基于深度学习的冠状动脉CTA自动后处理技术诊断冠心病的价值研究OACSTPCD

目的 探讨一种基于深度学习(deep learning,DL)的冠状动脉CT血管成像(coronary computed tomography angiography,CCTA)人工智能(artificial intelligence,AI)辅助诊断系统诊断冠心病(coronary artery disease,CAD)的临床价值。方法 回顾性分析4周内先后完成CCTA和侵入性冠状动脉血管造影(coronary angiography,CAG)检查的69例患者,共462个冠状动脉近端血管节段。比较AI辅助诊断技术和CCTA人工分析影像数据所用时间。分别在患者水平、血管节段水平评估AI和CCTA对CAD的诊断效能;在各血管节段水平对AI、CCTA诊断结果进行误差分析。结果 AI耗时明显低于CCTA[(5.5±0.9) min vs(14.2±1.8) min]。在患者水平和总血管节段水平,AI识别显著狭窄(狭窄程度≥50%)的灵敏度分别为97.9%、79.6%,阴性预测值分别为90.9%、93.2%,准确性分别为82.6%、80.5%;CCTA识别显著狭窄的灵敏度分别为96.6%、85.9%,阴性预测值分别为81.8%、92.9%,准确性分别为94.2%、91.6%;CCTA识别显著狭窄的准确性较高,AUC分别为0.984(95%CI:0.959~1.000)、0.960(95%CI:0.942~0.977),与CAG差异无统计学意义(均P>0.05);AI识别显著狭窄有一定准确性,AUC分别为0.864(95%CI:0.748~0.979)、0.823(95%CI:0.780~0.865),与CAG差异有统计学意义(均P<0.05)。在各血管节段水平,AI检测显著狭窄的准确性分别为89.9%、78.3%、92.8%、69.6%、60.9%、88.4%、85.4%。对于钙化斑块、混合斑块、非钙化斑块、心肌桥及血管解剖异常,AI分别漏诊11、20、29、7、2段,误诊7、3、5、1、5段;CCTA分别漏诊2、5、6、2、2段,误诊9、3、4、4、2段。结论 基于DL的CCTA自动后处理技术能高效完成CCTA数据分析,有较高的CAD诊断效能,具有成为临床诊断CAD辅助工具的潜力。而人机结合可能有望进一步提高CAD的诊断效能。