编辑推荐：
在经皮冠状动脉介入治疗（PCI）后，准确解读光学相干断层扫描（OCT）图像对评估血管愈合至关重要，但手动分析耗时且主观。研究人员开发了深度学习算法 DeepNeo，其分类准确率达 75%，与专家相当，还能精准分割。该研究有望助力临床决策，改善患者预后。
心血管疾病严重威胁人类健康，经皮冠状动脉介入治疗（PCI）作为治疗阻塞性冠状动脉疾病的重要手段，拯救了众多患者生命。然而，PCI 术后部分患者会出现支架相关不良事件，如支架内再狭窄、支架血栓形成等，这与支架覆盖的血管内膜（neointima）发育成熟与否密切相关。成熟健康的血管内膜能有效预防这些不良事件，而发育延迟或病变的血管内膜则是导致支架失效的重要因素。
光学相干断层扫描（OCT）作为一种高分辨率的血管内成像技术，能详细呈现冠状动脉血管结构，在评估支架失效模式、观察血管内膜形态方面具有重要作用。通过 OCT，可在体内观察到血管内膜，并将其特征分为均质或异质。以往研究表明，均质的血管内膜具有良好的表型，而异质的血管内膜可能与新生动脉粥样硬化（neoatherosclerosis）相关，预示着更差的临床结局。因此，准确检测和区分血管内膜组织，对于识别支架失效风险患者至关重要。
但当前，OCT 图像的分析主要依赖人工手动操作，这一过程极为耗时，且对临床医生的经验要求极高。不同医生之间的诊断结果可能存在差异，导致临床可用性和可转移性受限，同时还可能遗漏或低估相关病理变化。所以，开发更标准化、高效的 OCT 图像分析方法迫在眉睫。
在此背景下，来自德国亥姆霍兹慕尼黑中心（Helmholtz Munich - German Research Center for Environmental Health）、慕尼黑工业大学（Technical University of Munich）等机构的研究人员开展了相关研究。他们开发出一种名为 DeepNeo 的全自动深度学习算法，旨在实现对血管内膜组织特征的快速、准确自动分割和分类。该研究成果发表在《Communications Medicine》上，为心血管疾病的诊疗带来了新的希望。
研究人员开展此项研究运用了多种关键技术方法。首先是数据采集，从德国慕尼黑心脏中心接受冠状动脉造影和支架内血管内 OCT 成像的 92 例患者中收集了 1148 张 OCT 图像；还构建了新西兰白兔新动脉粥样硬化动物模型获取数据。其次是采用手动标注结合深度学习算法训练的方式，利用 LabelMe 工具手动标注 305 个 OCT 帧的血管腔、支架支柱和血管内膜轮廓用于分割训练，对 1148 帧 OCT 图像按象限手动标注分类以训练分类模型，运用 UNet++ 和 ResNet - 18 网络分别进行分割和分类任务，通过 5 折交叉验证评估模型性能 。
下面来看具体的研究结果：
- 血管内膜、血管腔和支架支柱的分割：DeepNeo 在血管腔、支架支柱和血管内膜的分割上表现出色，Dice 评分分别达到 0.99（±0.02）、0.66（±0.10）和 0.86（±0.14）。不过，在血管内膜极少或不存在的区域，标注和预测难度较大，得分较低。
- 血管内膜分类：将 DeepNeo 与临床专家的血管内膜组织分类性能进行对比，由另外两名独立专家手动标注测试集。结果显示，DeepNeo 的准确率为 0.75，宏观 F1 分数为 0.74，与专家 B（准确率 0.75，宏观 F1 分数 0.75）和专家 C（准确率 0.71，宏观 F1 分数 0.69）的标注结果高度一致，且模型的预测置信度与正确预测概率之间存在强相关性。
- 动物模型中的血管内膜分类：在新动脉粥样硬化的兔子动物模型中，DeepNeo 将 OCT 回拉图像的预测结果与共配准的组织病理学结果对比，准确率达到 0.87，宏观 F1 分数为 0.78。这表明 DeepNeo 能准确识别血管内膜中的泡沫细胞、纤维蛋白沉积等病变，且该模型从未在兔子图像上训练过，体现了其跨物种和成像设置的稳健性与适用性。
- 临床案例应用：在德国慕尼黑心脏中心的两个临床案例中，DeepNeo 对患者 PCI 术后的 OCT 成像进行分析，能标准化量化血管内膜厚度、管腔半径以及血管内膜组织成分。其可视化结果可帮助临床医生快速识别 OCT 回拉图像的关键部分，为评估患者病情提供可靠依据。
- DeepNeo 作为开源工具：研究团队将 DeepNeo 作为开源工具发布，使用 Gradio 软件构建，用户可上传 OCT 回拉图像（DICOM 或 zip 文件）进行分析，获取详细的象限级分析和整体统计数据。签署使用协议后，研究人员可获取训练模型，但该工具不用于诊断。
研究结论表明，DeepNeo 是首个利用 OCT 成像对 PCI 术后血管愈合进行表征的全自动深度学习算法。它能准确分割血管腔、血管内膜区域和支架支柱，实现血管内膜组织的高精度分类，性能与人类观察者相当。
从讨论部分可知，DeepNeo 的出现具有重要意义。全球每年有大量 PCI 手术，OCT 成像虽对评估患者至关重要，但人工分析存在诸多弊端。DeepNeo 无需额外人力输入，可快速直观地对血管内膜进行全自动表征，结合先前研究成果，为介入心脏病学家提供了实用的 OCT 图像解读工具。尽管研究存在一定局限性，如未区分分层血管内膜和异质血管内膜、动物模型评估数据有限等，但 DeepNeo 依然是检测和表征 PCI 术后患者血管内膜组织的宝贵工具。它有望简化临床工作流程，支持医生做出更明智的决策，推动血管愈合研究发展，为心血管医学领域的人工智能创新奠定基础，助力提升诊断精度，改善患者预后。
