编辑推荐：
为解决传统冠脉钙化评分（CACS）方法的不足，研究人员开展了基于深度学习的冠脉钙化评分（DL-CACS）系统在 ECG 门控和非门控低剂量胸部 CT（LDCT）中的性能研究。结果显示 DL-CACS 在两种 CT 中表现可靠，可减少工作量，助力心血管风险分层。
在心血管疾病的研究领域中，冠状动脉钙化（Coronary artery calcium，CAC）作为反映冠状动脉粥样硬化的重要影像学标志物，如同一个精准的 “健康侦察兵”，能清晰地展现冠状动脉内钙化斑块的存在与程度，极大地提升了对未来心血管事件的预测能力，为结合传统风险因素进行更精准的风险分层提供了有力支持。2018 年美国心脏病学会 / 美国心脏协会发布的指南中，将使用 CACS 来管理无症状且 10 年动脉粥样硬化性心血管疾病（ASCVD）风险处于临界或中等水平个体的他汀类药物治疗列为 IIa 类推荐，这一举措有效避免了不必要的治疗，确保高风险个体能及时接受积极干预，在降低医疗成本的同时，实现了治疗效益的最大化。
然而，在实际的医学影像检查中，传统的低剂量胸部 CT（Low-dose chest CT，LDCT）扫描虽然能够检测出钙的存在，但现有的评估方法却存在诸多问题。LDCT 视觉评分方法与 Agatston 评分的一致性仅为中等水平，kappa 值在 0.66 - 0.75 之间，风险分类的准确率也只有 56 - 73%，而且不同阅片者之间的差异较大。手动量化虽然更为精确，但却耗时费力，还容易受到量子噪声和运动伪影的干扰。在这样的背景下，为了寻求更高效、准确的冠脉钙化评估方法，来自首尔国立大学医院（Seoul National University Hospital，SNUH）和斯坦福大学的研究人员携手展开了一项重要研究。他们聚焦于基于深度学习的冠状动脉钙化评分（Deep-learning-based coronary artery calcium scoring，DL-CACS）系统，旨在验证该系统在 ECG 门控钙 CT 和非门控 LDCT 中的性能，研究成果发表在《European Radiology》上。
在本次研究中，研究人员采用了多个关键技术方法。他们收集了来自 SNUH 的 652 例和斯坦福冠状动脉钙分析（Stanford coronary calcium and chest CT，Stanford - COCA）数据集的 425 例 ECG 门控钙 CT 数据，以及 SNUH 的 652 例和 Stanford - COCA 数据集的 199 例非门控 LDCT 数据。在 CACS 量化方面，以经验丰富的技术人员在资深放射科医生监督下计算的结果作为参考标准。利用基于 2D U-net 模型的专用软件（ClariCardio）进行自动 DL-CACS 计算，并使用 DL-based 去噪软件（ClariCT.AI）降低 LDCT 中的噪声。通过计算决定系数（R2 ）、组内相关系数（ICC）、加权 kappa（κ）统计量以及受试者工作特征曲线下面积（AUROC）等指标，全面评估 DL-CACS 系统的性能。
下面来详细看看研究结果。在对全自动 DL-CACS 在 ECG 门控钙 CT 中的评估中，虽然自动 DL-CACS 生成的钙评分略低于参考标准，但R2 值表明两者在 SNUH 和 Stanford - COCA 数据集中均具有极强的相关性，均超过 0.99。自动 DL-CACS 与参考标准之间的一致性非常出色，分类风险一致性（κ）在两个数据集中都几乎达到完美，超过 0.95。DL-CACS 在 ECG 门控钙 CT 中的分类准确率在 SNUH 和 Stanford - COCA 数据集中均高于 95%，其 AUROC 值在两个数据集的 CAC 阈值为 0、100 和 300 时始终保持在 0.99，这充分证明了 DL-CACS 在 ECG 门控 CT 数据中区分心血管风险水平的可靠性。
在以非门控 LDCT 手动 CACS 为参考评估 DL-CACS 在非门控 LDCT 中的性能时，Stanford - COCA 数据集的R2 达到 0.988，表现优异。一致性同样出色，ICC 为 0.994，风险分层的分类准确率为 96.0%，加权 κ 为 0.96。ROC 分析显示，非门控 LDCT 在阈值为 0、100 和 300 时的 AUROC 值分别为 0.98、0.99 和 0.99，展现出了强大的区分能力。
当以 ECG 门控钙 CT 手动 CACS 为参考评估非门控 LDCT 中的 DL-CACS 时，SNUH 数据集的R2 值在 0.926 - 0.975 之间，Stanford - COCA 数据集为 0.949，相关性较强。一致性也较高，SNUH 数据集的 ICC 为 0.968，Stanford - COCA 数据集为 0.948。分类一致性方面，SNUH 数据集的加权 K 值在 0.82 - 0.94 之间，Stanford - COCA 数据集为 0.71。在分类风险分类准确率上，SNUH 数据集为 81.0 - 93.8%，Stanford - COCA 数据集为 72.4%。SNUH 数据集在 CAC 阈值为 0、100 和 300 时的 AUROC 值分别为 0.99、0.98 和 0.99，Stanford - COCA 数据集分别为 0.89、0.97 和 0.98，在不同风险类别中仍具有良好的区分性能。
此外，研究还分析了非门控 LDCT 中分类错误的原因。在以 ECG 门控钙评分作为参考时，共有 146 例被误分类。其中，大部分是分类不足的情况，主要原因包括部分容积效应导致的 CT 信息部分或全部丢失，分别占 67.4% 和 17.0%，深度学习模型性能限制导致的检测失败占 15.6%。在分类过度的 11 例中，运动伪影导致的假阳性最为常见，占 6 例，其他原因还包括升主动脉钙化、主动脉瓣钙化、二尖瓣环钙化以及心脏边界边缘锐化导致的幻觉钙化等。
综合研究结果和讨论部分，可以得出结论：DL-CACS 是一种可靠的自动化 CACS 解决方案，在 ECG 门控和非门控 CT 中都展现出了强大的性能。它极大地减少了对手动评分的依赖，提高了工作流程的效率，为心血管风险分层提供了有力支持。尽管在以 ECG 门控 CT 钙评分为参考标准时，其在非门控 LDCT 中的性能有所下降，但这主要是由于两种扫描协议的固有差异所致。DL-CACS 在非门控低剂量 CT 中的成功应用，尤其是在 ECG 门控 CT 不可用的情况下，凸显了其在临床应用中的广阔前景，有望推动心血管疾病的早期诊断和精准治疗，为更多患者的健康保驾护航。
