提高CT肺动脉造影检测左心房扩大的准确性

《European Journal of Radiology Open》：Enhancing accuracy of detecting left atrial dilatation on CT pulmonary angiography

人工智能辅助左心房容积测量在CTPA中的性能评估及对比研究。本研究通过对比CTPA人工智能分割与CMR参考标准，验证AI模型在左心房扩张检测中的准确性。结果显示AI模型在灵敏度（81.0% vs 66.7%）和特异性（96.8% vs 93.1%）上显著优于放射科医生报告，AUC达0.975，Bland-Altman分析显示差异极小（-4mL，95%CI -39至+31mL）。该研究为非ECG门控CT影像中AI辅助心脏检测提供了可行性证据。

　　在心血管疾病的研究与诊断中，左心房（Left Atrial, LA）的扩大（dilatation）被广泛认为是多种心脏疾病的早期标志之一。LA扩大与心房颤动、系统性血栓形成以及心脏衰竭等疾病密切相关。随着医学影像技术的发展，特别是计算机断层扫描肺动脉造影（Computed Tomography Pulmonary Angiography, CTPA）的普及，研究人员开始探索利用CT图像评估LA体积的可行性。CTPA不仅在临床中被广泛用于检测肺栓塞等疾病，还因其能够提供高质量的图像以及在心脏结构中的清晰显示而受到关注。然而，传统的CTPA图像分析方法依赖于人工分割，这一过程既费时又容易受到不同操作者主观判断的影响。因此，近年来人工智能（Artificial Intelligence, AI）技术在医学影像分析中的应用逐渐增多，特别是在心脏结构的自动分割与体积测量方面，AI展现出显著的潜力。本研究旨在评估一种基于深度学习的AI分割模型在CTPA图像中检测LA扩大方面的性能，并将其与传统的专家报告进行对比，以探讨AI在提升心脏疾病诊断准确性方面的作用。

### 研究背景与意义

心脏结构的体积测量是评估心脏功能和诊断心脏疾病的重要手段。尽管心脏磁共振成像（Cardiac Magnetic Resonance Imaging, CMR）被认为是评估心脏腔室体积的“金标准”，但其设备昂贵、使用受限且检查时间较长，难以在日常临床实践中广泛应用。相比之下，CTPA因其快速、便捷以及在多数医疗机构中已较为普及，成为一种有吸引力的替代方案。然而，由于CTPA图像中存在心脏运动、对比剂分布不均以及图像分辨率等因素，传统的手动分割方法往往难以提供一致且准确的测量结果。此外，不同专家在评估LA体积时可能因经验、技术或标准不统一而产生差异，影响诊断的可靠性。

因此，开发一种能够自动分割并测量LA体积的AI工具，不仅能够提高工作效率，还能减少人为误差，为临床提供更加客观和一致的诊断依据。本研究提出了一种基于深度学习的AI分割模型，用于CTPA图像中LA的自动识别和体积测量，并通过与CMR图像的对比分析，验证其在检测LA扩大方面的准确性。此外，该研究还评估了AI模型与传统专家报告在诊断LA扩大方面的表现差异，以探讨AI在临床中的应用价值。

### 研究方法

本研究是一项回顾性分析，基于英国谢菲尔德教学医院的“评估肺动脉高压在转诊中心的谱系”（Assessing the Spectrum of Pulmonary Hypertension Identified at a Referral Centre, ASPIRE）数据库。研究对象为在2011年至2019年间接受CTPA和CMR检查的患者，且两者均在同一日内完成。这些患者均被怀疑患有肺动脉高压（Pulmonary Hypertension, PH），因此具有较高的LA扩大发生率。研究共纳入451例患者，平均年龄为64岁（标准差±13），其中62.5%为女性，85.8%为白种人。

为了评估AI模型的性能，研究团队采用了一种基于深度卷积神经网络的AI分割工具，该工具已经在CTPA图像中实现了对多个心脏结构的自动识别，包括心房、心室肌层和肺动脉等。AI模型在CTPA图像上的分割结果与CMR图像上的自动分割结果进行对比分析。CMR图像的分割由一种经过验证的软件完成，其分割方法基于双平面（biplanar）技术，通过结合二维图像的面积和长度数据，计算出LA的体积。在CTPA图像中，AI模型通过三维数据的直接计算，得出LA的体积测量值。为了确保研究的严谨性，研究团队对所有CTPA和CMR图像进行了分割失败分析，并排除了因图像质量差或分割失败的病例。

在AI模型与专家报告的比较中，研究采用了多种统计方法，包括皮尔逊相关系数（Pearson’s correlation coefficient）、Bland-Altman分析、Cohen’s Kappa统计量以及受试者工作特征（Receiver Operating Characteristic, ROC）曲线分析。这些方法用于评估AI模型与专家报告在LA体积测量和LA扩大分类方面的准确性与一致性。同时，研究还采用阈值值对LA体积进行分类，以判断是否符合LA扩大的标准。这些阈值基于之前发表的荟萃分析，分别设定为女性LA体积>100 mL和男性LA体积>112 mL。

### 研究结果

研究结果显示，AI模型在CTPA图像上分割出的LA体积与CMR图像上的测量值具有高度一致性，其皮尔逊相关系数（ρ）达到0.92，且在Bland-Altman分析中显示出极小的偏差（平均差为-4 mL，95%置信区间为-39至+31 mL）。这表明AI模型能够提供与CMR相当的体积测量结果，且具有较高的可重复性和可靠性。在Kappa一致性分析中，AI模型在CTPA和CMR图像上分割出的LA体积分类与CMR参考标准之间的Kappa值为0.80，远高于专家报告的Kappa值0.62，说明AI模型在分类一致性方面优于传统的人工评估。

在诊断准确性方面，AI模型表现出显著优于专家报告的结果。具体而言，AI模型在检测LA扩大方面的敏感度（sensitivity）为81.0%（95%置信区间为72.1%-88.0%），特异度（specificity）为96.8%（95%置信区间为94.4%-98.4%），阳性预测值（PPV）为88.5%（95%置信区间为80.4%-94.1%），阴性预测值（NPV）为94.4%（95%置信区间为91.4%-96.5%）。相比之下，专家报告的敏感度为66.7%（95%置信区间为56.8%-75.6%），特异度为93.1%（95%置信区间为89.9%-95.5%），PPV为74.5%（95%置信区间为64.4%-82.9%），NPV为90.2%（95%置信区间为86.6%-93.1%）。这些数据表明，AI模型在检测LA扩大方面具有更高的准确性和可靠性。

此外，ROC曲线分析显示，AI模型在CTPA图像上检测LA扩大的曲线下面积（Area Under the Curve, AUC）为0.975（95%置信区间为0.963-0.987，p<0.001），表明其具有极高的诊断能力。相比之下，专家报告的AUC未被计算，因为其评估结果为离散的分类值，而非连续变量。研究还发现，AI模型在CTPA图像上分割失败的比例仅为0.6%，主要与心腔内对比剂不足或心腔扩大有关。这进一步验证了AI模型在实际应用中的稳定性与可靠性。

### 研究讨论

本研究的结果表明，基于深度学习的AI模型在CTPA图像中能够实现对LA体积的准确测量，并且在检测LA扩大方面表现出优于传统专家报告的性能。这一发现具有重要的临床意义，尤其是在资源有限或工作量较大的医疗机构中，AI模型可以作为一种高效、准确的辅助工具，提高心脏疾病的诊断效率。

首先，AI模型在CTPA图像中分割出的LA体积与CMR图像的测量值高度一致，且偏差极小，说明AI模型能够提供与金标准相当的测量结果。这为未来利用CTPA图像进行LA扩大的筛查提供了可能，尤其是在没有ECG门控的CT研究中，AI模型可以有效克服心脏运动带来的影响，从而提高图像分析的准确性。

其次，AI模型在检测LA扩大方面的敏感度和特异度均高于专家报告，这可能与其基于大量数据训练的特性有关。传统的人工评估依赖于专家的经验和主观判断，而AI模型通过学习大量高质量的图像数据，能够更客观地识别LA扩大的特征。此外，AI模型的分割过程是自动化的，减少了人为误差和操作时间，使得图像分析更加高效。

然而，研究也指出了一些局限性。首先，所有研究对象均来自单一中心的ASPIRE数据库，这可能影响研究结果的外部有效性。虽然该数据库中的患者具有较高的LA扩大发生率，但这一特征在普通人群中可能并不显著。因此，未来需要在更广泛的患者群体中验证AI模型的性能，以确保其在不同临床背景下的适用性。

其次，研究中使用的LA扩大分类阈值基于之前发表的荟萃分析，而这些阈值可能因不同研究或临床指南而有所不同。因此，AI模型的性能可能受到阈值设定的影响，需要在实际应用中根据具体情况进行调整。此外，专家报告的评估结果可能受到历史报告的影响，而非前瞻性盲法评估，这可能低估了专家的性能。

最后，尽管AI模型在CTPA图像中表现优异，但其在其他心脏结构的分割和体积测量方面的性能尚未被全面评估。因此，未来的研究可以扩展至其他心脏腔室，以探索AI模型在更广泛心脏疾病诊断中的应用潜力。同时，AI模型还可以与其他心脏影像分析工具进行比较研究，以进一步优化其性能和适用范围。

### 研究结论

本研究的结果表明，基于深度学习的AI模型在CTPA图像中能够实现对LA体积的准确测量，并且在检测LA扩大方面优于传统的人工评估方法。这一发现为未来利用CTPA图像进行心脏疾病筛查提供了新的思路，尤其是在非ECG门控的CT研究中，AI模型可以有效提高诊断的准确性与一致性。此外，研究还强调了AI技术在医学影像分析中的潜力，特别是在减少人为误差、提高工作效率和增强诊断可靠性方面。

然而，研究也指出了一些需要进一步探索的问题。例如，AI模型在不同患者群体中的表现是否具有普遍性，是否能够适应更多样化的临床场景，以及如何在实际应用中优化其性能。未来的研究应关注这些方面，以推动AI技术在临床实践中的广泛应用。此外，随着AI技术的不断发展，其在心脏疾病诊断中的应用将越来越广泛，有望成为心血管疾病筛查和诊断的重要工具。

总之，本研究为AI在医学影像分析中的应用提供了有力的支持，尤其是在CTPA图像中检测LA扩大方面。AI模型不仅能够提高诊断的准确性，还能为临床提供更加高效和一致的评估结果。这一研究的成果将有助于推动AI技术在心血管疾病诊断中的进一步发展，为临床实践带来新的机遇和挑战。