《European Radiology》：Artificial intelligence-based coronary computed tomography angiography quantification of atherosclerosis burden: comparison with intravascular ultrasound in the INVICTUS Registry
编辑推荐：
为解决人工评估冠状动脉斑块负荷时存在耗时长、标准化程度低、观察者间差异大等问题，本研究利用人工智能冠状动脉CT血管成像(AI-QCT)技术，对比血管内超声(IVUS)金标准，对冠状动脉斑块负荷进行了全自动量化分析。结果表明，AI-QCT在量化整体及不同类型斑块负荷方面与IVUS高度一致，实现了快速、准确、标准化的心血管风险评估，具有重要临床转化价值。
动脉粥样硬化是心血管事件的强力预测因子，但准确量化其整体负荷并非易事。传统的半自动化方法依赖专家经验，既耗时又易受观察者主观影响，难以在临床中广泛、标准地应用。近年来，人工智能(AI)技术的兴起为医学影像分析带来了革命性希望，特别是其在冠状动脉CT血管成像(CCTA)中的应用潜力巨大。然而，一个关键问题悬而未决：基于AI的CCTA量化(AI-QCT)结果，能否与当前评估冠状动脉病变的金标准——血管内超声(IVUS)相媲美？更重要的是，既往验证多局限于斑块负荷较重(>40%)的病灶，AI技术是否能够准确评估从正常血管到轻度病变的整个疾病谱系，这仍是未知数。这项发表在《European Radiology》上的研究，正是为了填补这一空白，对AI-QCT进行了一次全面、严格的“大考”。
本研究主要应用了几项关键技术：1) 多模态影像配准：从INVICTUS多中心注册研究中选取同时接受CCTA和IVUS检查的患者，由独立核心实验室对两种影像进行盲法分析和精确的空间配准，确保对比的解剖部位一致。2) AI-QCT自动分析：使用FDA批准的商用AI软件(Cleerly Inc.)对CCTA图像进行全自动处理，量化血管外弹力膜(EEM)、管腔、斑块的面积和体积，计算斑块负荷、斑块体积百分比(PAV)及钙化指数。3) IVUS金标准分析：使用专业软件对IVUS图像进行手动辅助的轮廓勾画，量化相同参数。4) 统计对比：采用Pearson相关分析和Bland-Altman一致性分析，评估AI-QCT与IVUS在各量化指标上的一致性与相关性。
研究结果
1. 整体节段AI-QCT与IVUS分析
研究最终纳入了来自85名患者的108支血管的配准节段。分析显示，AI-QCT与IVUS在量化整体节段的EEM体积(r=0.899)、管腔体积(r=0.943)、斑块体积(r=0.833)、长度标准化PAV(r=0.851)以及钙化指数(r=0.960)方面均表现出强相关性。Bland-Altman分析表明两者对PAV的测量具有良好的一致性，平均差异仅为-0.09%，94.4%的测量值落在95%的一致性界限内。
2. 最小管腔面积(MLA)部位的分析
AI-QCT自动识别的MLA位置与IVUS的定位非常接近(平均差异1.79 mm)。AI-QCT测得的MLA较IVUS略小(平均差-0.61 mm2)，但两者计算的管腔面积狭窄率无显著差异。在MLA部位的主导斑块类型判断上，两种方法的一致性高达99.1%。
3. 亚节段分析
在含有非钙化斑块的节段，AI-QCT与IVUS在血管、管腔、斑块体积的量化上同样高度相关(Pearson系数分别为0.95, 0.97, 0.83)。在含有低衰减(通常与易损斑块相关)斑块的节段，两者也显示出强相关性(相关系数分别为0.90, 0.86, 0.86)。此外，AI-QCT与IVUS在钙化角度、长度及钙化指数的量化上也存在极强的相关性(r=0.960)。
研究结论与意义
本研究表明，基于AI的CCTA量化技术(AI-QCT)在评估冠状动脉整体动脉粥样硬化负荷方面，与血管内超声(IVUS)这一侵入性金标准具有高度的相关性和良好的一致性。这种一致性不仅体现在斑块负荷较重的区域，也扩展到了非钙化斑块、低衰减斑块等具有特殊临床意义的区域，乃至对整个血管节段钙化程度的评估。AI-QCT能够自动、准确地定位最狭窄部位并量化狭窄程度，与IVUS结果高度吻合。
这项研究的意义重大。首先，它突破了以往验证研究多局限于高负荷病变的局限，首次在包含正常、轻度到重度病变的连续血管节段上，全面验证了AI-QCT量化全疾病谱系斑块负荷的准确性。这为AI-QCT在临床实践中的广泛应用奠定了坚实的科学基础。其次，研究证实AI-QCT能够提供快速、自动、可重复的斑块量化结果，最大限度地减少了因操作者经验和主观判断带来的变异，实现了评估过程的标准化。这有助于“弥合”专科阅片医生与普通医生之间的技术差距，使精准的动脉粥样硬化评估能够在常规临床工作中得以普及。
最终，这种标准化的自动化工具有望彻底改变心血管风险评估、治疗监测和决策制定的模式。医生可以基于客观、量化的斑块数据，更准确地对患者进行风险分层，制定个性化的预防策略，并监测药物治疗（如他汀类）对斑块负荷的干预效果。随着AI技术在医学影像领域的不断成熟与整合，像AI-QCT这样的工具正成为实现精准心血管医学的关键一环，推动着冠心病诊疗向更高效、更客观、更个性化的方向迈进。
