超高空间分辨率光子计数探测器CT血管造影中的自动冠状动脉分析：临床验证及与能量积分探测器CT的个体内比较

《Journal of Cardiovascular Computed Tomography》：Automated coronary analysis in ultrahigh-spatial resolution photon-counting detector CT angiography: Clinical validation and intra-individual comparison with energy-integrating detector CT

深度学习算法在超高分辨率光子计数探测器CT冠状动脉分析中的应用及与专家对比研究。该单中心前瞻性研究纳入32例患者的EID-CT与UHR PCD-CT数据，结果显示UHR PCD-CT的专家间κ值达0.86，显著高于EID-CT的0.75；算法特异性达91%-96%，辅助阅读后特异性提升至97%，阅读时间减少54%。研究证实PCD-CT结合AI分析能更准确评估冠状动脉狭窄，且显著提高效率。

　　冠状动脉疾病是全球范围内导致发病率和死亡率的主要原因之一，因此，冠状动脉CT血管造影（CCTA）已成为评估急性和慢性冠状动脉疾病（CAD）的重要工具。CCTA的优势在于其非侵入性，能够对斑块形态、CAD的范围和分布以及冠状动脉狭窄程度进行准确评估。然而，随着CCTA的广泛应用，其数据量迅速增长，传统的手动分析方法在效率和准确性方面面临挑战。尤其是在需要大量专业知识的背景下，对于缺乏经验的医生而言，准确解读CCTA图像可能需要数月甚至一年的时间。因此，开发一种高效的自动化分析工具成为提升CCTA临床应用价值的关键。

近年来，人工智能（AI）在心脏影像学领域取得了显著进展，尤其在冠状动脉疾病的自动评估方面。AI驱动的深度学习（DL）算法已被用于辅助分割和评估冠状动脉，这些工具能够提供快速、准确的分析结果。然而，尽管AI在常规能量积分探测器CT（EID-CT）上的应用已较为成熟，但其在超高分辨率光子计数探测器CT（UHR PCD-CT）中的表现仍需进一步验证。UHR PCD-CT技术相较于传统EID-CT，具有更高的对比度噪声比、更低的电子噪声和更优的空间分辨率，能够提供更清晰的冠状动脉图像。此外，该技术还支持更薄的切片（如0.2毫米），有助于更精确地检测冠状动脉狭窄。这些技术优势可能有助于提高传统CCTA的诊断准确性，特别是通过减少因“blooming”伪影导致的狭窄高估问题。因此，研究AI在UHR PCD-CT上的表现具有重要意义。

本研究旨在验证一种基于AI的自动化冠状动脉分析（ACA）工具在UHR PCD-CT数据中的性能，并将其与常规EID-CT进行比较，同时评估自动化、手动和结合分析方法在诊断效率上的差异。研究纳入了32名患者（平均年龄68.6岁，81%为男性），他们在30天内分别接受了EID-CT和UHR PCD-CT扫描。所有患者的图像由两位资深放射科医生使用商业软件进行手动冠状动脉分析（MCA），并根据冠状动脉疾病报告与数据系统（CAD-RADS）进行分类。随后，经过3个月的洗脱期，其中一位医生在AI辅助下重新评估了UHR PCD-CT图像，以评估结合分析（aACA）的效果。研究通过记录敏感性、特异性、准确率、阅片一致性以及阅片时间，全面评估了不同方法的诊断性能。

在401个动脉段的分析中，阅片一致性在EID-CT中为显著（κ=0.75），而在UHR PCD-CT中则达到近完美（κ=0.86）。这表明，UHR PCD-CT在提高阅片一致性方面具有明显优势。单独使用AI算法在EID-CT上的敏感性为85%，特异性为91%，准确率为90%；而在UHR PCD-CT上，AI的敏感性提升至85%，特异性提高到96%，准确率则达到95%。这一结果表明，AI在UHR PCD-CT上的诊断性能优于EID-CT。此外，与侵入性冠状动脉造影（ICA）相比，手动评估和AI评估在敏感性方面表现相似（67%），但手动评估在特异性和准确率上略占优势（85% vs. 79%，84% vs. 78%）。然而，当读者在AI辅助下进行分析时，特异性显著提高至97%（p<0.001），准确率也达到95%，同时阅片时间减少了54%（p<0.001）。这些结果突显了AI在提高诊断准确性和效率方面的潜力。

在研究方法上，所有数据均通过EID-CT和UHR PCD-CT采集，并进行了相应的重建参数调整。EID-CT使用了0.6毫米的切片厚度和0.3毫米的切片间隔，而UHR PCD-CT则采用0.2毫米的切片厚度和间隔，以实现更高的空间分辨率。此外，UHR PCD-CT还使用了更先进的定量内核（Qr64）和最大迭代重建强度（Quantum Iterative Reconstruction level 4），从而提高了图像质量。在数据采集过程中，部分患者接受了硝酸甘油以确保冠状动脉充分扩张，以减少运动伪影的影响。研究还通过Bland-Altman方法评估了EID-CT、PCD-CT和ICA之间的诊断一致性，结果显示，与ICA相比，PCD-CT的诊断一致性更高。

研究结果表明，基于AI的自动化冠状动脉分析工具在UHR PCD-CT上表现出良好的诊断性能。与EID-CT相比，该工具在检测狭窄程度方面更为准确，且其结果与ICA的参考标准更加一致。在对37个病变的侵入性分析中，AI在UHR PCD-CT上的特异性显著高于EID-CT（79.4% vs. 47.1%），且结合AI的阅片方法（aACA）在特异性上达到了97.1%（p<0.001），与ICA的参考标准几乎一致。此外，aACA的阅片时间比单独手动评估减少了54%，这表明AI不仅提高了诊断的准确性，还大幅提升了诊断效率。这一发现对于临床实践具有重要意义，尤其是在需要处理大量病例的医疗机构或资源有限的地区，AI辅助工具可以显著减少医生的工作负担，提高诊断速度。

尽管AI在UHR PCD-CT上的表现令人鼓舞，但研究也指出了其在实际应用中的一些局限性。首先，研究样本量较小，限制了结果的普遍适用性。其次，患者群体中男性占大多数，因此无法对女性患者的诊断性能进行充分评估。此外，所有数据均来自单一的三级医院，可能影响其在其他医疗中心或不同人群中的适用性。研究还发现，AI辅助的冠状动脉评估对临床决策的影响尚未明确，这需要进一步的研究来验证。最后，由于排除了Agatston评分为0的患者，可能存在一定的选择偏差。

未来的研究应着眼于将AI辅助的冠状动脉评估整合到实际的临床工作流程中，以评估其在真实世界中的应用效果。这包括对诊断信心、阅片时间、后续检测需求和患者预后的影响。此外，还需探索针对非专家用户的培训方法，以确保这些工具能够被广泛采用。同时，应扩展AI算法的功能，使其不仅能够检测狭窄，还能对斑块进行分类和功能评估。最后，研究应涵盖更大、更多样化的患者群体，以确保AI工具的普遍适用性和公平性。

总体而言，基于深度学习的自动化冠状动脉分析工具在UHR PCD-CT上展现出优异的诊断性能，与专家阅片具有较高的一致性，并且在提高诊断准确性和效率方面表现出色。该算法为放射科医生提供了一种有价值的辅助工具，有助于提升临床工作效率，特别是在高负荷的医疗环境中。随着AI技术的不断发展和优化，其在冠状动脉疾病筛查和诊断中的应用前景广阔，有望成为未来心血管影像学的重要组成部分。