高分辨率深度学习重建技术提升CT血流储备分数(CT-FFR)诊断准确性的临床研究

【编辑推荐】来自单中心的研究团队通过对比模型迭代重建(MBIR)与高分辨率深度学习重建(HR-DLR)技术，证实HR-DLR显著降低图像噪声(14.4±1.7 vs 23.5±3.1，p<0.001)，使CT-FFR诊断功能性狭窄的AUC提升至0.88(95%CI:0.80-0.95)，准确率达88%，为无创评估冠脉狭窄功能意义提供更优方案。

　　

这项单中心回顾性研究纳入了79例接受冠脉CT血管造影(CCTA)联合有创血流储备分数(FFR)检测的患者(平均年龄70±11岁，男性57例)。通过无网格模拟计算CT-FFR值，以FFR≤0.80作为功能性显著狭窄的临界标准。

研究结果显示，HR-DLR技术展现出显著优势：图像噪声较传统MBIR降低38.7%(14.4±1.7 vs 23.5±3.1，p<0.001)。在诊断性能方面，HR-DLR的受试者工作特征曲线下面积(AUC)达到0.88(95%CI:0.80-0.95)，显著高于MBIR的0.76(p=0.003)；诊断准确率提升18个百分点(88% vs 70%，p<0.001)。

值得注意的是，在98支血管中，47%(46支)存在功能显著狭窄(FFR≤0.80)。研究证实，HR-DLR技术通过优化图像质量，使CT-FFR这一无创功能评估工具更精准地识别需要干预的病变，为临床决策提供了可靠依据。

关键发现提示：HR-DLR不仅改善了CCTA图像质量，更重要的是提升了CT-FFR识别血流受限病变的能力，这种技术进步有望改变当前冠脉疾病"解剖-功能"联合评估的临床路径。