基于常规平扫CT的全自动可解释预测模型在毛细血管前与后肺动脉高压诊断中的应用：ASPIRE注册研究结果

《European Heart Journal - Digital Health》：A fully automated explainable predictive model for diagnosing pre-capillary and post-capillary pulmonary hypertension on routine unenhanced CT: results from the ASPIRE Registry

本研究针对平扫CT在肺动脉高压（PH）诊断中应用不足的难题，开发了一种基于深度学习的心脏胸廓结构全自动分割模型。该模型在无造影剂条件下实现了12个心血管结构的精准分割（Dice相似系数≥0.87），对PH、毛细血管前PH和左心疾病相关PH（PH-LHD）的诊断曲线下面积（AUC）分别达0.88、0.84和0.86，显著优于传统肺动脉直径测量指标，为利用常规胸部CT筛查PH提供了创新解决方案。

　　

在临床实践中，常规平扫胸部CT（computed tomography）被广泛用于评估肺部恶性肿瘤和肺实质疾病，但这些扫描中蕴含的心脏和血管结构信息往往被忽视。由于平扫CT缺乏造影剂增强，心脏结构边界模糊，放射科医生很少对其进行详细评估，导致肺动脉高压（pulmonary hypertension, PH）的早期诊断机会被错过。PH是一种致命的疾病，准确区分其亚型——毛细血管前PH（如肺动脉性高血压，PAH）和毛细血管后PH（如左心疾病相关PH，PH-LHD）——对治疗决策至关重要。

目前，PH的诊断依赖有创的右心导管检查（right heart catheterisation, RHC），而CT上的传统指标，如肺动脉平均直径（mean pulmonary artery diameter, MPA）或肺动脉与升主动脉直径比（MPA/AAo），诊断准确性有限。因此，开发一种能够自动分析平扫CT图像、量化心脏胸廓结构并辅助诊断PH的工具，具有巨大的潜力。发表在《European Heart Journal - Digital Health》上的这项研究，正是为了攻克这一难题。

研究人员利用来自ASPIRE注册研究（Assessing the Spectrum of Pulmonary Hypertension Identified at a Referral Centre）的数据，开展了一项回顾性研究。他们旨在开发一个全自动的深度学习模型，用于在平扫CT图像上分割12个关键的心脏胸廓结构，并评估这些结构的容积测量值在诊断PH及其亚型方面的价值。

研究采用了几个关键技术方法：首先，基于nnU-Net框架开发了一个三维深度学习分割模型，使用一个机构内队列（n=55）进行训练和初步验证。其次，利用一个来自英国26家医院的外部队列（n=50）对分割结果进行四位观察者的视觉评估。最后，在一个更大的队列（n=368，包含经RHC确诊的患者）中，通过单变量和多变量逻辑回归分析，评估了自动分割获得的容积参数对PH（mPAP>20 mmHg）、毛细血管前PH（mPAP>20 mmHg且PVR>2 WU）和PH-LHD（PAWP>15 mmHg）的诊断准确性，并与传统的MPA直径和MPA/AAo比值进行了比较。

分割评估与性能指标-内部队列（阶段1）

深度学习模型在内部测试集上表现出色。12个结构中，有9个的Dice相似系数（Dice similarity coefficient, DSC）达到0.87以上，其中心室、升主动脉、降主动脉的分割精度最高（DSC≥0.94）。10个结构的容积测量值与手动测量值具有极好的相关性，组内相关系数（intra-class correlation, ICC）大于0.95。然而，下腔静脉（inferior vena cava, IVC）、纵隔脂肪和食管的分割精度相对较低（DSC分别为0.74, 0.75, 0.78），其边界定位误差（以95%豪斯多夫距离HD95衡量）也较大，表明这些结构在平扫CT上的自动分割仍具挑战性。与通用的TotalSegmentator工具相比，本研究针对PH人群定制的模型在重叠结构上表现出可比甚至更优的性能。

容积测量视觉评估-外部队列（阶段2）

为了验证模型的泛化能力，研究使用了一个多中心外部数据集进行盲法视觉评估。四位经验不同的观察者（包括心脏放射科医生和放射技师）对分割质量进行评分。结果显示，绝大多数结构（如心室、左心房、右心房、肺动脉、上腔静脉）的分割被评定为“优秀”的比例高达96%-98%，观察者间一致性为中等至高度一致。这进一步证实了模型在不同扫描设备和患者群体中的可靠性。食管和IVC的评分相对较低，与内部队列的数值结果一致。

诊断准确性（阶段3）

单变量分析显示，不同的心脏结构容积与特定的PH亚型相关。右心房（right atrium, RA）容积和肺动脉（pulmonary artery, PA）容积是预测PH和毛细血管前PH的显著指标（AUC分别为0.79和0.78）。而对于PH-LHD，左心房（left atrium, LA）容积则是最强的预测因子（AUC=0.83），这符合PH-LHD导致左心房增大的病理生理机制。

多变量逻辑回归模型整合了心脏各腔室和大血管的容积信息，显示出更高的诊断效能。对于任何类型的PH，模型的AUC为0.88（95%置信区间CI: 0.80-0.96），灵敏度70%，特异性100%。对于毛细血管前PH，AUC为0.84（CI: 0.74-0.94），灵敏度72%，特异性94%。对于PH-LHD，AUC为0.86（CI: 0.79-0.93），灵敏度高达94%，但特异性为63%。这表明模型在排除PH-LHD方面能力稍弱，可能由于训练数据中PH患者占多数。

与MPA和AAo直径的探索性比较

与传统指标相比，本研究开发的基于容积的AI模型诊断性能显著更优。MPA直径>29 mm这一常用阈值诊断PH的灵敏度虽高（89%），但特异性很低（37%）。MPA/AAo比值>1的诊断AUC在0.66-0.69之间，均低于AI模型。这表明，综合利用多个心脏结构的容积信息，比依赖单一的线性测量能更准确地识别PH及其亚型。

研究的讨论部分指出，尽管平扫CT心脏结构对比度差，但通过精心设计的深度学习模型，仍然可以实现大部分心脏胸廓结构的高精度分割和容积测量。该模型成功捕捉了不同PH亚型的特征性心脏重塑模式：毛细血管前PH主要表现为右心系统（RA、PA）的扩大，而PH-LHD则主要表现为左心房（LA）的扩大。这为无创区分PH亚型提供了重要的影像学生物标志物。

当然，研究也存在局限性。分割模型的开发队列样本量较小（n=55），尽管在更大的诊断队列中进行了验证。模型对食管、IVC等结构的分割精度仍有提升空间。此外，研究队列中PH患病率较高，模型在PH患病率较低的普通人群（如常规肺癌筛查人群）中的表现仍需进一步验证。

总之，这项研究证明，利用全自动深度学习模型从常规平扫CT中提取心脏胸廓结构的容积信息是可行且有效的。该模型能够以良好的准确度预测PH的存在并区分其关键亚型，为利用广泛存在的平扫CT图像进行PH的早期筛查和辅助诊断开辟了新途径，有望在未来的临床实践中弥补单纯定性报告的不足，提高PH的诊断效率。