基于组织病理学验证的人工智能驱动OCT与血管内超声斑块负荷量化头对头比较

《European Heart Journal - Digital Health》：AI-powered OCT shows similar performance to IVUS for plaque burden quantification: Head-to-head benchmark study against histopathology of native coronary arteries

　　

摘要

背景

光学相干断层扫描 (OCT) 以浅层穿透为代价提供了优异的分辨率，限制了其在斑块负荷 (PB) 评估方面的能力。因此，开发了一种深度学习 (DL) 算法，以完全自动化地从 OCT 中评估 PB 和血管大小。

目标

我们旨在以组织病理学作为参考标准，对人工智能驱动的 OCT 与血管内超声 (IVUS) 在 PB 量化方面进行头对头比较。

方法

收集了 10 颗人体尸检心脏。对全部 29 条主要心外膜冠状动脉进行了灌注，并进行了 OCT 和 IVUS 回撤成像。成像后，将动脉以 1 毫米间隔连续切片进行组织病理学检查。使用 DL 算法从 OCT 中完全自动地获取管腔和血管轮廓，并从 IVUS 中半自动地获取。组织病理学测量由经验丰富的分析人员完成。统计分析考虑了患者内的聚集效应。

结果

共获得 852 对 OCT-IVUS- 组织病理学横断面图像。人工智能驱动的 OCT 在评估管腔面积 (r=0.89 [95% CI: 0.88–0.91])、血管面积 (r=0.85 [95% CI: 0.83–0.87]) 和 PB (r=0.76 [95% CI: 0.73–0.79]) 方面与组织病理学显示出强相关性。IVUS 与组织病理学之间的相应相关性分别为 0.90 (95% CI: 0.89–0.92)、0.86 (95% CI: 0.84–0.88) 和 0.79 (95% CI: 0.76–0.81)。OCT–组织病理学与 IVUS–组织病理学相关系数的比较结果显示，管腔面积 p=0.336，血管面积 p=0.444，PB p=0.161。OCT 和 IVUS 在识别 PB>65% 方面均显示出良好的诊断性能，受试者工作特征曲线下面积分别为 0.92 (95% CI: 0.90-0.94) 和 0.92 (95% CI: 0.88-0.95)。

结论

在这项针对 10 颗人体尸检心脏的组织病理学验证研究中，人工智能驱动的 OCT 实现了完全自动化的斑块负荷量化，并与组织病理学强相关，OCT–组织病理学与 IVUS–组织病理学相关性之间无统计学显著差异。

图形摘要

在新标签页中打开下载幻灯片