《Journal of Cardiovascular Computed Tomography》：Novel deep learning CCTA-FFR for detecting functionally significant coronary stenosis: Comparison with iFR
编辑推荐：
本研究评估了新型现场深度学习CT-FFR算法与侵入性iFR的诊断性能比较，结果显示CT-FFR在检测生理学意义的冠状动脉狭窄方面表现良好，敏感性89.3%，特异性68.8%，AUC 0.79，且在不同狭窄程度下保持稳定性能，并显著优于CCTA阈值评估。
Mona P. Roshan | Grayson V. Gigliotti | Jeffrey Gonzalez | Ricardo A. Cury | Chrisnel Lamy | Karl Sayegh | Ricardo C. Cury
佛罗里达国际大学赫伯特·韦特海姆医学院，美国佛罗里达州迈阿密
摘要
背景
基于深度学习的分数流量储备（CT-FFR）技术通过冠状动脉CT血管造影获得，能够无创地评估病变特异性缺血情况。现场CT-FFR系统在工作站提供近乎实时的生理评估，从而可能减少不必要的侵入性检查。本研究评估了一种新型现场深度学习CT-FFR算法与侵入性瞬时无波比（iFR）的诊断性能。
方法
我们回顾性分析了44名患者（44个病变），这些患者接受了临床指征的冠状动脉CT血管造影（CCTA）和侵入性iFR检查。CT-FFR值是使用现场深度学习算法（cFFR v6）在视觉识别出的狭窄部位下游1-2厘米处生成的。生理学意义的定义为CT-FFR ≤0.80或iFR ≤0.89。诊断性能指标在整体上以及CCTA狭窄程度不同层（<50%、50–70%、>70%）进行了计算。ROC分析和皮尔逊相关性评估了区分能力和线性关联。额外的比较分析评估了CCTA ≥50%和≥70%阈值相对于iFR的诊断准确性，并量化了CT-FFR相对于单独CCTA的增量诊断价值。
结果
在44个病变中，28个（63.6%）为iFR阳性，30个（68.2%）为CT-FFR阳性。CT-FFR的敏感性为89.3%，特异性为68.8%，阳性预测值为83.3%，阴性预测值为78.6%，准确率为81.8%；ROC曲线下面积为0.79（95%置信区间，0.66–0.92）。CT-FFR和iFR显示出适度但显著的相关性（r ≈ 0.37）。在中度（40–70%）狭窄和重度（>70%）狭窄中，CT-FFR的表现仍然良好（AUC分别为0.73和0.84）。相比之下，CCTA ≥50%和≥70%阈值的区分能力相对于iFR有限（AUC分别为0.44和0.52）。与单独CCTA相比，CT-FFR提高了敏感性和特异性，并显著提高了两个阈值的AUC。
结论
现场深度学习CT-FFR算法与侵入性iFR的诊断一致性良好，并且在不同狭窄程度类别中均保持了性能，同时相对于单独的CCTA狭窄评估提供了明显的增量价值。这些发现支持了在CCTA解读过程中进行快速、工作站集成生理评估的可行性。需要更大规模的多中心研究来验证这些结果并明确现场CT-FFR的临床作用。
引言
冠状动脉疾病（CAD）仍然是全球发病率和死亡率的主要原因之一。现代管理不仅强调冠状动脉狭窄的解剖学存在，还强调其血流动力学意义，特别是在患有中度病变的患者中。侵入性生理评估，最常用的是分数流量储备（FFR）或腺苷无瞬时无波比（iFR），已被广泛用于指导血运重建决策，但这种方法耗时较长，需要导管插入，并存在操作风险，因此人们对无创生理评估方法越来越感兴趣。1
冠状动脉CT血管造影（CCTA）因具有高空间分辨率和出色的阴性预测值而在疑似CAD的评估中占据核心地位。然而，仅凭解剖学狭窄程度往往无法预测病变特异性缺血，解剖学与生理学之间的不一致性已有充分记录。2 CT衍生的分数流量储备（CT-FFR）旨在通过直接从CCTA数据估计病变特异性生理情况来填补这一空白。早期验证研究表明，CT-FFR比单独的CCTA更能改善冠状动脉病变的功能评估，并能增强临床决策。33
人工智能的最新进展使得基于深度学习的CT-FFR算法得以开发，这些算法能够在临床工作站上快速进行血管分割和生理评估。4, 5尽管取得了这些进展，但现场深度学习CT-FFR工具的实际应用验证仍然有限，尤其是在与当前侵入性生理评估方法（如iFR）相比时。此外，CT-FFR性能与CCTA确定的狭窄程度（<50%、50–70%和>70%）之间的关系，以及CT-FFR相对于CCTA的增量诊断价值尚未完全明确。
本研究的目的是通过将病变水平的CT-FFR值与侵入性iFR进行比较，来评估一种新型现场深度学习CT-FFR原型（cFFR v6）的诊断性能。我们假设该算法与iFR测量结果具有良好的一致性，在不同狭窄程度类别中保持性能，并相对于传统的CCTA狭窄评估提供增量诊断价值。
研究设计和研究对象
这是一项回顾性观察性研究，研究对象为44名连续接受冠状动脉CT血管造影（CCTA）、侵入性冠状动脉血管造影和iFR测量的患者，这些检查都在临床合理的时间范围内完成。符合条件的患者因CCTA图像质量差、之前接受过冠状动脉旁路移植或目标血管中有支架而被排除在外，因为这些情况会影响CT-FFR的解读。每位患者提供了1个目标病变的评估数据。
研究人群和基线特征
最终分析纳入了44名患者，他们共有44个目标病变。成像时的平均年龄为64.5 ± 9.1岁（范围46–83岁），其中20.5%为女性。该队列属于中高风险人群，43.2%患有高血压，31.8%患有高脂血症，27.3%患有2型糖尿病，31.8%有吸烟史，11.4%患有慢性肾脏疾病。38.6%的患者有明确的CAD病史。基线人口统计学特征...
讨论
本研究评估了一种基于现场深度学习的CT-FFR算法与侵入性iFR在临床参考队列中的诊断性能，结果显示其在检测生理学上显著的冠状动脉狭窄方面具有较高的准确性。CT-FFR表现出高敏感性和中等特异性，ROC曲线下面积为0.79，在不同狭窄程度类别中表现一致。这些发现支持将现场CT-FFR纳入常规CCTA解读中的可行性。
结论
一种新型的基于现场深度学习的CT-FFR算法在检测生理学上显著的冠状动脉狭窄方面表现出与侵入性iFR相当的良好诊断性能，在不同狭窄程度类别中表现一致，并且相对于单独的CCTA狭窄评估具有明显的增量价值。通过实现快速、工作站集成的生理评估，现场CT-FFR可能改善冠状动脉病变的功能评估，并简化侵入性血管造影的分诊流程。
资金支持
作者声明与本研究无关的任何资金利益冲突或个人关系。
利益冲突声明
作者声明他们没有已知的可能会影响本文报道工作的财务利益冲突或个人关系。
