTA及ICA检查并既往已行冠状动脉支架术患者的影像资料,测量CCTA支架近段和远段及对应同层面主动脉CT值,记为C1、C2、A1、A2,定义DCCO=C1/A1-C2/A2。以ICA为金标准,以冠状动脉支架后狭窄程度是否≥50%分为无再狭窄组和再狭窄组,评估CCTA、DCCO及二者联合分别诊断ISR的准确性和受试者操作特征(ROC)曲线下面积(AUC)。结果:共89例99支血管纳入分析,无冠状动脉ISR和发生冠状动脉ISR组的DCCO分别为0.10±0.06、0.19±0.08,无冠状动脉ISR组和发生冠状动脉ISR组DCCO联合CCTA分别为0.33±0.23、0.72±0.26,差异均有统计学意义(P<0.05)。DCCO单独诊断及DCCO联合CCTA诊断ISR的效能均高于CCTA,DCCO联合CCTA的AUC为0.86,均分别高于DCCO和CCTA的AUC(0.82和0.72,P均<0.05)...     

AI对非门控胸部LDCT平扫冠状动脉钙化积分危险分层的预测价值

目的 探讨人工智能（AI）在非门控胸部低剂量CT（LDCT）平扫冠状动脉钙化积分（CACS）危险分层中的预测价值。 方法 回顾性收集接受冠状动脉CT血管成像（CCTA）检查及非门控LDCT平扫的病人152例（训练集与测试集比例为2∶1）,训练集为上海长征医院收集的102例病人;测试集为武汉同济医院收集的50例病人。分别由AI模型和2名中年资影像医师在所有病人影像上勾画钙化,获得CACS后进行CACS危险分层（低危、中危和高危）,使用手动标注非门控LDCT的训练集数据,构建非门控LDCT的CACS及其危险度分层的AI模型。将测试集数据导入AI模型进行验证,与心电门控CT平扫获得的标准CACS及其危险分层进行对比分析,分别记录放射科医师手动评估及AI模型自动评估测试集CACS所需时间。采用分类准确度、组内相关系数（ICC）、Kappa检验和Bland-Altman一致性分析评估AI模型的性能,并采用Wilcoxon符号秩检验比较AI模型与标准CACS危险分层间的差异。采用配对t 检验比较AI、影像医师评估CACS危险分层所需时间。 结果 在训练集和测试集中,标准CACS的中位数分别为165.89（36.04,425.76）、96.50（25.75,346.75）,AI模型测得CACS的中位数分别为167.07（43.17,449.11）、75.51（24.30,250.74）,两者一致性均较好[ICC分别为0.977（0.965, 0.984）、0.989（0.980, 0.994）]。在测试集中进行Bland-Altman一致性分析,结果显示AI模型评估的CACS与标准CACS差值在95%一致性界限内的病例有48例,界限外的只有2例。在训练集和测试集中,AI模型预测的CACS危险度分层与标准CACS危险度分层的一致性均较好（κ值分别为0.895、0.899,均P<0.001）。AI模型预测训练集CACS危险分层的分类准确度为97.1%,其中对高危、中危、低危的分类准确度分别为96.9%、95.1%、100%。AI模型预测测试集CACS危险分层的分类准确度为94.0%,其中对高危、中危、低危的分类准确度分别为100.00%、82.40%、100.00%。AI模型预测测试集CACS危险分层与标准CACS危险分层的差异无统计学意义（Z=2.00,P=0.564）。采用AI模型评估不同CACS危险分层所需时间均较放射科医师少（P<0.001）。 结论 AI模型能够较为准确地评估LDCT平扫的CACS及其危险分层,明显提高工作效率,具有一定的临床应用价值。     

CT ​Evaluation ​by ​Artificial ​Intelligence ​for ​Atherosclerosis,Stenosis and Vascular ​Morphology ​(CLARIFY): ​A ​Multi-center,international study

BackgroundAtherosclerosis evaluation by coronary computed tomography angiography (CCTA) is promising for coronary artery disease (CAD) risk stratification, but time consuming and requires high expertise. Artificial Intelligence (AI) applied to CCTA for comprehensive CAD assessment may overcome these limitations. We hypothesized AI aided analysis allows for rapid, accurate evaluation of vessel morphology and stenosis.MethodsThis was a multi-site study of 232 patients undergoing CCTA. Studies were analyzed by FDA-cleared software service that performs AI-driven coronary artery segmentation and labeling, lumen and vessel wall determination, plaque quantification and characterization with comparison to ground truth of consensus by three L3 readers. CCTAs were analyzed for: % maximal diameter stenosis, plaque volume and composition, presence of high-risk plaque and Coronary Artery Disease Reporting & Data System (CAD-RADS) category.ResultsAI performance was excellent for accuracy, sensitivity, specificity, positive predictive value and negative predictive value as follows: >70% stenosis: 99.7%, 90.9%, 99.8%, 93.3%, 99.9%, respectively; >50% stenosis: 94.8%, 80.0%, 97.0, 80.0%, 97.0%, respectively. Bland-Altman plots depict agreement between expert reader and AI determined maximal diameter stenosis for per-vessel (mean difference −0.8%; 95% CI 13.8% to −15.3%) and per-patient (mean difference −2.3%; 95% CI 15.8% to −20.4%). L3 and AI agreed within one CAD-RADS category in 228/232 (98.3%) exams per-patient and 923/924 (99.9%) vessels on a per-vessel basis. There was a wide range of atherosclerosis in the coronary artery territories assessed by AI when stratified by CAD-RADS distribution.ConclusionsAI-aided approach to CCTA interpretation determines coronary stenosis and CAD-RADS category in close agreement with consensus of L3 expert readers. There was a wide range of atherosclerosis identified through AI.     

The accuracy of coronary CT angiography in patients with coronary calcium score above 1000 Agatston Units: Comparison with quantitative coronary angiography

BackgroundHigh amounts of coronary artery calcium (CAC) pose challenges in interpretation of coronary CT angiography (CCTA). The accuracy of stenosis assessment by CCTA in patients with very extensive CAC is uncertain.MethodsRetrospective study was performed including patients who underwent clinically directed CCTA with CAC score >1000 and invasive coronary angiography within 90 days. Segmental stenosis on CCTA was graded by visual inspection with two-observer consensus using categories of 0%, 1–24%, 25–49%, 50–69%, 70–99%, 100% stenosis, or uninterpretable. Blinded quantitative coronary angiography (QCA) was performed on all segments with stenosis ≥25% by CCTA. The primary outcome was vessel-based agreement between CCTA and QCA, using significant stenosis defined by diameter stenosis ≥70%. Secondary analyses on a per-patient basis and inclusive of uninterpretable segments were performed.Results726 segments with stenosis ≥25% in 346 vessels within 119 patients were analyzed. Median coronary calcium score was 1616 (1221–2118). CCTA identification of QCA-based stenosis resulted in a per-vessel sensitivity of 79%, specificity of 75%, positive predictive value (PPV) of 45%, negative predictive value (NPV) of 93%, and accuracy 76% (68 false positive and 15 false negative). Per-patient analysis had sensitivity 94%, specificity 55%, PPV 63%, NPV 92%, and accuracy 72% (30 false-positive and 3 false-negative). Inclusion of uninterpretable segments had variable effect on sensitivity and specificity, depending on whether they are considered as significant or non-significant stenosis.ConclusionsIn patients with very extensive CAC (>1000 Agatston units), CCTA retained a negative predictive value ​> ​90% to identify lack of significant stenosis on a per-vessel and per-patient level, but frequently overestimated stenosis.     

人工智能在冠状动脉CT血管成像后处理和诊断报告的初步评估

目的 探讨人工智能（AI）在冠状动脉CT血管造影（CCTA）的图像后处理和诊断报告中的应用价值。 方法 选取重庆医科大学附属第三医院于2019年4月至7月就诊的64例疑似冠心病患者,其中男性40例、女性24例,年龄（62.16±14.13）岁。所有患者均行CCTA扫描,按照李克特量表评分标准对原始图像质量进行评分,分别进行人工和AI图像后处理,比较二者的用时及合格率、诊断报告的用时及对冠状动脉斑块的诊断效能。 结果 CCTA扫描后,冠状动脉AI图像后处理的时间约3 min,合格率为92.2%（59/64）;人工后处理的时间为20~30 min。与人工处理相比,冠状动脉AI后处理的图像中冠状动脉管壁更光滑、小分支显示更全面、血管对比更清晰,并且能自动识别冠状动脉狭窄。冠状动脉AI图像的诊断报告在图像重建后即可完成（<1 min）,而人工的诊断报告需15 min左右才能完成。冠状动脉AI与人工对冠状动脉斑块检出的灵敏度几乎一致,分别为93.3%和92.0%;人工诊断报告对斑块检出的特异度达100%,而AI的特异度为93.8%。 结论 冠状动脉AI在图像后处理速度、图像质量及报告诊断的效率方面具有一定优势,有望成为CCTA分析的有效辅助工具。     

基于深度学习的FFRCT在可疑冠心病病人中的应用

目的 探讨基于深度学习的CT血流储备分数（FFR_CT）在可疑冠心病病人中应用的可行性,分析缺血性病变（FFR_CT≤0.80）的预测因素及对治疗决策的影响。方法 回顾性纳入因疑似冠心病行冠状动脉CT血管成像（CCTA）的病人292例,其中男187例,女105例,平均年龄（65.8±10.3）岁。利用CCTA影像将狭窄程度分为轻度 （≥25%且<50%）、中度（≥50%且<70%）和重度（≥70%且<99%）。采用基于深度学习的FFR_CT软件对病人的CCTA数据进行测量。根据FFR_CT数值范围将病人分为阳性组（FFR_CT≤0.80,102例）和阴性组（FFR_CT>0.80,190例）。2组病人的一般资料、CCTA上的血管特征及血运重建,以及基于FFR_CT与CCTA制定的治疗策略的比较采用Mann-Whitney U 检验、t检验及卡方检验。采用Logistic回归分析FFR_CT≤0.80的独立预测因素。结果 阳性组病人的年龄更大,男性更多,高血压、糖尿病和吸烟的比例均高于阴性组（均P<0.05）。阳性组较阴性组病人更多的表现为中重度狭窄（分别为80.4%和28.4%）,更多的病人行血运重建术（分别为56.8%和11.1%）,均P<0.05。74例病人（25.3%）基于FFR_CT的结果治疗决策发生改变。多因素Logsitic回归分析显示,高血压（OR=2.245）、糖尿病（OR=2.238）及中重度狭窄（OR=8.837）是FFR_CT≤0.80的独立预测因素（均P<0.05）。结论 基于深度学习的FFR_CT技术在可疑冠心病病人中的应用是可行的,高血压、糖尿病及中重度狭窄是FFR_CT≤0.80的独立预测因素,FFR_CT可能影响病人的治疗决策。     

第二代双源CT前门控冠状动脉成像与冠状动脉造影比较的初步研究

目的:探讨第二代双源CT前门控冠状动脉成像(CTCA)对冠状动脉狭窄病变的诊断价值。方法:连续44例同期行第二代双源CT前门控CTCA(其中前门控序列扫描35例,前门控大螺距螺旋扫描9例)及选择性冠状动脉造影(SCA)检查的患者,按冠脉病变狭窄程度分为:无狭窄;轻度狭窄(狭窄≤50%);中度狭窄(狭窄50%～75%);重度狭窄(狭窄≥75%);闭塞(狭窄100%),将中度及中度以上狭窄定义为有意义狭窄。以SCA为金标准,分析第二代双源CT前门控CTCA诊断冠状动脉狭窄的敏感性、特异性、阳性和阴性预测值及准确度,同时计算第二代双源CT前门控CTCA的辐射剂量。结果:44例患者冠脉直径2mm以上的节段共570个,其中12段图像质量较差,无法评估,可评估节段占97.89%。第二代双源CT前门控CTCA按冠脉节段计算,诊断冠状动脉狭窄的敏感度、特异度、阳性和阴性预测值、准确度分别为90.18%、93.05%、76.52%、97.42%、92.47%,诊断冠状动脉有意义狭窄的敏感度、特异度、阳性和阴性预测值、准确度分别为90.14%、95.69%、75.29%、98.52%、94.98%。第二代双源CT前门控CTCA与SCA比较对冠状动脉狭窄评价的差异无统计学意义(χ2=2.10,P>0.05),对冠状动脉有意义狭窄评价的差异无统计学意义(χ2=1.46,P>0.05)。第二代双源CT前门控CT-CA的平均辐射剂量为(3.36±1.59)mSv,其中前门控序列扫描的平均辐射剂量为(3.99±1.18)mSv,前门控大螺距螺旋扫描的平均辐射剂量为(1.11±0.44)mSv。结论:第二代双源CT前门控成像对诊断冠状动脉狭窄的准确度稍低于SCA,但其阴性预测值较高,同时其辐射剂量较低,可作为临床冠心病筛查的无创性检查手段。     

基于冠状动脉CT血管成像定量钙化负荷的可行性研究

目的 探讨冠状动脉CT血管成像（CCTA）一站式计算冠状动脉钙化积分（CCTA-CS）和体积积分（CCTA-VS）的可行性,并分析其与心电门控CT平扫测得标准积分（CACS、VS）的相关性。 方法 本研究回顾性连续纳入1 075例受试者,男447例,女628例,平均年龄（56.79±9.49）岁。全部受试者均行包括门控CT平扫和CCTA的常规冠状动脉CT检查,测量CACS、VS、CCTA-CS和CCTA-VS。选择CACS与CCTA-CS均不为0的影像数据进行分析。采用组内相关系数（ICC）评估2名观察者间及观察者内测量CCTA-CS和CCTA-VS的一致性。采用线性相关分析与Bland-Altman检验分析CCTA与门控CT平扫所测评分的相关性与一致性。根据CACS对受试者进行心血管病危险度分层,并采用Kruskal-Wallis H检验比较多组间的CCTA-CS与CCTA-VS。采用二元Logistic回归分析影响钙化积分的危险因素。采用独立样本t检验比较CCTA和常规冠状动脉CT检查的有效辐射剂量（ED）。 结果 CACS和CCTA-CS不为0的受试者共437例。2名观察者间和观察者内测量的CCTA-CS和CCTA-VS的一致性均较好（均ICC>0.960）。CCTA-CS与CACS、CCTA-VS与VS均呈较好的正相关（r²=0.98、0.96,均P<0.05）。Bland-Altman检验结果显示CCTA与门控CT平扫所测评分间的一致性较高。不同危险分层病人的CCTA-CS和CCTA-VS差异均有统计学意义（均P<0.05）。Logistic回归分析显示高血压、糖尿病、高脂血症、吸烟史、脑血管病均为CACS、CCTA-CS的危险因素。CCTA检查的ED低于常规冠状动脉CT检查,Flash扫描可减少21.2%,Sequence扫描可减少18.6%。 结论 CCTA一站式测量可以精确定量钙化,测得的CCTA-CS、CCTA-VS与标准积分有较好的相关性,且能有效降低辐射剂量。     

Calcification remodeling index assessed by cardiac CT predicts severe coronary stenosis in lesions with moderate to severe calcification

ObjectivesTo assess the diagnostic performance of the calcification remodeling index (RI) as assessed by coronary computed tomography angiography (coronary CTA) to predict the presence of severe coronary stenosis in atherosclerotic coronary lesions with moderate to severe calcification.MethodsPatients who underwent coronary CTA and invasive coronary angiography (ICA) within one month and had moderately to severely calcified lesions as revealed by coronary CTA, were retrospectively included. The calcification RI was calculated as the ratio of the cross-sectional lumen area (with inclusion of calcium area) of the most severely calcified site to the proximal reference lumen area. Other parameters, such as the calcium volume, regional Agatston score, calcification length, involved calcium arc quadrants and CTA-assessed diameter stenosis, were also recorded. A multivariate model was used to identify the variables that predict the presence of severe coronary stenosis (diameter stenosis ≧ 70%) as determined by ICA.Results422 patients with 629 lesions were finally included in the study. Lesions with severe stenoses as determined by ICA tended to have larger calcium volumes, regional Agatston scores, CTA-assessed diameter stenoses, longer calcium length, more involved calcium arc quadrants and a significantly smaller calcification remodeling index. ROC curve analysis determined the best cutoff value of the calcification RI as 0.94 (AUC = 0.816, p < 0.001), which yielded highest diagnostic accuracy (83.3%, 524/629) to identify severe coronary stenosis. Among all parameters, calcification RI ≦0.94 is the strongest independent predictor (odds ratio: 17.5, p < 0.001) of severe coronary stenosis.ConclusionsWith an optimalcut-off value of 0.94, calcification RI is the strongest independent predictor of severe coronary stenosis in calcified coronary atherosclerotic lesions.     

基于冠状动脉周围脂肪组织影像组学特征及神经网络模型预测冠状动脉狭窄血流动力学严重程度

目的 评估基于神经网络方法构建的预测模型能否精准评估冠状动脉狭窄的血流动力学严重程度（缺血或不缺血）。 方法 回顾性收集行冠状动脉CT血管成像（CCTA）及有创冠状动脉造影的血流储备分数（FFR）测量的92例冠状动脉疾病病人的临床及影像资料,其中男66例,女26例;平均年龄（58.3±10.3）岁。共纳入122支冠状动脉血管。依据FFR值将122支冠状动脉血管分为2组,即狭窄组（FFR≤0.8,68支）和非狭窄组（FFR>0.8,54支）。基于CCTA影像数据,选取冠状动脉周围脂肪组织（PCAT）区域的468个影像组学特征进行分析。构建3种冠状动脉狭窄预测模型,包括神经网络模型、传统统计学模型和最小绝对值收敛与选择算子模型。采用受试者操作特征曲线下面积（AUC）评估3种模型预测冠状动脉狭窄的性能。采用Pearson相关分析神经网络特征、原始影像组学特征与真实标签的相关性。采用独立样本t检验比较2组的影像组学特征。 结果 3种预测模型中,神经网络模型的预测效能最高,其准确度、敏感度、特异度和AUC分别为81.19%、81.23%、81.16%和0.781 3（0.773 8~0.788 8）。神经网络特征与真实冠状动脉狭窄标签的相关性[最大绝对相关系数（r_最大）=0.683 8,P<0.001,平均绝对相关系数（r_平均）=0.261 1]高于原始影像组学特征与真实标签的相关性（r_最大=0.238 9,P=0.008和r_平均=0.090 5）。狭窄组的W6_surface_area高于非狭窄组,而W6_Auto Correlation_mean低于非狭窄组（均P<0.05）,其余特征差异均无统计学意义（均P>0.05）。 结论 以影像组学特征为输入的神经网络模型可以很好地预测冠状动脉狭窄,其中10个PCAT区域影像组学特征或许在预测冠状动脉狭窄的血流动力学方面具有重要意义。