摘要
引言： 本研究开发并验证了一种基于深度学习的框架，用于在曲面多平面重建（cMPR）图像中检测和量化冠状动脉狭窄、易损斑块和钙化，以支持冠状动脉疾病（CAD）的临床决策。
方法： 我们分析了2014年至2022年间的1715名患者（5112根血管）。每根血管被重建为一个包含13个连续横断面的cMPR扫描。利用2D nnU-Net框架，我们开发了狭窄分割模型（SSM）和易损斑块分割模型（VPSM）。使用时间独立的测试集（n=824名患者，2437根血管）进行无偏评估。性能通过Dice相似系数（DSC）、阳性预测值（PPV）和阴性预测值（NPV）评估。对于狭窄量化，采用了平均绝对误差（MAE）和Bland–Altman分析。
结果： SSM在血管水平实现了0.84的灵敏度和0.98的高NPV。直径狭窄的MAE为12.4%，Bland–Altman分析显示平均偏倚+1.2%，表明与专家参考标准在整个测试谱上具有稳健的一致性。对于易损斑块检测，VPSM在切片水平实现了0.80的灵敏度和0.97的NPV。钙化评估显示出高组内相关系数（ICC=0.84）和与专家视觉评分的实质性一致性（Kappa=0.76）。
结论： 所提出的自动化分析显示出高诊断可靠性，尤其在其阴性预测能力方面，使其成为CAD筛查的有力非侵入性工具。通过提供狭窄、钙化和易损斑块的客观量化，该方法为临床环境中标准化的cMPR评估提供了显著进展。
1 引言
冠状动脉疾病（CAD）是一个突出的全球健康挑战，其有效及时的诊断对于预防严重心脏事件至关重要（Knuuti等人，2020）。横断面冠状动脉计算机断层扫描血管成像（CCTA）作为一种非侵入性诊断工具的出现，标志着CAD检测的重大进展（Abdelrahman等人，2020）。尽管CCTA被广泛采用，但其图像分析需要相当的专业知识，且耗时且存在个体解读差异。这些挑战凸显了对更可靠、更精确的基于CCTA的CAD评估方法的需求。
深度学习（DL）技术在医学图像分析中的应用为解决这些挑战开辟了新领域。DL作为人工智能（AI）的一个分支，在从大数据集中解读复杂模式方面展现出卓越能力，其应用涵盖计算机视觉、自然语言处理，尤其是医学图像分析，极大地革新了诊断流程（LeCun等人，2015）。在心血管医学中，基于DL的模型通过高精度高效地检测狭窄、钙化和易损斑块，显著促进了CAD的预测和诊断，增强了CCTA图像解读的效果。这一新兴研究领域对于转变心脏诊断实践至关重要。
尽管CCTA有诸多益处，但其临床应用受到辐射暴露、造影剂使用以及分析过程繁琐等因素的限制。此外，临床医生通常更喜欢曲面多平面重建（cMPR）来直观显示冠状动脉，尽管其诊断深度不如CCTA。因此，开发一种能够利用cMPR图像分析主要CAD特征的专业筛查工具势在必行。这种工具可以促进对CCTA扫描中CAD严重程度和风险的快速简便评估。
1.1 相关工作
在利用CCTA诊断CAD领域，已有大量研究。Kirişli等人（2013）开发了一个公开可用的冠状动脉狭窄检测和量化评估框架，发现11种狭窄算法在临床实践中不够可靠，其根本限制来自CTA成像的约束，包括钙化晕状伪影、运动相关血管壁模糊以及对比增强异质性。这些技术挑战导致所有评估方法均出现高假阳性率和不一致的狭窄量化。此外，近期一些研究在CCTA钙化评分中应用了深度学习技术。van Velzen等人（2020）提出了一种用于CCTA钙化评分的深度学习模型，结果令人鼓舞。同样，Covas等人（2022）报道了DL在心脏冠状动脉粥样硬化成像方面的改进。另外，Yamada等人（2022）研究了超高分辨率CTA与常规CTA在冠状动脉狭窄分级定量评估中的比较。Lipkin等人（2022）以侵入性血管造影为参考标准，比较了AI-QCT解读与心肌灌注成像在检测阻塞性狭窄方面的准确性。Griffin等人（2023）使用一系列经过验证的卷积神经网络，对CCTA图像进行AI引导的冠状动脉分割、管壁评估和斑块特征分析。研究人群包括来自全球23个中心的不同稳定胸痛患者，均接受了CCTA及定量冠状动脉造影、负荷试验和血流储备分数检查。结果显示，对于≥70%狭窄，准确率为86%，灵敏度为94%，特异度为82%。类似地，Choi等人（2021）使用经过验证的卷积神经网络，对来自三个国际中心的急性和稳定胸痛患者人群进行AI引导的CCTA图像评估，结果显示对于≥70%狭窄，准确率为99.7%，灵敏度为90.9%，特异度为99.8%。总体而言，这些研究突出了AI和DL在利用CCTA诊断CAD方面的开创性进展和高潜力，其准确性和预测能力优于传统诊断方法。
近期基于Transformer架构的进展在冠状动脉分析中展现出优越性能。Wang等人（2023）提出了DR-LCT-UNet，结合密集残差模块与局部上下文Transformer，Dice系数达到85.8%，显著优于基线方法。Gerbasi等人（2024）开发了首个多轴视觉Transformer（MA-ViT）用于自动化CAD-RADS评分，在无需细致成像标签的情况下，从患者级标注中学习，AUC达0.87–0.93。商业AI系统已取得显著的临床验证。HeartFlow REVEALPLAQUE系统在15个中心258名患者中与IVUS测量的一致性达95%，获得FDA批准和Medicare覆盖批准。类似地，Cleerly AI-QCT系统在57%的患者中引起了临床管理变化，并获得了多项FDA突破性设备认定。Lin等人（2022）在《柳叶刀-数字健康》上发表了最全面的国际研究，对≥70%狭窄的检测达到了100%的患者水平灵敏度和97.5%的特异度。然而，这些高性能系统通常需要大量的计算资源和全面的CCTA分析，限制了其在资源受限临床环境中的可及性。
1.2 主要贡献
本研究的主要贡献在于实现了一种新颖、计算高效的基于cMPR的框架，用于定位和量化冠状动脉狭窄。高端AI-QCT系统提供广泛分析，但通常需要大量的计算开销。我们的方法通过利用临床医生偏爱的cMPR图像格式，提供快速、客观的主要CAD特征筛查，从而优化临床工作流程。
关键贡献包括：
1.2.1 稳健的狭窄量化
我们引入了一种方法，可计算狭窄回归指数（SRI）和病变长度，覆盖整个临床谱，MAE为12.4%，无需有偏数据筛选。
1.2.2 临床验证的可靠性
我们的钙化评分辅助工具经过五名心脏病专家验证，组内相关系数（ICC）为0.84，表明“优秀”的评分者间一致性。
1.2.3 高筛查效用
通过优先考虑阴性预测值（NPV为0.98），我们的模型可靠地排除显著CAD，使其成为资源受限或高通量临床环境中的理想筛查工具。
1.2.4 斑块特征分析
我们推进了一个能够区分易损斑块与正常节段的模型，增强了基于cMPR的筛查诊断深度。
2 方法
2.1 数据集
本节描述了构建来自诊断为狭窄和易损斑块患者的横断面CT图像数据集所采用的方法，并说明了狭窄严重程度、易损斑块和钙化的金标准标签的创建过程。涉及人类参与者的研究已获得韩国天主教大学医学院大田圣玛丽医院机构审查委员会的批准（IRB编号：DC20RNSI0072）。研究按照当地法律和机构要求进行。所有患者数据均严格保密并以匿名方式分析，研究方法符合赫尔辛基宣言原则。
2.1.1 数据集定义与研究人群
为确保报告的一致性，我们将数据分为四个层级：患者、血管、cMPR扫描和图像切片（表1）。共纳入2014年4月至2022年2月期间韩国大田圣玛丽医院的1715名患者，每位患者提供最多三条主要冠状动脉（LAD、LCX、RCA）。对于每根血管，使用TeraRecon公司的CT心脏软件包生成单个曲面多平面重建（cMPR）扫描，并进一步离散为13个连续的横断面切片用于深度学习分析。数据集按检查年份采用时间独立的方式分为开发集（训练和验证）和测试集（2014–2020年用于开发；2021–2022年用于测试）。在开发集内，我们实施严格的4:1患者级分离，确保同一患者的切片不会同时出现在训练和验证子集中，从而防止数据泄漏。各层级和子集的具体分布总结于表2。
表1 规范数据集定义与分析单位。
表2 详细数据集划分，含患者级分离。
纳入标准：（1）年龄18–75岁；（2）有冠状动脉疾病或心肌梗死病史；（3）无cMPR禁忌症。排除标准：（1）因运动伪影、钙化或对比增强不足导致图像质量受损；（2）有冠脉搭桥术或支架植入史。流程包括以下步骤：
- 从经血管造影诊断为狭窄和易损斑块并接受横断面CT的患者获取cMPR数据。
- 狭窄严重程度的标注仅限于显示超过40%狭窄的病变，并在图像上应用对应的金标准掩膜。
- 易损斑块的确认通过血管造影，随后在图像上标记感兴趣区域。
- 由于缺乏钙化的金标准标签，由三名经验丰富的心脏外科医生对每张图像的钙化评分进行视觉评估，并基于此评分评估最终报告的临床效用。
图1概述了本研究用于冠状动脉疾病研究的患者入组和数据准备过程，详细展示了从初始患者纳入到创建用于训练和测试检测狭窄及易损斑块模型的数据集的工作流程。在2014年4月1日至2022年2月28日期间，本研究连续纳入了1715名有心绞痛症状的患者。从中提取了5145根血管进行分析，包括右冠状动脉（RCA）、左前降支（LAD）和左旋支（LCX）。然而，由于各种原因排除了33例，包括19例支架患者、11例图像模糊、1例切片缺失和2例文件错误。剩余数据集包括来自1704名患者的5112根血管。该数据集随后被分为狭窄数据集和易损斑块数据集，每个数据集进一步分为训练、验证和测试子集。具体而言，数据集标准化为1704名患者（5112根血管）。虽然初步调优使用了500个扫描的试点子集，但本文报告的所有最终结果均使用完整的重整数据集：2140根血管用于训练，535根用于验证，2437根用于独立测试集（表2）。测试集根据时间进行分离，以确保模型在不同时间段内的性能，并评估预测模型的时域泛化能力。
图1 本研究的患者入组流程。测试数据集来自同一中心，但按时间独立构建。入组流程从最初的患者群体开始，然后根据特定标准进行排除，最终确定研究中纳入的参与者人数。
2.2 冠状动脉分析工作流程
工作流程分为三个任务，组织方式如图2所示。包含独立的分割部分，用于分割血管并找到相应的病变。三个任务各自采用的方法按顺序列出。
图2 冠状动脉分析模型的工作流程，包括分割、预处理、量化（用于狭窄识别）、钙化评分和易损斑块诊断的集成。
一个结构化的工作流程，用于应用深度学习模型分析cMPR图像以检测和量化冠状动脉状况。流程从使用模型分割血管和狭窄以及分割血管和斑块开始。后续的后处理包括通过定义中心线和去除任何无关子分支来细化狭窄分割，为钙化检测汇集标签，以及去除小斑块簇以增强易损斑块检测的准确性。量化涉及沿切线中心线测量宽度（用于狭窄）和使用亨氏单位阈值（用于钙化），然后进行像素计数。该工作流程的最终成果是狭窄的精确检测和量化、钙化评估以及易损斑块的识别，共同旨在增强其临床诊断能力。
2.2.1 血管分割模型
为了改善cMPR图像中血管、狭窄、钙化和易损斑块的识别，我们开发了两个基于深度学习的血管分割模型。我们使用2D nnU-Net框架（Wang等人，2023）构建血管分割模型。选择nnU-Net框架是基于其在医学图像分割任务中表现出的优越性以及其自配置特性，能够自动优化预处理、网络架构和训练过程（Isensee等人，2021，Nature Methods）。该架构在多种医学成像应用中表现出一致的性能，使其特别适合我们的多任务（狭窄和易损斑块分割）方法。该框架自动配置了一个带有编码器-解码器结构的U-Net架构，利用残差连接和深度监督实现最佳分割性能。第一个分割模型是狭窄分割模型（SSM），用于分割血管和狭窄。SSM通过复杂的深度学习算法在cMPR图像中勾勒血管壁。基于SSM的分割结果，我们采用了一种技术来识别血管直径的急剧变化，提示存在狭窄。SSM也被用作钙化分析的血管分割模型。第二个模型是易损斑块分割模型（VPSM），用于分割血管和易损斑块。该模型旨在检测cMPR图像中难以通过CCTA检测的易损斑块。我们通过一系列指标评估这些分割模型的有效性，包括像素级的准确率、Dice相似系数（DSC）、灵敏度和特异度。
2.2.2 狭窄检测与量化
为了对CCTA图像进行详细分析，我们利用SSM来勾勒和测量冠状动脉及任何存在的狭窄。SSM是一个复杂的全卷积神经网络，设计用于处理二维输入的CCTA图像，并生成三维分割图。对于冠状动脉评估，我们采用了针对横断面分析优化的2D nnU-Net架构。该模型接收单个2D cMPR切片（512×512像素）作为离散输入，而非体数据。为了将这些2D预测与血管的纵向结构相协调，来自每根血管13个连续切片的2D分割掩膜被正交堆叠，重建出动脉管腔和斑块的伪三维表示。这种方法确保了每个切片内的高分辨率特征提取，同时保持整个血管节段的可解释性。最终定量指标，包括直径狭窄和病变长度，从重建的序列中得出，有效地弥合了基于2D切片的推断与3D临床评估之间的差距。该网络在一个包含2140根血管（cMPR扫描；每根血管13个切片）的大型数据集上进行了严格训练，这些数据由一名心脏病专家收集并仔细标注。535根血管的验证集用于模型选择和调优。这个多样且全面的训练集确保了模型能够准确解读广泛的图像表现，考虑到患者解剖结构和图像质量的变化。
为了全面评估SSM的性能和可靠性，我们使用一个包含2437根血管的独立测试集（时间独立测试集）进行了评估。SSM分割能力的有效性通过一套全面的无偏度量指标：(1) Dice相似系数（DSC），用于衡量模型输出与金标准标注之间的空间重叠；(2) 灵敏度和特异度，用于评估狭窄病变的检测能力；(3) 阳性预测值（PPV）和阴性预测值（NPV），用于评估模型在筛查场景中的临床可靠性。我们特别优先关注NPV和PPV而非总体准确率，因为在医学影像中，由于狭窄血管与大量背景之间存在类别不平衡，准确率可能具有误导性。此外，对于狭窄的量化，我们采用平均绝对误差（MAE）和Bland–Altman分析，在完整未筛选的测试集上评估模型预测的SRI与专家测量值之间的一致性。
以下是狭窄检测与量化过程的具体展示（图3）。第一步是利用SSM执行狭窄分割，勾画出正常血管区域和狭窄区域。然后对血管和狭窄的分割掩膜进行后处理，以细化分割结果。该后处理步骤移除了大小为100像素或更小的正常血管和狭窄簇，以消除分割掩膜中的不完善之处。我们的统计分析表明，SSM识别出的簇中，不到5%的大于100像素。后处理后，第二步为狭窄回归定义了各种长度，即根据SSM分割出的狭窄长度定义近端和远端节段。第三步，我们对SSM产生的分割掩膜应用骨架化方法（Zhou和Toga，1999），从而能够沿着骨架估算狭窄的长度。我们通过沿骨架化曲线追踪正常长度，计算血管厚度变化作为半高全宽（FWHM）（Varma等人，2004）。该方法使我们能够确定心脏血管的相对直径，如图3过程3所示。对于狭窄病变，我们提取最小值，而对于近端和远端区域，我们使用中位数作为代表性测量值。第四步涉及冠状动脉狭窄的量化，包括狭窄严重程度评估和诊断。我们计算狭窄严重程度为血管狭窄百分比，使用图3底部显示的公式。
图3 狭窄评估定量测量工作流程，包括近端和远端区域的相对血管直径（RVD）、最小管腔直径（MLD）和病变长度。
我们已将狭窄检测和分类逻辑标准化，以符合CAD-RADS™ 2.0指南，确保临床一致性如下：
- 0类（记录无疾病）：0%狭窄（无可见斑块或管腔狭窄）。
- 1类（极轻微）：1–24%狭窄（极轻微狭窄，斑块不显著）。
- 2类（轻度）：25–49%狭窄（轻度狭窄；预计无功能意义）。
- 3类（中度）：50–69%狭窄（中度狭窄；潜在缺血阈值，常需功能评估）。
- 4类（重度）：
- 4A：1或2根血管70–99%狭窄。
- 4B：左主干狭窄>50%或三支血管阻塞性疾病（≥70%）。
- 5类（闭塞）：100%狭窄（完全血管闭塞）。
本研究中，我们特别关注AI区分非阻塞性（0–2类）和阻塞性（3–5类）疾病的能力，这是临床分诊中最关键的决策点。如果患者至少有一处狭窄严重程度≥50%，则诊断为显著CAD。我们将我们的诊断与心脏病专家使用专用软件审阅CCTA图像后做出的金标准诊断进行比较。我们使用相关系数、准确率、灵敏度和特异度评估了我们的方法在CAD-RADS分类中的性能。
2.2.3 钙化检测与量化
本研究的重点之一是定义和量化钙化评分（CS），这是评估CAD风险的关键冠状动脉钙化指标。利用cMPR技术获取详细的心脏CT图像，我们应用先前开发的SSM来分离这些图像中的血管区域。CS通过计数CT衰减值超过2100 HU的体素来确定，该阈值是基于其在训练数据集中区分钙化区域的判别能力而精心选择的。CS的量化表示为相对于血管区域内总体素数的百分比，从而提供钙化程度的综合度量（见图4）。
图4 冠状动脉钙化（CAC）量化工作流程。
为了增强CS评估的稳健性，我们纳入了双重评估方法。首先，CS由经验超过15年的心脏病专家进行视觉评估，根据钙化程度和严重程度分配0到10的评分。由于CS缺乏明确的金标准，该评分系统虽为主观，但提供了有价值的定性评估。其次，采用二元阈值方法，使用从钙化患者图像直方图分析中确定的特定HU值。这种方法提供了更客观、可重复的钙化测量。这两种方法共同建立了评估冠状动脉钙化的综合框架，显著促进了我们对CAD的理解和诊断。
2.2.4 易损斑块检测
在CAD诊断中，识别易损斑块至关重要，因为它们可能引发急性心脏事件。为满足这一关键需求，我们的方法包括对每根冠状动脉中是否存在易损斑块进行严格评估。为了建立细致的易损斑块参考标准，我们采用了基于已确立的CCTA衍生高危斑块（HRP）特征的多参数方法。如果斑块具备以下四个标准中的至少两个，则标记为“易损”：（1）低衰减斑块（LAP < 30 HU），（2）正性重构（重构指数 > 1.1），（3）餐巾环征，（4）点状钙化（Motoyama等人，2007；Motoyama等人，2015；Ferencik等人，2018；Cury等人，2022）。标注程序由一名经验超过10年的心脏病专家进行。该专家在cMPR图像上手动标注感兴趣区域（ROI），同时对照官方侵入性冠状动脉造影（ICA）报告进行交叉验证，以确保临床相关性。虽然ICA主要评估管腔狭窄，但ICA中记录的复杂病变或充盈缺损被用作cMPR上易损斑块标签的辅助支持。这种严格的标注过程确保我们的模型瞄准临床上有意义的不稳定形态斑块。
这一过程通过开发并训练VPSM得以实现，该模型旨在区分正常冠状动脉和含有易损斑块的冠状动脉。VPSM的效果通过关键诊断指标进行定量评估，特别关注其灵敏度和特异度。这些指标针对每根冠状动脉进行细致计算，提供了模型准确识别易损斑块能力的详细评估，这对于风险分层和后续临床决策至关重要。
为验证模型的稳健性，我们在一个包含2437份血管造影的数据集上进行了广泛测试，每个样本都经过血管和狭窄的金标准数据细致标注。我们基于四个关键指标评估模型性能：准确率、DSC、灵敏度和特异度。这些指标共同提供了模型性能的全面概览，涵盖其精确性、斑块检测的可靠性以及最小化假阳性和假阴性的能力——这些都是临床诊断中的关键因素（见图5）。
图5 易损斑块检测工作流程，利用VPSM并在后处理后可视化检测到的易损斑块。
2.2.5 报告生成
开发并评估了一个基于规则的cMPR图像报告生成器。该报告生成器能够从cMPR图像中提取信息，并向临床医生提供关于狭窄、易损斑块和钙化的有用信息（图6）。本研究使用测试数据集中的100张cMPR图像作为刺激材料。这些图像经过匿名处理，包含不同程度的狭窄、易损斑块和钙化。我们还开发了一个基于规则的读数生成器，能够使用图像处理技术从cMPR图像中提取信息，并基于预定义模板生成读数。该报告生成器提供关于每个冠状动脉节段中狭窄的位置、严重程度和长度，以及易损斑块和钙化的信息。
图6 由所提方法生成的示例报告，显示冠状动脉状态，包括钙化斑块、钙化评分量化和易损斑块评估。
2.2.6 训练配置
数据集根据采集年份（时间独立分割）分为开发集和测试集。在开发集内，我们维持严格的4:1患者级比例进行训练和验证，以防止同一患者切片间的数据泄漏（表2）。训练采用标准交叉验证，训练与验证比例为4:1。数据增强包括随机旋转、缩放、弹性变形和强度变化，以增强模型泛化能力。模型在1000个epoch内收敛，并在验证损失平台期触发早停。使用时间独立的测试数据集来确保预测模型的时域泛化能力。
3 结果
3.1 分割模型
SSM和VPSM在识别血管结构和病变方面的比较效果关键见解总结于表3。鉴于冠状动脉成像中固有的类别不平衡（背景像素数量远超血管/病变像素），我们优先使用DSC、PPV和NPV等无偏指标，而非总体准确率。SSM的NPV达到0.98，确认了其在排除非狭窄节段方面的高度可靠性，这对于临床筛查至关重要。虽然两个模型都保持了高特异度（反映其排除非血管背景像素的能力），但它们在病变分割方面的表现有所不同。SSM专注于狭窄检测，其DSC（0.67）和灵敏度（0.82）略低于VPSM的斑块检测。这种差异可能源于狭窄病变的不规则和弥漫性特性，常与血管壁融合。相反，VPSM在斑块检测方面灵敏度为0.80，但其DSC（0.56）反映了易损斑块异质形态和可变大小带来的挑战。
表3 基于无偏指标的逐切片分割性能。*所有指标均使用完整独立测试集（n=824名患者）计算，未进行任何基于阈值的筛选以确保无偏评估。灵敏度、特异度、PPV和NPV的95%置信区间采用Clopper-Pearson（精确）法计算，DSC的CI使用非参数自助法（1000次迭代）估计。虽然Dice相似系数（DSC）反映了血管/斑块与背景之间的固有类别不平衡，但高阴性预测值（NPV）证明了模型识别正常节段的可靠性。SSM：狭窄分割模型；VPSM：易损斑块分割模型；DSC：Dice相似系数；PPV：阳性预测值；NPV：阴性预测值；CI：置信区间。
3.2 狭窄检测与量化
我们框架用于狭窄分类的诊断性能使用时间独立测试集（n=2437根血管）进行评估，参考标准由CCTA和侵入性冠状动脉造影共同建立。为提供严格且无偏的评估，我们报告了完整测试集上的所有指标，未排除任何检测失败或假阳性病例。总结于表4，在≥50%狭窄阈值下，我们的模型灵敏度为0.84，特异度为0.98。值得注意的是，阴性预测值（NPV）为0.98，证实了该系统作为临床筛查工具排除显著CAD的可靠性。我们现已将重点转向PPV（0.79）和NPV（0.98），以准确反映冠状动脉成像固有类别不平衡下的性能。对于定量狭窄回归，我们对整个测试谱进行了全面分析（图7）。我们评估了完整数据集（包括假阴性，n=63）的一致性，而非仅分析成功检测到的病变。直径狭窄的MAE为12.4%。Bland–Altman分析（图7）显示平均偏倚+1.2%，95%一致性界限为-15.4%至+17.8%，表明在不同狭窄严重程度之间具有强一致性。图8显示了自动化分析工作流程：（a）原始cMPR图像，（b）SSM衍生的分割掩膜，红色骨架定义血管中心线，（c）直径轮廓图。直径轮廓图有效地将2D切片级预测与临床评估连接起来，识别最大狭窄处（红框）以进行狭窄量化。这些无偏指标提供了模型在真实场景中精度的更透明、更适用于临床的评估（见图9）。
表4 使用cMPR基于无偏指标的每根血管狭窄检测结果。*在无偏测试集（n=2437根血管）上评估性能。血管阳性定义为其任何组成切片被预测为显著狭窄。PPV：阳性预测值；NPV：阴性预测值；CI：置信区间。
图7 狭窄回归的无过滤定量评估。Bland–Altman图显示AI预测的直径狭窄与专家参考标准在完整独立测试集（n=63）上的一致性。实线表示平均偏倚+1.2%，虚线表示95%一致性界限（-15.4%至+17.8%）。数据点分布显示在所有狭窄严重程度水平上性能稳健。平均绝对误差（MAE）分布。总体MAE为12.4%，反映了临床可接受的筛查精度。这些结果代表了无偏数据集上的端到端临床性能，包含所有节段，未进行任何阈值筛选或排除检测失败。
图8 基于SSM的狭窄分析示例。（a）原始图像，（b）分割和骨架化结果，（c）通过沿骨架计算血管厚度量化狭窄的结果。
图9 狭窄长度量化结果，显示测量值与预测值之间存在中度正相关（R²=0.4033）。*基于完整未筛选数据集计算。
3.3 钙化检测与量化
血管钙化的量化是评估冠状动脉疾病风险的关键组成部分。我们的方法通过计算SSM分割的血管空间内钙化体素的百分比来确定钙化评分（CS）。为验证该自动化方法的临床相关性，使用100个随机选取的cMPR病例进行了严格评估。通过两个主要验证步骤评估CS方法的有效性。首先，为评估评分者间信度，钙化评分由五名经验丰富的心脏病专家使用10分Likert量表（0：效用差，10：效用极好）独立审阅。心脏病专家给出的平均评分分别为7.15、7.24、7.36、7.35和7.29，总体平均值为7。五名心脏病专家给出的平均评分分别为7.15、7.24、7.36、7.35和7.29，总体平均值为7.28±2.29。视觉评分的组内相关系数（ICC）为0.84（95% CI: 0.78-0.89），表明专家间具有“优秀”的一致性，并强化了生成报告的临床实用性。其次，我们评估了自动化二元阈值法（2100 HU）与专家对显著钙化的视觉识别之间的一致性。该分析得出Cohen's Kappa系数为0.76，表示具有实质性一致性。这些结果表明，我们的自动化钙化评分提供了可靠且具有临床意义的数据，证明了其在标准化CAD临床筛查中广泛应用的强大潜力（见表5）。
表5 钙化评估的评分者间信度与验证。*组内相关系数（ICC）在五名独立心脏病专家之间计算。2100 HU阈值与专家视觉评分共识进行验证。
3.4 易损斑块检测
VPSM用于识别易损斑块的诊断性能总结于表6。为确保全面评估，评估在患者水平和血管水平两个层面进行。在患者水平，模型灵敏度为0.93，特异度为0.91，表明其识别高危斑块特征患者的能力很强。这种高灵敏度在临床筛查中尤为关键，以确保具有潜在不稳定病变的患者不会被遗漏。此外，为解决斑块分布中固有的类别不平衡，我们评估了阴性预测值（NPV），达到0.97，表明该系统在筛查人群中能够可靠地排除易损斑块的存在。在血管水平，该方法保持了稳健的性能，灵敏度为0.85，特异度为0.78。虽然血管水平的指标略低于患者水平，但这表明模型具备定位冠状动脉树内特定高危节段的能力。为提供无偏评估，我们还纳入了各级别的PPV和NPV（表6）。这些结果强调了VPSM作为可靠诊断辅助工具的潜力。通过在患者和血管水平均实现高灵敏度和高NPV，所提出的方法为冠状动脉疾病的风险分层和靶向管理提供了一种临床可行的方案。
表6 每名患者和每根血管的易损斑块分类性能。*VPSM用于易损斑块检测的诊断性能。为确保无偏评估，所有性能指标均在完整独立测试集上计算，未排除任何假阳性或假阴性病例。除标准灵敏度和特异度外，还报告了阳性预测值（PPV）和阴性预测值（NPV），以在斑块分布固有类别不平衡下提供更可靠的评估。95%置信区间（CIs）采用Wilson评分法计算。患者（0.96）和血管（0.93）水平的高NPV表明了该模型作为筛查工具在临床实践中可靠排除易损斑块存在的强大能力。PPV：阳性预测值；NPV：阴性预测值；CI：置信区间。
3.5 报告生成（自动化临床报告生成与评估）
我们开发了一个自动化报告系统，通过整合cMPR分析中获得的狭窄、易损斑块和钙化的发现，来简化临床工作流程。每份报告系统性地记录了检测到的病变的精确位置、严重程度（SRI）和形态细节，为临床决策提供标准化输出。为评估该系统的临床效果，我们进行了一项比较分析，对比了自动化报告与由资深放射科医生进行的手工报告。主要结果是诊断周转时间的缩短。与手动方法相比，自动化系统显著减少了每例病例的平均报告时间。此外，我们使用5点Likert量表对参与临床医生进行了用户满意度调查。该系统在易用性（4.5±0.6）和临床可靠性（4.2±0.7）方面获得了高分。反馈表明，自动化摘要不仅增强了一致性，还使临床决策更加快速和明智。这种标准化方法解决了传统放射学解读中常见的主观性问题，并为高通量筛查环境提供了可扩展的解决方案。
4 讨论
本研究通过开发一种基于深度学习的新型cMPR分析方法，提出了一种全面的CAD评估创新方法。所提出的技术利用最先进的人工智能，准确识别和量化关键的CAD特征，包括狭窄、易损斑块和钙化。通过利用深度学习分割模型的能力，我们的方法能够精确勾勒血管结构和病变，为狭窄严重程度、病变长度测量和钙化评估的稳健量化铺平了道路。我们方法的一个关键优势在于它能够从常规获取的cMPR扫描中提取诊断信息，而cMPR因其直观的冠状动脉可视化而常受临床医生青睐。与需要广泛专业知识和耗时评估的传统CCTA分析不同，我们的基于cMPR的工具为快速CAD筛查和风险分层提供了一种简化、不依赖操作者的解决方案。这项创新解决了临床实践中一个关键的未满足需求，提供了一种非侵入性和高效的方法来增强诊断能力并为治疗计划提供信息。此外，在临床实践中，cMPR扫描在成本-时间效益方面具有巨大优势，因为与完整的CCTA分析相比，获取cMPR所需的时间和成本相对较少。当然，这种方法在准确性方面可能表现出相对局限性，但在实际临床实践中，更注重低成本和快速性的个性化CCTA AI分析将是合理的。从这个角度来看，像这样的AI工具应该根据其所面临的目的和情况（如分析准确性、临床紧迫性和费用）来区分其角色，这被认为是至关重要的。换句话说，我们建议应根据临床情况（而非固守单一的AI工具）采用个性化的AI建模或使用数据的差异化。例如，筛查型AI工具对于紧急冠状动脉疾病或简单的体检非常有用，而对于稳定或慢性冠状动脉疾病，则期望使用更精确的分析，并使用常规CCTA的原始数据。
另一方面，由于验证数据集、参考标准和临床终点在方法论上存在异质性，与近期发表的基于AI的CAD工具进行直接性能比较具有挑战性。近期高性能系统实现了卓越的准确性，但针对的是不同的临床应用。像HeartFlow和Cleerly AI这样的近期商业系统展示了卓越的准确性，但需要大量的计算基础设施和完整的容积CCTA处理，而基于Transformer的方法如MA-ViT虽然性能出色，但需要大量的计算资源，不适合资源有限的环境。各研究之间验证数据集和临床终点的异质性从根本上限制了有意义的统计学比较。我们的基于cMPR的方法满足了特定需求，即可及、具有成本效益的筛查工具，与传统CCTA AI分析系统互补而非替代。诊断准确性与临床可及性之间的权衡是一个有意为之的设计选择，旨在优化用于资源有限环境和快速分诊应用。
为应对性能指标可能被夸大的问题，我们修订了报告策略，纳入了整个测试谱。之前的迭代侧重于基于过滤条件下的相关系数（例如，排除假阳性或仅限于≥40%狭窄）；然而，当前结果反映了端到端的临床性能。通过包含失败率并为所有指标报告95%置信区间，我们提供了对管道实用性的更保守但更现实的估计。我们承认，由于正常节段占很大比例，准确率可能看起来很高，但病变水平的PPV提供了系统定位和量化有血流动力学意义疾病能力的更具临床信息价值的衡量标准。因此，我们不再使用可能从过滤数据集中得出的夸大指标。通过纳入所有病例，包括假阴性和检测失败的实例（回归分析n=63，检测分析n=2437），我们提供了透明的临床性能曲线。这种方法确保临床医生可以信赖该系统排除显著疾病的高NPV（0.98）。
本研究还表明，基于10分制中超过7分的视觉评分，钙化评分具有临床意义。本研究的主要贡献之一是提出了一种新颖的钙化评分方法，可以从CT图像中量化冠状动脉钙化程度。然而，由于缺乏可比较的金标准，该方法的验证仍然有限。评估钙化评分准确性的唯一方法是与临床专家进行的视觉评分进行比较。因此，需要更多努力来提高所提出方法的可靠性，例如在验证过程中让更多专家参与，或探索获得参考标准的其他方法。此外，钙化评分方法可以通过纳入更多反映冠状动脉钙化特征（如形状、密度和位置）的特征或参数来改进。这可以增强该方法区分不同钙化水平的能力，并提供更多临床相关信息。一个值得注意的方法学考量是我们在钙化量化中应用了2100 HU的高固定阈值。虽然常规钙化评分通常在非增强扫描中使用130 HU的阈值，但CCTA及其衍生的cMPR图像容易出现晕状伪影和对比增强干扰，这可能会显著夸大钙化体积。我们通过训练队列内的敏感性分析，实证推导出2100 HU阈值，以分离致密钙化核心并最小化来自相邻增强管腔的噪声。我们承认，重建图像中的HU值可能受到扫描仪特定参数、重建核和患者特定因素的影响。然而，五名独立心脏病专家之间的高组内相关系数（ICC为0.84，95% CI: 0.78-0.89）验证了我们模型的代理评分与专家临床感知紧密一致。我们并非建议将此阈值作为通用的绝对标准，而是将我们的钙化评估定位为一种用于快速筛查的稳健临床代理方法。在传统的容积后处理基础设施可能有限的环境中，这种方法提供了临床上有意义的半定量数据，在自动化效率与评分者间信度之间取得了平衡。
本研究中患者水平的斑块分类准确率非常高。这表明我们的模型能够有效捕捉易损斑块和狭窄的细微特征，即使在cMPR上它们并不清晰可见。尽管取得了这些有希望的结果，我们必须认识到本研究的局限性，包括cMPR图像潜在的失真、对低质量图像或不准确分割的易感性，以及钙化评估依赖视觉评分。未来的研究应寻求让更广泛的心脏病专家群体参与以提高评分可靠性，并在更大的患者队列中验证我们的方法，同时与传统CCTA解读的性能进行比较。后续研究，最好由独立研究中心进行，对于探索临床应用程序和在常规实践中验证我们发现的实用性至关重要。
与传统工作流程和现有AI系统相比，我们的方法具有明显的优势。传统诊断工作流程需要专家视觉解读，每例病例耗时25-45分钟，且存在显著的观察者间变异，而我们的自动化系统处理cMPR图像大约需要2分钟，同时提供一致、标准化的评估。与近期像HeartFlow这样通过全面的容积分析实现卓越准确性但需要大量计算基础设施和较长处理时间的非侵入性AI系统相比，我们的方法通过高效的nnU-Net处理现成的cMPR重建，优先考虑临床可及性。这种设计理念解决了资源受限环境中对实用筛查工具的关键需求，在这些环境中，部署可行性和成本效益是与诊断性能同等重要的考虑因素。此外，通过在全测试谱上报告PPV和NPV，我们解决了医学AI中性能夸大这一常见陷阱。狭窄的NPV为0.98，易损斑块的NPV为0.96，表明我们的系统在其预期的筛查角色中非常可靠。我们承认我们的钙化评分仍然是一个代理指标；然而，高评分者间一致性（ICC 0.84）验证了其在临床报告中提供标准化、客观读数的实用性。
尽管具有临床前景，当前研究有几个局限性需要指出：首先，cMPR作为重建模态的固有性质。与原始容积CCTA数据不同，cMPR图像可能存在潜在的几何扭曲和亨氏单位（HU）值变化。虽然这可能引入像素强度上细微的不一致性，但由于其直观的冠状动脉解剖可视化，cMPR仍是许多心脏病医生偏爱的模态，我们的模型专门针对这些临床约束进行了优化。其次，对图像质量和分割误差的敏感性。作为基于分割的框架，我们量化的准确性取决于输入扫描的质量。来自运动或严重钙化的伪影可能导致次优分割，进而影响狭窄和斑块的测量。算法的未来迭代将纳入自动化图像质量评估，以在分析前标记不可靠的扫描。第三，缺乏亚组分层。本研究未在不同患者人口统计学（如年龄、性别）或不同疾病严重程度和图像噪声水平之间进行细粒度分析。在这些亚组中建立性能一致性对于确保模型在更广泛、真实世界临床人群中的可靠性至关重要。第四，缺乏钙化的绝对定量参考。由于本研究中不存在钙化体积的物理金标准，我们依赖五名心脏病医生的主观视觉评分。尽管我们实现了0.84的高ICC，显示出优秀的评分者间信度，但仍有必要针对专门的钙化评分方案或更大规模的专家队列进行进一步验证，以完善我们的2100 HU阈值方法。最后，需要外部验证。本研究使用单中心数据集进行。为加强我们发现的稳健性并减轻特定站点偏差，目前正在争取资金用于多中心数据注册。随后的独立研究将侧重于该方法的前瞻性临床应用，以验证其在常规实践中的效用。
5 结论
总之，我们成功开发了一个先进的自动化定量图像分析框架，能够熟练地量化SRI、识别易损斑块以及评估cMPR扫描中的钙化。通过利用深度学习的能力并优先考虑NPV和MAE等无偏指标，该方法提供了透明且临床可靠的冠状动脉疾病评估。其非侵入性、成本效益高、快速且不依赖操作者变异的特点，使其成为一种有前景的补充筛查工具。具体而言，其高阴性预测能力有助于有效排除显著CAD，可能提高诊断准确性并简化放射科医生和心脏病医生在高通量环境中的临床工作流程。
【全文结束】