基于人工智能的非对比心脏CT双心室容积与射血分数定量分析新方法

《European Heart Journal - Imaging Methods and Practice》：Artificial Intelligence-Based Bi-Ventricular Systolic and Diastolic Volume, Ejection Fraction Using Non-Contrast ECG-Gated Cardiac Computed Tomography

本研究针对心脏磁共振(MRI)成本高、可及性差的问题，开发了一种基于人工智能(AI)的非对比心脏CT(NCCT)双心室自动分割算法。研究显示AI算法在心室容积测量中与对比CT(CCT)呈中度至强相关性(r=0.82-0.91)，对左室射血分数(LVEF)<40%的阴性预测值达98%，可作为筛查工具排除严重心室功能障碍，为心血管疾病风险评估提供新途径。

　　

在全球范围内，心力衰竭仍然是心血管疾病发病和死亡的主要原因，尽管治疗和预防策略取得了显著进展。左室射血分数(LVEF)是评估心力衰竭预后的关键参数，LVEF低于40%通常表明疾病进入终末阶段，预后极差。此外，左室收缩末期容积(LVESV)增加与不良事件和预后差相关，已成为心力衰竭的预测指标。

心脏磁共振成像(MRI)是量化心室大小、射血分数(EF)和双心室每搏输出量的金标准。然而，其高昂成本、长时间扫描以及植入设备患者使用受限显著限制了其可及性。超声心动图虽无辐射，但作为无症状患者的筛查工具面临挑战，因为其劳动密集型特性和有限的成本效益。此外，由于右心室(RV)复杂的解剖结构、独特的收缩模式和胸腔内位置，评估右室射血分数(RVEF)存在困难。

非对比心脏CT(NCCT)通常用于钙化积分评估，具有广泛可用性、较低成本和较短扫描时间等优势，使其成为心血管疾病风险分层和管理的筛查工具。虽然辐射暴露仍是关注点，但NCCT因其可及性和改善长期结局的潜力而日益普及，不仅用于冠状动脉疾病(CAD)风险评估，还用于心力衰竭风险评估。最近研究表明从NCCT获取额外心脏信息的可行性，包括心腔分割，特别是在舒张中期表现良好。然而，尚未有研究探索使用人工智能(AI)算法计算左右心室舒张末期容积(EDV)和收缩末期容积(ESV)，并推导EF作为心功能指标。

这项研究旨在评估经过验证的AI算法从NCCT扫描计算EDV和ESV并推导EF的可行性和性能。这些结果将与瓣膜患者对比心脏CT(CCT)测量值进行比较，以评估基于NCCT的AI算法用于心功能评估的可靠性和潜在临床效用。

主要技术方法

本研究为单中心研究，纳入205例接受心脏CT进行瓣膜规划的患者，分为回顾性和前瞻性队列。使用192层双源多探测器第三代西门子SOMATOM Force扫描仪进行扫描。获取两个高螺距、超低剂量、心电图门控非对比扫描：一个在舒张末期(ED)用于规划，另一个在收缩末期(ES)用于瓣膜钙化积分。应用经过验证的AI自动心腔分割算法分析低剂量NCCT图像，计算右室(RV)和左室(LV)容积及其EF，与CCT和MRI进行比较。采用Pearson相关分析、Bland-Altman图和受试者工作特征(ROC)曲线评估性能。

研究结果

左室容积

在验证组和前瞻性组中，NCCT与CCT对左室舒张末期容积(LVEDV)均显示强相关性(验证组：NCCT平均值147.7 mL，相对差异-12.0%，r=0.87；前瞻性组：152 mL，-14.2%，r=0.91)。左室收缩末期容积(LVESV)也显示类似相关性(验证组：91.2 mL，+31.0%，r=0.82；前瞻性组：96 mL，+32.6%，r=0.84)。

左室射血分数

由LVEDV和LVESV计算的EF相关系数相对较低(前瞻性组0.35，验证组0.51)。预测LVEF-CCT阈值40%、50%和60%的最佳NCCT截断值分别为28%、40%和44.9%，ROC曲线下面积(AUC)为0.82、0.72和0.64。在前瞻性组中，NCCT以28%截断值预测LVEF-CCT<40%的敏感性为0.75，阴性预测值(NPV)为0.98，准确度为0.87。

心脏MRI亚组分析

在16例接受心脏MRI检查的患者中，CCT(240 mL,+4.2%)和NCCT(197 mL,-14.3%)测量的LVEDV与MRI强相关(r=0.99和r=0.97)。LVESV测量也强相关，CCT(115 mL,-5%)和NCCT(134 mL,+11%)分别达到r=0.99和r=0.96。但EF相关性稍低：CCT(EF:0.55,-3.8%)r=0.96，NCCT(EF:0.35,-34%)r=0.88。

右室容积

在前瞻性组中，右室射血分数(RVEF)、右室舒张末期容积(RVEDV; NCCT 163 mL,-8.4%)和右室收缩末期容积(RVESV; 121.4 mL,+33.1%)显示强相关性。RVEDV和RVESV的相关系数分别为0.82和0.85。

右室射血分数

RVEF的相关系数在前瞻性组为0.46，验证组为0.49。预测RVEF-CCT阈值40%和50%的最佳NCCT截断值为24.2%，ROC-AUC值为0.85和0.76。在前瞻性组预测RVEF-CCT<40%时，敏感性、NPV和准确度分别为0.71、0.93和0.71。

研究结论与讨论

本研究首次应用经过验证的AI算法，使用两个高螺距NCCT图像测量不同心动周期的EDV和ESV，并推导EF，与CCT比较结果。通过在标准钙化积分方案中添加一次NCCT扫描，辐射剂量仅约为一般钙化积分扫描的五分之一，显著低于CCT。这种额外的NCCT结合原始钙化积分扫描，通过启用EF估计提供增量信息。

研究发现NCCT和CCT衍生的双室腔容积呈中度至强相关性。此外，研究证明从两次NCCT扫描估计EF的可行性，显示识别LVEF和RVEF<40%的高阴性预测值，与CCT相当。虽然高NPV支持使用NCCT排除严重心室功能障碍，但精确EF量化仍不太可靠。

双室腔容积分析显示，NCCT衍生的EDV显著小于CCT值(左室约15%，右室约10%)，而ESV较大(双室均约32%)。这可能源于使用超低剂量规划扫描进行EDV测量。亚组分析发现，NCCT和CCT测量值之间的差距在小ESV容积和EDV范围较大端增加，与体模研究结果一致。

左室腔容积分析中，经过验证的AI算法假设心肌不可压缩性计算LVESV。由于研究队列主要为严重主动脉瓣狭窄和不同程度心肌病患者，致密心肌影响较小，导致ESV高估。

右室腔容积分析显示，与左室相比，右室EDV变异较小但ESV变异较大。AI偶尔将部分膈肌或肝穹窿误分类为右室部分，特别是在事件化或肝肿大情况下。右室与膈肌紧密解剖邻近及其对部分容积效应的更大敏感性进一步导致分割错误和测量变异。

双室射血分数分析中，EDV和ESV的高相关性未延伸至EF，原因是EDV系统性低估和ESV高估，使用公式(EDV-ESV)/EDV放大EF计算误差。例如，CCT中LVEDV为180.2 mL，NCCT为154.6 mL，反映NCCT低估EDV 25.6 mL(14.2%)。同样，CCT中ESV为72.4 mL，NCCT估计为96 mL，导致ESV高估23.6 mL(32.6%)。这些差异显著影响EF计算：CCT计算EF为59.8%，而NCCT计算为37.9%，导致相对低估36.6%。

EF性能表现显示，NCCT衍生的EF在不同阈值(40%、50%和60%)预测LVEF表现一致，敏感性分别为0.75、0.70和0.76。NPV在40%(0.98)和50%(0.90)保持较高水平，但在60%显著下降至0.71。这些发现表明AI算法是排除轻度或正常心室功能患者的可靠筛查工具。

对于右室，NCCT衍生测量在EF阈值40%和50%表现相似。但RVEDV和RVESV相关性低于左室，40%时RVEF性能也较低，可能因AI算法非专门为右室分割设计。

尽管MRI亚组较小，但观察到NCCT衍生的EF、EDV和ESV与CCT和MRI均强相关。由于MRI仍是参考标准，这些结果应视为探索性并谨慎解释。

研究存在一些局限性：AI算法主要训练于ED期图像，使用间接方法计算LVESV；高螺距扫描限制无法准确捕获精确心时相或执行心电图编辑；NCCT和CCT体积计算使用不同软件平台可能引入差异；小MRI亚组使结果具探索性；以接受严重主动脉瓣狭窄瓣膜规划的老年患者为主的有限样本量限制向年轻人群推广。

AI算法在从两次NCCT扫描计算EDV和ESV方面表现强劲。衍生的EF有潜力作为筛查工具排除中度心室功能障碍，对LVEF>40%和RVEF>40%的阴性预测值分别为0.98和0.97。然而，其精确量化不足。需要进一步研究评估与临床结局的相关性并验证其在患者管理中的作用。