《European Heart Journal - Digital Health》：A transformer-based deep learning model for predicting the use of atherectomy devices during PCI from preprocedural cardiac computed tomography angiography
编辑推荐：
目的：严重冠状动脉钙化使经皮冠状动脉介入治疗（PCI）复杂化，常需要使用基于旋切的减积装置，这增加了手术复杂性和风险。本研究旨在开发并外部验证一种基于Transformer的深度学习模型，利用术前心脏计算机断层扫描血管造影（CCTA）预测PCI术中旋切装置的使
目的：严重冠状动脉钙化使经皮冠状动脉介入治疗（PCI）复杂化，常需要使用基于旋切的减积装置，这增加了手术复杂性和风险。本研究旨在开发并外部验证一种基于Transformer的深度学习模型，利用术前心脏计算机断层扫描血管造影（CCTA）预测PCI术中旋切装置的使用，并将其性能与包括普通心脏病专家和PCI专家在内的盲法人工判读进行比较。
方法与结果：这项回顾性多中心研究纳入了来自419例患者的498处钙化冠状动脉病变，这些患者在术前CCTA后接受了PCI。来自12家机构的数据用于训练和四折交叉验证，来自两家独立机构的97处病变作为外部测试队列。该模型结合了卷积神经网络特征提取器与基于Transformer的多实例学习，并评估了临床变量的增量价值。在外部测试队列中，仅基于CCTA的模型预测旋切装置使用的受试者工作特征曲线下面积（AUC）为0.788（95%置信区间[CI]，0.691–0.873）。加入临床变量后，AUC为0.805（95% CI，0.713–0.886），表明增量价值有限。在人工判读比较中，该模型的准确性高于普通心脏病专家（0.742 vs. 0.619；P = 0.029），与PCI专家的准确性数值相似（0.742 vs. 0.670；P = 0.230）。
结论：一项基于Transformer的深度学习模型利用术前CCTA在独立外部测试队列中显示出预测PCI术中旋切装置使用的临床相关性能。这些发现表明，该模型可能有助于病变评估和手术规划。
研究背景与现存问题
经皮冠状动脉介入治疗（PCI）是冠状动脉疾病的确立且有效的治疗方法。然而，严重的冠状动脉钙化仍是当代PCI实践中的重大挑战。旋切为基础的减积装置，包括旋磨和轨道旋切系统（统称为旋切装置），被广泛用于改良重度钙化病变，以促进支架的最佳释放和扩张。既往日本和西方国家的报告显示，旋切装置在所有PCI手术中的使用率约为3-5%，并且与常规PCI相比，其并发症发生率更高，如慢血流、冠脉穿孔和远端栓塞。由于在当前的临床实践中，是否使用旋切装置的决定由介入心脏病专家在手术过程中做出，因此需要一种术前预测旋切装置使用的方法，以辅助手术规划，包括入路策略和器械选择，以及风险分层和与患者共同决策。
心脏计算机断层扫描血管造影（CCTA）是一种成熟的非侵入性成像方式，用于诊断冠状动脉疾病，并可详细评估冠状动脉斑块形态。在常规临床实践中，CCTA的诊断解读可由放射科医生、心脏病专家或两者共同完成，而PCI规划通常由介入心脏病专家进行。CCTA已越来越多地被纳入术前PCI规划中，使介入心脏病专家能够评估病变长度、斑块分布、参考血管直径以及预期是否需要辅助装置。研究人员此前开发了ABCD评分，这是一种基于CCTA对冠状动脉钙化形态进行详细评估的形态学风险评分，用于预测旋切装置的使用。虽然这种方法显示了临床实用性，但手动特征提取的需求和逐病变评估的耗时特性限制了其可扩展性和更广泛的临床应用。
近年来人工智能（AI）的进步使得对高维医学影像数据实现自动化、数据驱动的分析成为可能。深度学习模型可以捕捉难以用传统规则方法量化的复杂空间模式。基于深度学习的方法已越来越多地应用于CCTA，用于自动评估冠状动脉病变，其应用范围已超出解剖狭窄程度，扩展到预测各种临床相关结局。然而，将深度学习应用于术前预测旋切装置使用的研究仍不充分。
本研究的目的是开发一种利用CCTA图像预测PCI术中旋切装置使用的深度学习模型，并评估纳入患者临床信息是否能提供超越单纯影像的增量价值。研究人员在来自独立机构的多中心队列中对该模型进行了外部验证。最后，研究人员将模型性能与包括普通心脏病专家和PCI专家在内的盲法人工判读进行了比较，以评估其相对于医生解读CCTA的预测性能。
主要关键技术方法
这是一项回顾性、多中心观察性研究，是日本心脏CT介入医师会议附属14家机构进行的一项研究的子分析。最终队列包括来自419例患者的498处病变，其中167处病变使用了旋切装置，331处未使用。来自12家机构的401处病变用于训练和验证，而来自两家独立机构的97处病变被保留作为外部测试队列。研究人员采用了一种基于Transformer的多实例学习框架，使用ConvNeXt-Tiny卷积神经网络（CNN）骨干网络提取切片级图像特征，并通过Transformer编码器建模切片间关系。临床变量包括年龄、性别、血清肌酐、透析状态、心力衰竭史、左心室射血分数和糖尿病。模型采用分层四折交叉验证策略开发，并在完全独立的机构和患者层面进行外部测试。
研究结果
患者与病变特征
基线患者和冠状动脉病变特征在两个队列中总体相似。尽管一些患者水平变量（如糖尿病和肾功能）在训练/验证队列与外部测试队列之间存在差异，但人口统计学变量、心功能、病变分布和旋切装置的使用情况大致相当。
模型性能
在外部测试数据集中，仅基于CCTA的AI模型预测旋切装置使用的AUC为0.788（95% CI，0.691–0.873）。加入临床变量后，CCTA联合临床模型显示出适度的区分性能改善，AUC为0.805（95% CI，0.713–0.886）。根据DeLong检验，两个模型之间的AUC差异无统计学意义（P = 0.209），表明临床变量的增量价值有限。在排除影像设备无法通过的病变的探索性分析中，CCTA联合临床模型的增量获益在数值上更大（ΔAUC，0.044 vs. 0.017），但差异仍不显著（P = 0.076）。
与人工视觉评估的比较
在外部测试数据集中，AI模型的分类准确性显著高于普通心脏病专家组（0.742 vs. 0.619；P = 0.029），而与PCI专家组相比，准确性差异无统计学意义（0.742 vs. 0.670；P = 0.230）。此外，AI模型对所有外部测试病例的预测总时间（约50秒）远短于人工判读所需的时间（普通心脏病专家平均103分钟，PCI专家平均69分钟），不包括图像重建和数据输入时间。
与形态学评分的比较
在一项探索性分析中，研究人员将AI模型与之前报告的ABCD评分进行了比较。ABCD评分的AUC在数值上高于AI模型（0.867 [95% CI，0.792–0.932] vs. 0.788 [95% CI，0.691–0.873]），但差异无统计学意义（P = 0.070）。由于部分外部测试队列与ABCD评分的推导队列重叠，这一比较可能对ABCD评分有利，应视为探索性分析。
模型可解释性
Grad-CAM分析显示，模型主要聚焦于靶病变内的致密钙化区域。基于遮挡的切片重要性分析表明，含有更广泛钙化成分的切片对模型预测的影响更大，切片重要性在病变钙化最严重的部分达到峰值。
讨论与结论
在讨论部分，研究人员指出这是首个针对此任务开发和外部验证基于图像的深度学习模型的研究。该CNN-Transformer框架能够有效处理CCTA的序列图像信息。模型性能良好，且临床变量增量价值有限，提示病变水平的形态学特征是预测的主要决定因素。与人工判读的比较表明，模型达到了与PCI专家相当的准确性，且速度更快。模型的可解释性分析证实其关注点与临床相关的钙化特征一致。虽然ABCD评分在数值上表现更优，但考虑到潜在的偏倚，深度学习模型的优势在于无需手动特征提取，可实现快速、标准化的预测。
研究局限性包括回顾性设计、外部测试队列规模较小（97处病变）、旋切装置使用决策依赖术者、模型预测的是装置使用而非临床必要性或有效性、研究周期早于血管内碎石术在日本获批、人群富集中重度钙化病变限制了普适性，以及人工判读研究中读者数量有限。
研究结论：一项基于CNN-Transformer的深度学习模型利用术前CCTA在预测PCI术中旋切装置使用方面展示了临床相关的性能，并在独立外部队列中保持了良好的区分度。这种非侵入性的基于影像的方法可能有助于重度钙化冠状动脉病变患者的标准化术前规划。然而，这些发现应被视为初步结果，需要在多个国家进行更大规模的前瞻性研究，以确定该模型对手术策略和临床结局的影响。
