《Journal of Nuclear Cardiology》：The
REgistry of
Flow and Perfusion Imaging for Artificial
INtellig
Ence with
PET
(REFINE PET): Rationale and Design
编辑推荐：
冠心病患者PET/CT影像及临床数据多中心研究，整合35,588例患者的影像数据与4.2年随访结果，含9252例主要不良心血管事件，通过QPET软件与深度学习算法实现自动化量化，为AI辅助诊断和风险分层提供标准化数据库。
Giselle Ramirez|Mark Lemley|Aakash Shanbhag|Jacek Kwiecinski|Robert J.H. Miller|Paul B. Kavanagh|Joanna X. Liang|Damini Dey|Leandro Slipczuk|Mark I. Travin|Erick Alexanderson|Isabel Carvajal-Juarez|René R.S. Packard|Mouaz Al-Mallah|Andrew J. Einstein|Attila Feher|Wanda Acampa|Stacey Knight|Viet T. Le|Steve Mason|Piotr J. Slomka
美国加利福尼亚州洛杉矶西达-赛奈医疗中心医学系（医学人工智能分部）、影像科、生物医学科学科
摘要
背景
“用于人工智能的血流与灌注成像注册库（REFINE PET）”旨在收集多中心的PET及相关计算机断层扫描（CT）图像，以及临床数据和结果，形成一个全面的研究资源。REFINE PET将有助于验证和开发标准和新型的心脏PET/CT处理方法。
方法
REFINE PET是一个多中心的国际注册库，包含临床和影像数据。PET扫描使用QPET软件（西达-赛奈医疗中心，加利福尼亚州洛杉矶）进行处理，而CT扫描则利用深度学习（DL）技术来检测冠状动脉钙化（CAC）。患者被随访以观察是否发生重大不良心血管事件（MACE），包括死亡、心肌梗死、不稳定型心绞痛和晚期血运重建（PET后超过90天）。
结果
REFINE PET注册库目前包含了来自14个机构的35,588名患者的数据，预计还会有更多患者数据和机构加入。综合临床数据（包括人口统计学信息、病史和负荷试验结果）与超过2200个影像变量相关联，这些变量涵盖42个类别。该注册库能够解决广泛的临床问题，并通过5972名患者在6个月内的侵入性血管造影结果以及总共9252例重大不良心血管事件的中位随访时间来支持研究。
结论
REFINE PET注册库通过整合临床数据、多模态影像以及新型定量和人工智能工具，提升了PET/CT心脏负荷试验在诊断和风险分层中的作用。
章节摘录
引言
冠状动脉疾病（CAD）仍然是美国乃至全球主要的公共卫生负担，预计到2035年，其医疗支出将超过1万亿美元1, 2。随着肥胖、糖尿病和慢性肾病的发病率上升，CAD的临床表现也在变化，越来越多的有症状患者在进行血管造影时显示出主要是非阻塞性的冠状动脉病变，这些病变通常与弥漫性病变相关。
总体研究设计
我们建立了一个多中心的国际注册库，用于收集和分析接受PET/CT心脏负荷试验患者的回顾性临床、程序、影像和随访数据。该注册库汇集了来自美国、墨西哥、加拿大、瑞士和意大利的14个机构的贡献，参与机构常规进行MBF定量分析和CT衰减校正。每个机构的连续PET/CT扫描都被纳入，以反映实际临床实践。
图像处理
每名患者的批处理时间约为2秒。迄今为止，最终ZCM文件的总存储需求为9.1 TB。
患者特征
当前的REFINE PET注册库包括来自14个机构的35,588名疑似或确诊CAD的患者，其中21,010名（59%）为男性；中位年龄为68岁（IQR 59-76岁）（表3）。临床和影像量化数据库将临床数据和影像数据以表格形式整合。
讨论
我们建立了一个包含35,588名患者的大型国际影像注册库，收集了110个临床变量、42个影像变量类别和超过2,200个个体影像变量，以及完整的DICOM数据（包括CT、负荷/静息静态、门控和动态PET）和临床结果。所有影像变量均通过成熟的临床软件和新型人工智能方法自动量化并整合到临床数据中。
结论
REFINE PET注册库提供了一个强大的数据集，整合了影像、临床和深度学习数据。它将增强我们对PET临床应用的理解，促进多参数数据在PET/CT心脏负荷试验数据集中的使用，并推动人工智能方法的发展和验证，以提高诊断准确性和风险分层。
未引用的参考文献
12.; 13.; 12.; 13..
独立数据访问与分析
GR、ML、AS和PS可以完全访问研究中的所有数据，并对其完整性和数据分析负责。
利益冲突：
RM从辉瑞公司获得了咨询费用，并获得了辉瑞公司和Alberta Innovates的研究支持。DB和PS参与了西达-赛奈医疗中心QPS软件的软件许可费。DB、DD和PS在APQ Health Inc.持有股份。DB从Miriam和Sheldon G. Adelson医学研究基金会获得了研究资助，并从GE Healthcare获得了咨询费用。PS从西门子医疗系统公司获得了研究资助，并从Synektik SA和Novo Nordisk获得了咨询费用。
资金来源：
本研究部分得到了美国国立卫生研究院国家心肺血液研究所的R35HL161195资助和美国国立卫生研究院国家生物医学成像与生物工程研究所的R01EB034586资助。内容仅代表作者观点，不一定代表美国国立卫生研究院的官方立场。
利益冲突声明
? 作者声明以下可能被视为潜在利益冲突的财务利益/个人关系：Piotr Slomka报告称获得了美国国立卫生研究院的财务支持。Piotr Slomka与APQ Health Inc.存在关系，包括持有股份。Piotr Slomka与Synektik SA存在关系，包括提供咨询或顾问服务。Piotr Slomka与Novo Nordisk存在关系，包括提供咨询或顾问服务。RM
致谢
我们感谢所有为REFINE PET注册库提供临床和影像数据的参与机构和研究人员。特别感谢各机构的数据管理员、研究协调员和技术人员在这项数据收集工作中所发挥的关键作用。同时，我们也感谢西达-赛奈医疗中心的核心实验室在数据协调、影像分析和基础设施支持方面的支持。特别感谢影像技术专家和软件人员
